With the development of millimeter-wave (mmWave) technology and vehicle-to-vehicle (V2V) communications, the mmWave vehicular ad hoc networks (VANETs) is envisioned to support rapidly growing number of vehicles. Against this background, each V2V user (VUE) is expected to employ large-scale array to form directional analog beams for improving spatial spectrum reuse, and it is capable of achieving concurrent transmissions from multiple other VUEs simultaneously. However, due to the high dynamics of V2V links, it can be challenging for each VUE to quickly select an effective analog beam. In this paper, we propose a machine learning (ML) approach to achieve an efficient and fast analog beam selection for mmWave V2V communications. Specifically, we first derive the probabilities that multiple V2V transmitters (TXs) serve one VUE to obtain the average sum rate (ASR) for mmWave V2V communications. On that basis, we develop an ML approach to maximize the ASR, whereby the support vector machine (SVM) classifier is utilized for optimizing the analog beam selection. Besides, we further proposed an iteration sequential minimal optimization training algorithm to train data samples of all V2V links, and convergence of the proposed solution is also discussed. Finally, an extensive sample training and simulations are evaluated by Google TensorFlow. The results verified that our proposed ML approach is capable of achieving a higher ASR yet substantially lower computational complexity than traditional solutions based on explicitly estimated channels.

中文翻译：

---

机器学习为毫米波 V2V 通信中的并发传输启用模拟波束选择

随着毫米波 (mmWave) 技术和车对车 (V2V) 通信的发展，预计毫米波车载自组织网络 (VANET) 将支持快速增长的车辆数量。在此背景下，每个V2V用户（VUE）都有望采用大规模阵列形成定向模拟波束以提高空间频谱重用，并且能够同时实现来自多个其他VUE的并发传输。然而，由于 V2V 链路的高动态性，每个 VUE 快速选择有效的模拟光束可能具有挑战性。在本文中，我们提出了一种机器学习 (ML) 方法，以实现高效、快速的毫米波 V2V 通信模拟波束选择。具体来说，我们首先推导出多个 V2V 发射器 (TX) 为一个 VUE 服务的概率，以获得毫米波 V2V 通信的平均总速率 (ASR)。在此基础上，我们开发了一种 ML 方法来最大化 ASR，从而利用支持向量机 (SVM) 分类器来优化模拟光束选择。此外，我们进一步提出了一种迭代顺序最小优化训练算法来训练所有V2V链路的数据样本，并讨论了所提出的解决方案的收敛性。最后，大量样本训练和模拟由 Google TensorFlow 进行评估。结果证实，与基于显式估计通道的传统解决方案相比，我们提出的 ML 方法能够实现更高的 ASR，但计算复杂度显着降低。在此基础上，我们开发了一种 ML 方法来最大化 ASR，从而利用支持向量机 (SVM) 分类器来优化模拟光束选择。此外，我们进一步提出了一种迭代顺序最小优化训练算法来训练所有V2V链路的数据样本，并讨论了所提出的解决方案的收敛性。最后，大量样本训练和模拟由 Google TensorFlow 进行评估。结果证实，与基于显式估计通道的传统解决方案相比，我们提出的 ML 方法能够实现更高的 ASR，但计算复杂度显着降低。在此基础上，我们开发了一种 ML 方法来最大化 ASR，从而利用支持向量机 (SVM) 分类器来优化模拟光束选择。此外，我们进一步提出了一种迭代顺序最小优化训练算法来训练所有V2V链路的数据样本，并讨论了所提出的解决方案的收敛性。最后，大量样本训练和模拟由 Google TensorFlow 进行评估。结果证实，与基于显式估计通道的传统解决方案相比，我们提出的 ML 方法能够实现更高的 ASR，但计算复杂度显着降低。我们进一步提出了一种迭代顺序最小优化训练算法来训练所有 V2V 链路的数据样本，并且还讨论了所提出的解决方案的收敛性。最后，大量样本训练和模拟由 Google TensorFlow 进行评估。结果证实，与基于显式估计通道的传统解决方案相比，我们提出的 ML 方法能够实现更高的 ASR，但计算复杂度显着降低。我们进一步提出了一种迭代顺序最小优化训练算法来训练所有 V2V 链路的数据样本，并且还讨论了所提出的解决方案的收敛性。最后，大量样本训练和模拟由 Google TensorFlow 进行评估。结果证实，与基于显式估计通道的传统解决方案相比，我们提出的 ML 方法能够实现更高的 ASR，但计算复杂度显着降低。