抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
本論文は,チャネル観測からの深い学習による時間にわたる無線チャネル変動を,基礎となるチャネル動力学の知識なしに予測することを目的とした。次世代広帯域セルシステムにおいて,より高いデータ速度のためのマルチキャリア伝送は,高分解能予測問題に導いた。高解像度画像処理における深層学習の最近の進歩をレバーすることにより,広帯域無線チャネルの高分解能時間発展を予測する純粋データ駆動深層学習(DL)手法を提案した。建築設計選択の影響を調べるために,UNetを用いた3つの深層学習予測モデル,すなわち,ベースライン,画像完成,および次のフレーム予測モデルを開発し,研究した。数値結果は,提案したDL手法が平均絶対誤差におけるKalmanフィルタ(KF)に基づく従来の手法よりも52%低い予測誤差を達成することを示した。チャネルエージングと予符号化性能に対する予測の影響を定量化するために,完全CSIと比較して,外部と予測チャネル状態情報(CSI)による性能劣化も評価した。著者らのシミュレーションは,提案したDLアプローチが,無線チャネルの変化に予符号化ベクトルを適応させることを通して,チャネルエージングによる性能損失を71%減らすことができ,一方,従来のKF手法は27%の低減しか示さないことを示した。【JST・京大機械翻訳】