文献

J-GLOBAL ID：202002281939457352   整理番号：20A0915807

強化学習を用いたMIMO-OFDM検出器選択【JST・京大機械翻訳】

MIMO-OFDM Detector Selection using Reinforcement Learning

著者 (2件)： Kwon Hyukjoon (Samsung Semiconductor Inc,SoC Lab,San Diego,CA,92121) ,  Song Kee-Bong (Samsung Semiconductor Inc,SoC Lab,San Diego,CA,92121)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICNC  ページ： 347-352  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 5Gセルラシステムは,非常に高い日付レートに対する新しい要求に適合するために,より多くの資源要素(RE)を有するより広い帯域幅をサポートするために進化した。ベースバンドモデムは,RE当たりのより少ない計算複雑性を達成するために開発される必要がある。したがって,本論文は,その性能がそれらの複雑さに比例する複数の候補記号検出器の間で,最小複雑性多入力多出力(MIMO)記号検出器を選択する問題を扱う。この問題を,制約を持つMarkov決定過程として,輸送ブロック(TB)における各REに対するMIMO検出器の逐次決定に定式化した。各REにおける決定は,TBにおけるすべてのREを横切る和が最大化される複雑性スコアに変換され,一方,ブロック誤り率の大域的制約は,最も複雑な記号検出器,すなわち最大尤度(ML)に関して課される。強化学習を適用して,最先端の深いQ学習法を用いて,この選択問題を評価ベースのアプローチにより解いた。5G新しい無線リンクレベルシミュレータをQ値ネットワーク訓練プロセスと統合した。シミュレーション結果は,近最適性能がまだ達成できるが,少数のREはMLの検出器を採用し,ほとんどのREはより少ない複雑度検出器に好都合であることを示した。結果として,ユークリッド距離計算の量は無視できる性能ギャップで3倍以上低減された。これは,ベースバンドモデムが非常に簡素化され,より少ない電力消費で5Gサービスを達成することを保証することを意味する。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： シミュレーション ,  簡素化 ,  ネットワーク ,  電力消費 ,  最尤法 ,  変復調器 ,  計算量 ,  Q値 ,  帯域幅 ,  定式化 ,  ベースバンド ,  *強化学習
準シソーラス用語： *MIMO ,  Q学習 ,  Euclid距離 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 強化学習 ,  MIMO-OFDM ,  検出器