Fugu-MT 論文翻訳(概要): A Big Data Enabled Channel Model for 5G Wireless Communication Systems

論文の概要: A Big Data Enabled Channel Model for 5G Wireless Communication Systems

arxiv url: http://arxiv.org/abs/2002.12561v1
Date: Fri, 28 Feb 2020 05:56:14 GMT
ステータス: 処理完了
システム内更新日: 2022-12-28 02:56:29.088292
Title: A Big Data Enabled Channel Model for 5G Wireless Communication Systems
Title（参考訳）: 5g無線通信システムのためのビッグデータ有効チャネルモデル
Authors: Jie Huang, Cheng-Xiang Wang, Lu Bai, Jian Sun, Yang Yang, Jie Li, Olav Tirkkonen, and Ming-Tuo Zhou
Abstract要約: 本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
参考スコア（独自算出の注目度）: 71.93009775340234
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The standardization process of the fifth generation (5G) wireless communications has recently been accelerated and the first commercial 5G services would be provided as early as in 2018. The increasing of enormous smartphones, new complex scenarios, large frequency bands, massive antenna elements, and dense small cells will generate big datasets and bring 5G communications to the era of big data. This paper investigates various applications of big data analytics, especially machine learning algorithms in wireless communications and channel modeling. We propose a big data and machine learning enabled wireless channel model framework. The proposed channel model is based on artificial neural networks (ANNs), including feed-forward neural network (FNN) and radial basis function neural network (RBF-NN). The input parameters are transmitter (Tx) and receiver (Rx) coordinates, Tx-Rx distance, and carrier frequency, while the output parameters are channel statistical properties, including the received power, root mean square (RMS) delay spread (DS), and RMS angle spreads (ASs). Datasets used to train and test the ANNs are collected from both real channel measurements and a geometry based stochastic model (GBSM). Simulation results show good performance and indicate that machine learning algorithms can be powerful analytical tools for future measurement-based wireless channel modeling.
Abstract（参考訳）: 第5世代(5G)無線通信の標準化プロセスは最近加速しており、2018年には最初の商用5Gサービスが提供される予定である。巨大なスマートフォンの増加、新しい複雑なシナリオ、大きな周波数帯、巨大なアンテナ要素、密集した小さなセルは、ビッグデータを生成し、ビッグデータの時代に5g通信をもたらす。本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。本稿では,ビッグデータと機械学習による無線チャネルモデルフレームワークを提案する。提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工知能ニューラルネットワーク(ANN)に基づいている。入力パラメータは送信機(Tx)と受信機(Rx)座標、Tx-Rx距離、キャリア周波数であり、出力パラメータは受信電力、ルート平均平方(RMS)遅延拡散(DS)、RMS角度拡散(AS)を含むチャネル統計特性である。実チャネル計測と幾何に基づく確率モデル(GBSM)の両方から、ANNのトレーニングとテストに使用されるデータセットを収集する。シミュレーションの結果,機械学習アルゴリズムが将来の計測に基づく無線チャネルモデリングの強力な解析ツールになり得ることを示す。

関連論文リスト

Generative AI for Data Augmentation in Wireless Networks: Analysis, Applications, and Case Study [59.780800481241066]
Generative Artificial Intelligence (GenAI) は、無線データ拡張の効果的な代替手段である。本稿では、無線ネットワークにおけるGenAI駆動型データ拡張の可能性と有効性について考察する。本稿では,Wi-Fiジェスチャー認識のための一般化拡散モデルに基づくデータ拡張フレームワークを提案する。
論文参考訳（メタデータ） (2024-11-13T05:15:25Z)
Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文参考訳（メタデータ） (2024-11-07T14:08:35Z)
Generating High Dimensional User-Specific Wireless Channels using Diffusion Models [28.270917362301972]
本稿では拡散モデルを用いて合成無線チャネルデータを生成する新しい手法を提案する。我々は、ユーザ位置を条件入力として合成された高忠実度チャネルサンプルを生成し、測定不足を克服するために、より大きな拡張データセットを作成する。
論文参考訳（メタデータ） (2024-09-05T22:08:28Z)
Large Scale Radio Frequency Signal Classification [0.0]
53種類の信号から合成した500万個のサンプルからなるSig53データセットについて紹介する。また、このデータセットを生成するのに使える信号処理機械学習ツールキットであるTorchSigを紹介します。
論文参考訳（メタデータ） (2022-07-20T14:03:57Z)
Multi-task Learning Approach for Modulation and Wireless Signal Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
論文参考訳（メタデータ） (2022-02-26T14:51:02Z)
Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文参考訳（メタデータ） (2021-11-23T22:25:10Z)
ChaRRNets: Channel Robust Representation Networks for RF Fingerprinting [0.0]
RFフィンガープリントのための複雑値畳み込みニューラルネットワーク(CNN)を提案する。我々は,深層学習(dl)技術を用いた無線iotデバイスの指紋認証の問題に注目する。
論文参考訳（メタデータ） (2021-05-08T03:03:21Z)
Wireless Sensing With Deep Spectrogram Network and Primitive Based Autoregressive Hybrid Channel Model [20.670058030653458]
無線センシングに基づくヒューマンモーション認識(hmr)は,シーン理解のための低コスト手法である。現在のHMRシステムは、レーダー信号を分類するためにサポートベクターマシン(SVM)と畳み込みニューラルネットワーク(CNN)を採用している。本稿では,残差マッピング技術を利用してHMR性能を向上させるディープ・スペクトログラム・ネットワーク(DSN)を提案する。
論文参考訳（メタデータ） (2021-04-21T06:33:01Z)
Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文参考訳（メタデータ） (2020-02-22T14:38:11Z)
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。