論文の概要: Predicting the Path Loss of Wireless Channel Models Using Machine
Learning Techniques in MmWave Urban Communications
- arxiv url: http://arxiv.org/abs/2005.00745v1
- Date: Sat, 2 May 2020 08:19:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 13:10:05.553475
- Title: Predicting the Path Loss of Wireless Channel Models Using Machine
Learning Techniques in MmWave Urban Communications
- Title（参考訳）: MmWave都市間通信における機械学習手法を用いた無線チャネルモデルの経路損失予測
- Authors: Saud Aldossari, Kwang-Cheng Chen
- Abstract要約: 従来の無線通信チャネルモデリングは、決定論的およびチャネル手法を用いて行われる。
機械学習(ML)は、5G以降のシステム設計に革命をもたらす。
- 参考スコア（独自算出の注目度）: 13.026091318474785
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The classic wireless communication channel modeling is performed using
Deterministic and Stochastic channel methodologies. Machine learning (ML)
emerges to revolutionize system design for 5G and beyond. ML techniques such as
supervise leaning methods will be used to predict the wireless channel path
loss of a variate of environments base on a certain dataset. The propagation
signal of communication systems fundamentals is focusing on channel modeling
particularly for new frequency bands such as MmWave. Machine learning can
facilitate rapid channel modeling for 5G and beyond wireless communication
systems due to the availability of partially relevant channel measurement data
and model. When irregularity of the wireless channels lead to a complex
methodology to achieve accurate models, appropriate machine learning
methodology explores to reduce the complexity and increase the accuracy. In
this paper, we demonstrate alternative procedures beyond traditional channel
modeling to enhance the path loss models using machine learning techniques, to
alleviate the dilemma of channel complexity and time-consuming process that the
measurements were taken. This demonstrated regression uses the measurement data
of a certain scenario to successfully assist the prediction of path loss model
of a different operating environment.
- Abstract（参考訳）: 従来の無線通信チャネルモデリングは、決定論的および確率的チャネル手法を用いて行われる。
機械学習(ML)は、5G以降のシステム設計に革命をもたらす。
傾きを監督する手法のようなML手法は、特定のデータセットに基づいて環境変動の無線チャネルパス損失を予測するために使用される。
通信システムの伝搬信号の基本は、特にmm波などの新しい周波数帯域のチャネルモデリングに焦点を当てている。
機械学習は、部分的に関連するチャネル計測データとモデルが利用できるため、5g以上の無線通信システムの高速チャネルモデリングを促進することができる。
無線チャネルの不規則性が正確なモデルを達成するための複雑な方法論につながる場合、適切な機械学習手法は複雑さを減らし、精度を高める。
本稿では,従来のチャネルモデリング以外の方法で,機械学習技術を用いて経路損失モデルを強化し,チャネルの複雑さのジレンマを緩和し,測定に要する時間を短縮する手法について述べる。
この実証された回帰は、あるシナリオの測定データを使用して、異なる動作環境の経路損失モデルの予測をうまく支援する。
関連論文リスト
- Modeling of Time-varying Wireless Communication Channel with Fading and Shadowing [0.0]
本稿では,ディープラーニングニューラルネットワークと混合密度ネットワークモデルを組み合わせて,受信電力の条件付き確率密度関数を導出する手法を提案する。
経路損失とノイズを伴う中上フェーディングチャネルモデルと対数正規シャドーイングチャネルモデルの実験により、新しいアプローチは従来のディープラーニングベースチャネルモデルよりも統計的に正確で、高速で、より堅牢であることが示された。
論文 参考訳（メタデータ） (2024-05-13T21:30:50Z) - An Efficient Machine Learning-based Channel Prediction Technique for
OFDM Sub-Bands [0.0]
我々はOFDMサブバンドにおけるチャネル予測のための効率的な機械学習(ML)に基づく手法を提案する。
提案手法の新規性は、選択的なフェーディングにおける将来のチャネル挙動を推定するために使用されるチャネルフェーディングサンプルのトレーニングにある。
論文 参考訳（メタデータ） (2023-05-31T09:41:27Z) - 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) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳（メタデータ） (2022-05-02T12:23:55Z) - 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) - Deep Learning-based Beam Tracking for Millimeter-wave Communications
under Mobility [27.62606029014951]
ミリ波(mm波)通信の深層学習に基づくビーム追跡手法を提案する。
深層ニューラルネットワークを用いて,慣性センサによって取得された時間変動チャネルと信号の時間構造とパターンを分析した。
提案手法は, 様々な移動シナリオにおいて, 従来のビーム追従法に比べて有意な性能向上を達成した。
論文 参考訳（メタデータ） (2021-02-19T08:05:11Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Communication-Efficient and Distributed Learning Over Wireless Networks:
Principles and Applications [55.65768284748698]
機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。
本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
論文 参考訳（メタデータ） (2020-08-06T12:37:14Z) - Acquisition of Channel State Information for mmWave Massive MIMO:
Traditional and Machine Learning-based Approaches [48.52099617055683]
チャネル状態情報(CSI)の取得精度はミリ波通信の性能に直接影響を与える。
本稿では,ミリ波マルチインプットマルチアウトプットシステムのビームトレーニングとチャネル推定を含む,CSIの買収の概要について述べる。
論文 参考訳（メタデータ） (2020-06-16T03:11:51Z) - 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。