文献

J-GLOBAL ID：202002258726826702   整理番号：20A1073032

機械学習アルゴリズムを用いた水中通信網へのリンク適応:ブースト回帰ツリーアプローチ【JST・京大機械翻訳】

Link Adaptation on an Underwater Communications Network Using Machine Learning Algorithms: Boosted Regression Tree Approach

著者 (3件)： M S M Alamgir (Department of Electronic Engineering, Inha University, Incheon, South Korea) ,  Sultana Mst. Najnin (Department of Electronic Engineering, Inha University, Incheon, South Korea) ,  Chang Kyunghi (Department of Electronic Engineering, Inha University, Incheon, South Korea)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 73957-73971  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 海洋調査のための次世代水中センサネットワークの研究における関心は,海洋学,海洋地域における商業的運用,および軍事監視のような地域におけるそれらの利用に関する懸念の進展により増加している。水中音響通信(UAC)ネットワークチャネルは,環境条件に従って高速に変化する(空間的および時間的)。伝送パラメータをチャネル変動に整合させることにより,システム効率を改善するために,UACネットワークのための適応変調と符号化(AMC)を使用することが必要である。本論文では,チャネル品質に依存する適切なリンク適応手順を見出すために,ルールベース戦略(すなわち,三次元解析,変調解析,および固定SNR戦略)を用いて,測定された海上試行データセットの解析に焦点を当てた。したがって,測定されたUACネットワークデータ速度対信号対雑音比(SNR)および/またはビット誤り率(BER)のシナリオをプロットし,チャネルへの適応性の文脈において最良のAMC組合せを求めた。ルールベース戦略の非可逆性限界により,本研究は,チャネル特性を調べることにより,MCSレベルを分類するために,機械学習(ML)アルゴリズムをさらに拡張する。この解析に採用した4つのMLアルゴリズムの中から,ブースト回帰ツリーは,MCSレベルの分類において99.97%の形式的精度を示した。この木の集合はブイと基地局のアップリンクデータから学習し,MCSレベルをチャネル計量と信号特性,特にSNRとBER制約を受ける信号特性に関連付ける。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： SN比 ,  *アルゴリズム ,  ネットワーク ,  海洋 ,  基地局 ,  信号特性 ,  *水中通信 ,  *機械学習 ,  ルールベース ,  *学習アルゴリズム
準シソーラス用語： ビット誤り率 ,  データレート ,  適応変調 ,  アップリンク ,  チャネル品質 , 【Automatic Indexing@JST】

分類 (3件)： 計測機器一般  (AD02000X) ,  音声処理  (JE05000E) ,  計算機網  (JC03000K)

タイトルに関連する用語 (4件)： 機械学習 ,  アルゴリズム ,  水中通信 ,  リンク適応