無線動力学のための深層学習【JST・京大機械翻訳】

Lee Heunchul; Jeong Jaeseong; Wang Zhao

プレプリント

J-GLOBAL ID：202202209075832118 整理番号：22P0302524

無線動力学のための深層学習【JST・京大機械翻訳】

Deep Learning for Wireless Dynamics

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年03月11日プレプリントサーバーでの情報更新日： 2022年03月11日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

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】

, , , , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

人工知能 , 図形・画像処理一般

, ,

前のページに戻る