論文の概要: A Machine Learning Based Algorithm for Joint Improvement of Power
Control, link adaptation, and Capacity in Beyond 5G Communication systems
- arxiv url: http://arxiv.org/abs/2201.07090v1
- Date: Sat, 8 Jan 2022 18:12:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-23 20:45:16.765336
- Title: A Machine Learning Based Algorithm for Joint Improvement of Power
Control, link adaptation, and Capacity in Beyond 5G Communication systems
- Title（参考訳）: beyond 5g通信システムにおける電力制御, リンク適応, キャパシティの共同改善のための機械学習に基づくアルゴリズム
- Authors: Jafar Norolahi, Paeiz Azmi
- Abstract要約: 本稿では,5世代以上の無線通信システムの性能向上を目的とした,機械学習に基づく新しいアルゴリズムを提案する。
提案アルゴリズムは,eNodeB接続の総消費電力を削減し,合計容量を増大させる。
- 参考スコア（独自算出の注目度）: 4.649999862713524
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this study, we propose a novel machine learning based algorithm to improve
the performance of beyond 5 generation (B5G) wireless communication system that
is assisted by Orthogonal Frequency Division Multiplexing (OFDM) and
Non-Orthogonal Multiple Access (NOMA) techniques. The non-linear soft margin
support vector machine (SVM) problem is used to provide an automatic modulation
classifier (AMC) and a signal power to noise and interference ratio (SINR)
estimator. The estimation results of AMC and SINR are used to reassign the
modulation type, codding rate, and transmit power through frames of eNode B
connections. The AMC success rate versus SINR, total power consuming, and sum
capacity are evaluated for OFDM-NOMA assisted 5G system. Results show
improvement of success rate compared of some published method. Furthermore, the
algorithm directly computes SINR after signal is detected by successive
interference cancellation (SIC) and before any signal decoding. Moreover,
because of the direct sense of physical channel, the presented algorithm can
discount occupied symbols (overhead signaling) for channel quality information
(CQI) in network communication signaling. The results also prove that the
proposed algorithm reduces the total power consumption and increases the sum
capacity through the eNode B connections. Simulation results in compare to
other algorithms show more successful AMC, efficient SINR estimator, easier
practical implantation, less overhead signaling, less power consumption, and
more capacity achievement.
- Abstract（参考訳）: 本研究では、直交周波数分割多重化(OFDM)および非直交多重アクセス(NOMA)技術によって支援された、5世代(B5G)無線通信システムの性能を向上させるための機械学習に基づく新しいアルゴリズムを提案する。
非線形ソフトマージン支持ベクターマシン(svm)の問題を用いて、自動変調分類器(amc)と信号パワー to noise and interference ratio(sinr)推定器を提供する。
AMCとSINRの推定結果は、変調タイプ、コディングレートを再割り当てし、eNodeB接続のフレームを介して電力を送信するために使用される。
ofdm-noma支援5gシステムにおいて、amc成功率とsinr、総消費電力、合計容量を評価した。
その結果,いくつかの手法と比較して成功率の向上が見られた。
さらに、逐次干渉キャンセル(sic)により信号が検出された後、信号復号の前にsinrを直接計算する。
さらに、物理チャネルの直接感覚により、提案アルゴリズムは、ネットワーク通信信号におけるチャネル品質情報(CQI)の占有シンボル(オーバヘッドシグナリング)を割引することができる。
また,提案アルゴリズムは電力消費量を削減し,eNodeB接続による総和容量を増大させることを示した。
シミュレーションの結果、他のアルゴリズムと比較して、より成功したamc、効率的なsinr推定器、より実用的なインプラント、オーバーヘッド信号の低減、消費電力の削減、容量達成率の向上が示されている。
関連論文リスト
- Power-Efficient Indoor Localization Using Adaptive Channel-aware
Ultra-wideband DL-TDOA [7.306334571814026]
本稿では,低消費電力チャネル対応動的周波数DL-TDOAレンジリングアルゴリズムの提案と実装を行う。
畳み込みニューラルネットワーク(CNN)、ダイナミックレンジング周波数制御モジュール、IMUセンサベースのレンジングフィルタに基づくNLOS確率予測器を備える。
論文 参考訳（メタデータ） (2024-02-16T09:04:04Z) - High Efficiency Inference Accelerating Algorithm for NOMA-based Mobile
Edge Computing [23.88527790721402]
デバイス、エッジサーバ、クラウド間の推論モデルを分割することで、EIの性能を大幅に向上させることができる。
B5G/6Gのキーとなる技術であるNOMAは、膨大な接続と高スペクトル効率を実現することができる。
本稿では,エッジでのモデル推論を高速化する効果的な通信資源割当アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-12-26T02:05:52Z) - Joint Channel Estimation and Feedback with Masked Token Transformers in
Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。
エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。
提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文 参考訳（メタデータ） (2023-06-08T06:15:17Z) - Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning
Approach [66.53364438507208]
アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。
非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。
ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。
増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-11T13:16:28Z) - AMC-Net: An Effective Network for Automatic Modulation Classification [22.871024969842335]
本稿では,マルチスケールかつ効率的な特徴抽出を行いながら,周波数領域の入力信号をノイズ化することで認識を改善する新しいAMC-Netを提案する。
2つの代表的なデータセットの実験により、我々のモデルは、現在の方法よりも効率と効率が良いことを示した。
論文 参考訳（メタデータ） (2023-04-02T04:26:30Z) - 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) - 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) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Waveform Learning for Next-Generation Wireless Communication Systems [16.26230847183709]
本稿では,送信受信フィルタ,星座形状,それに付随するビットラベリング,およびニューラルネットワーク(NN)ベースの検出器の結合設計のための学習に基づく手法を提案する。
この方法は、隣接するチャネルリーク比(ACLR)とピーク・ツー・アベイジ・パワー比(PAPR)の制約を同時に満たしつつ、達成可能な情報レートを最大化する。
論文 参考訳（メタデータ） (2021-09-02T14:51:16Z) - Reinforcement Learning Assisted Beamforming for Inter-cell Interference
Mitigation in 5G Massive MIMO Networks [0.0]
ビームフォーミングは、MMIMO(Multiple-input-multiple-output)通信において重要な技術である。
細胞間干渉(ICI)は、周波数再利用技術による5G通信が直面する主な障害の1つである。
5GダウンリンクにおけるICI緩和のための強化学習(RL)支援フルダイナミックビームフォーミングを提案する。
論文 参考訳（メタデータ） (2021-01-27T07:18:07Z) - Power Control for a URLLC-enabled UAV system incorporated with DNN-Based
Channel Estimation [82.16169603954663]
この手紙は、ディープニューラルネットワーク(DNN)に基づくチャネル推定を組み込んだ超信頼性低遅延通信(URLLC)有効無人航空機(UAV)システムの電力制御に関するものである。
論文 参考訳（メタデータ） (2020-11-14T02:31:04Z)
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。