Fugu-MT 論文翻訳(概要): Machine Learning Based Channel Modeling for Vehicular Visible Light Communication

論文の概要: Machine Learning Based Channel Modeling for Vehicular Visible Light Communication

arxiv url: http://arxiv.org/abs/2002.03774v1
Date: Mon, 3 Feb 2020 12:38:57 GMT
ステータス: 処理完了
システム内更新日: 2023-01-04 08:47:56.703298
Title: Machine Learning Based Channel Modeling for Vehicular Visible Light Communication
Title（参考訳）: 車両可視光通信のための機械学習によるチャネルモデリング
Authors: Bugra Turan and Sinem Coleri
Abstract要約: 現在の光無線通信(OWC)の伝搬チャネル特性は、VVLC(Vehicular Visible Light Communication)システムの設計と性能解析において重要な役割を果たしている。決定論的合成および移動誘導法に基づく現在のOWCチャネルモデルでは、チャネル特性に対する環境光、光乱流、路面反射の影響に対処できない。環境光, 光乱流, 路面反射効果および車間距離, 形状を考慮した機械学習手法を提案し, 正確なVVLCチャネル損失とチャネル周波数応答(CFR)を求める。
参考スコア（独自算出の注目度）: 7.716156977428555
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Optical Wireless Communication (OWC) propagation channel characterization plays a key role on the design and performance analysis of Vehicular Visible Light Communication (VVLC) systems. Current OWC channel models based on deterministic and stochastic methods, fail to address mobility induced ambient light, optical turbulence and road reflection effects on channel characterization. Therefore, alternative machine learning (ML) based schemes, considering ambient light, optical turbulence, road reflection effects in addition to intervehicular distance and geometry, are proposed to obtain accurate VVLC channel loss and channel frequency response (CFR). This work demonstrates synthesis of ML based VVLC channel model frameworks through multi layer perceptron feed-forward neural network (MLP), radial basis function neural network (RBF-NN) and Random Forest ensemble learning algorithms. Predictor and response variables, collected through practical road measurements, are employed to train and validate proposed models for various conditions. Additionally, the importance of different predictor variables on channel loss and CFR is assessed, normalized importance of features for measured VVLC channel is introduced. We show that RBF-NN, Random Forest and MLP based models yield more accurate channel loss estimations with 3.53 dB, 3.81 dB, 3.95 dB root mean square error (RMSE), respectively, when compared to fitting curve based VVLC channel model with 7 dB RMSE. Moreover, RBF-NN and MLP models are demonstrated to predict VVLC CFR with respect to distance, ambient light and receiver inclination angle predictor variables with 3.78 dB and 3.60 dB RMSE respectively.
Abstract（参考訳）: 光無線通信(owc)伝搬チャネル特性は、車両可視光通信(vvlc)システムの設計と性能解析において重要な役割を果たす。決定論的および確率的手法に基づく現在のOWCチャネルモデルでは、移動性誘導環境光、光乱流、路面反射の影響に対応できない。そこで,環境光,光乱流,路面反射効果に加えて,車間距離や形状を考慮した代替機械学習(ml)方式を提案し,高精度なvvlcチャネル損失とチャネル周波数応答(cfr)を得る。この研究は、マルチ層パーセプトロンフィードフォワードニューラルネットワーク(MLP)、ラジアル基底関数ニューラルネットワーク(RBF-NN)、ランダムフォレストアンサンブル学習アルゴリズムによるMLベースのVVLCチャネルモデルフレームワークの合成を実証する。実際の道路計測によって収集された予測器と応答変数は、様々な条件で提案されたモデルの訓練と検証に使用される。また、チャネル損失とcfrにおける異なる予測変数の重要性を評価し、測定されたvvlcチャネルの特徴の正規化の重要性について述べる。 RBF-NN, Random Forest および MLP に基づくモデルでは, 3.53 dB, 3.81 dB, 3.95 dB のルート平均二乗誤差 (RMSE) を, 7 dB RMSE の適合曲線に基づく VVLC チャネルモデルと比較すると, より正確なチャネル損失推定が可能である。さらに、RBF-NNとMLPモデルは、それぞれ3.78dBと3.60dBのRMSEを持つ距離、周囲光、受信傾斜角予測変数に関してVVLC CFRを予測する。

関連論文リスト

How Critical is Site-Specific RAN Optimization? 5G Open-RAN Uplink Air Interface Performance Test and Optimization from Macro-Cell CIR Data [0.6753334733130354]
我々は,特定の地点からのチャネル計測データの重要性と,その空気界面の最適化と試験への影響を考察する。我々は, NR PUSCHアップリンクシミュレーションにOmniPHY-5Gニューラルレシーバを利用する。提案手法は、事前学習と比較して1.85dBの低信号-雑音比(SNR)で10%のブロック誤り率(BLER)を達成する。
論文参考訳（メタデータ） (2024-10-25T13:57:48Z)
Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
論文参考訳（メタデータ） (2023-11-30T13:50:21Z)
Channel Estimation for Underwater Visible Light Communication: A Sparse Learning Perspective [1.7830921962643287]
本稿では,スパース学習に基づく水中可視光チャネル推定(SL-UVCE)手法を提案する。具体的には、近似メッセージパッシング(AMP)の古典的反復スパース回復アルゴリズムを模倣したディープアンフォールディングニューラルネットワークを用いる。提案手法は,既存の非CS方式やCS方式と比較して,チャネル推定における精度の向上を示す。
論文参考訳（メタデータ） (2023-03-13T16:22:16Z)
Over-the-Air Design of GAN Training for mmWave MIMO Channel Estimation [35.62977046569772]
我々は,ノイズを受信したパイロット測度を利用して深層生成モデルの訓練を行う,教師なしオーバー・ザ・エア(OTA)アルゴリズムを開発した。次に、逆問題として、限られた数のパイロット測定値からチャネル推定を定式化する。提案するフレームワークは,実雑音のパイロット測定を用いてオンライントレーニングを行うことが可能である。
論文参考訳（メタデータ） (2022-05-25T02:26:34Z)
Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文参考訳（メタデータ） (2022-05-22T12:16:43Z)
Blind Equalization and Channel Estimation in Coherent Optical Communications Using Variational Autoencoders [1.7188280334580193]
光通信におけるキャリア回復のための変分推論に基づく適応型ブラインド等化器の可能性について検討する。変分オートエンコーダ(VAE)等化器の概念を高次変調形式に一般化する。
論文参考訳（メタデータ） (2022-04-25T16:46:03Z)
Neural Calibration for Scalable Beamforming in FDD Massive MIMO with Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文参考訳（メタデータ） (2021-08-03T14:26:14Z)
Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文参考訳（メタデータ） (2021-07-27T06:57:56Z)
Model-Driven Deep Learning Based Channel Estimation and Feedback for Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。 MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-04-22T13:34:53Z)
Millimeter Wave Communications with an Intelligent Reflector: Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
論文参考訳（メタデータ） (2020-02-24T22:18:54Z)
Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文参考訳（メタデータ） (2020-02-14T06:58:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。