文献

J-GLOBAL ID：202202291500282445   整理番号：22A0787760

Meta学習ベースニューラルネットワークによる低複雑度適応ディジタル予歪【JST・京大機械翻訳】

Low-Complexity Adaptive Digital Pre-Distortion with Meta-Learning based Neural Networks

著者 (4件)： Falempin Alexis (Univ. Grenoble Alpes,CEA, Leti,Grenoble,France,F-38000) ,  Zayani Rafik (Univ. Grenoble Alpes,CEA, Leti,Grenoble,France,F-38000) ,  Dore Jean-Baptiste (Univ. Grenoble Alpes,CEA, Leti,Grenoble,France,F-38000) ,  Strinati Emilio Calvanese (Univ. Grenoble Alpes,CEA, Leti,Grenoble,France,F-38000)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： CCNC  ページ： 453  発行年： 2022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： 本論文では,無線通信システムにおける電力増幅に関連するエネルギー効率を高めるために,メタ学習ベースのニューラルネットワーク(NN)モデルを研究した。特に,ニューラルネットワークを用いて電力増幅器(PA)のためのディジタル予歪(DPD)を実行するために低複雑性適応解を導入した。そこで,少数のニューロンを用いて予歪関数を導出する専用NNアーキテクチャを設計した。さらに,古典的DPD方式と比較して,時変PA上でより良い一般化とより速い適応を可能にするメタ学習訓練アプローチを開発した。それにより,メタ学習に基づく適応ディジタル事前分散器を実現するための新しい方法を提案した。専用アーキテクチャは,低複雑性を実現することを可能にし,一方,メタラーニングは,少数のデータを用いてシステムにおけるほとんどのパラメータ変化に適応できる。シミュレーション結果を通して,このアプローチが訓練段階で3000IQシンボルだけを用いて異なるPAモデルに対して満足な性能を提供できるメタ訓練DPD関数を提供できることを示した。固定DPDアーキテクチャとは対照的に,著者らのメタ訓練DPDの性能は,オンラインキャリブレーションの間,ほんのわずかな勾配ステップと少数のサンプルを通して改善することができ,中程度の複雑性で優れた性能を達成した。Copyright 2022 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 ,  *学習 ,  ニューロン ,  *ニューラルネットワーク ,  電力増幅器 ,  ディジタル方式 ,  *予歪 ,  計算機アーキテクチャ ,  エネルギー効率
準シソーラス用語： メタ学習 ,  複雑性 ,  複雑度 ,  オンライン ,  低複雑性 ,  無線システム , 【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 (6件)： 学習 ,  ニューラルネットワーク ,  複雑度 ,  適応 ,  ディジタル ,  予歪