論文の概要: Deep Learning-Based Synchronization for Uplink NB-IoT
- arxiv url: http://arxiv.org/abs/2205.10805v1
- Date: Sun, 22 May 2022 12:16:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-24 20:15:06.624016
- Title: Deep Learning-Based Synchronization for Uplink NB-IoT
- Title（参考訳）: 深層学習に基づくアップリンクNB-IoTの同期
- Authors: Fay\c{c}al A\"it Aoudia and Jakob Hoydis and Sebastian Cammerer and
Matthijs Van Keirsbilck and Alexander Keller
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 72.86843435313048
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a neural network (NN)-based algorithm for device detection and
time of arrival (ToA) and carrier frequency offset (CFO) estimation for the
narrowband physical random-access channel (NPRACH) of narrowband internet of
things (NB-IoT). The introduced NN architecture leverages residual
convolutional networks as well as knowledge of the preamble structure of the 5G
New Radio (5G NR) specifications. Benchmarking on a 3rd Generation Partnership
Project (3GPP) urban microcell (UMi) channel model with random drops of users
against a state-of-the-art baseline shows that the proposed method enables up
to 8 dB gains in false negative rate (FNR) as well as significant gains in
false positive rate (FPR) and ToA and CFO estimation accuracy. Moreover, our
simulations indicate that the proposed algorithm enables gains over a wide
range of channel conditions, CFOs, and transmission probabilities. The
introduced synchronization method operates at the base station (BS) and,
therefore, introduces no additional complexity on the user devices. It could
lead to an extension of battery lifetime by reducing the preamble length or the
transmit power.
- Abstract（参考訳）: 狭帯域モノのインターネット(NB-IoT)の狭帯域物理ランダムアクセスチャネル(NPRACH)に対するデバイス検出と到着時刻(ToA)とキャリア周波数オフセット(CFO)推定のためのニューラルネットワーク(NN)ベースの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。
第3世代パートナーシッププロジェクト(3GPP)の都市マイクロセル(UMi)チャネルモデルと、最先端のベースラインに対してランダムにユーザを落としてベンチマークした結果、提案手法は偽陰性率(FNR)の最大8dBゲインと、偽陽性率(FPR)とToAおよびCFO推定精度の大幅な向上を可能にした。
さらに,提案アルゴリズムは,チャネル条件,CFO,送信確率の広い範囲での利得を可能にすることを示す。
導入された同期方式は基地局(BS)で動作し、ユーザデバイスに付加的な複雑さを導入することはない。
これは、プリアンブルの長さや送信電力を減らすことでバッテリー寿命を延ばす可能性がある。
関連論文リスト
- Satellite Federated Edge Learning: Architecture Design and Convergence Analysis [47.057886812985984]
本稿では,FEDMEGAという新しいFEELアルゴリズムを提案する。
軌道内モデルアグリゲーションのための衛星間リンク(ISL)を統合することにより、提案アルゴリズムは低データレートと断続的なGSLの使用を著しく削減する。
提案手法は,環全リデューサに基づく軌道内アグリゲーション機構と,グローバルモデルアグリゲーションのためのネットワークフローベースのトランスミッションスキームを組み合わせたものである。
論文 参考訳（メタデータ） (2024-04-02T11:59:58Z) - 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) - Properties and Potential Applications of Random Functional-Linked Types
of Neural Networks [81.56822938033119]
ランダム関数リンクニューラルネットワーク(RFLNN)は、深い構造を学習する別の方法を提供する。
本稿では周波数領域の観点からRFLNNの特性について考察する。
本稿では,より優れた性能でBLSネットワークを生成する手法を提案し,ポゾン方程式を解くための効率的なアルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-04-03T13:25:22Z) - PRONTO: Preamble Overhead Reduction with Neural Networks for Coarse
Synchronization [1.242591017155152]
IEEE 802.11 WiFi ベースの波形では、レシーバはレガシショートトレーニングフィールド (L-STF) として知られるプリアンブルの第1フィールドを用いて粗い時間と周波数同期を行う。
通信オーバヘッドを低減することを目的として,L-STFを除去してプリアンブル長を小さくする修正波形を提案する。
この修正波形をデコードするために、粗い時間と周波数推定を行うPRONTOと呼ばれる機械学習(ML)ベースのスキームを提案する。
論文 参考訳（メタデータ） (2021-12-20T22:18:28Z) - 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) - 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) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳（メタデータ） (2021-06-02T07:36:27Z) - Two-step Machine Learning Approach for Channel Estimation with Mixed
Resolution RF Chains [19.0581196881206]
機械学習(ML)アルゴリズムを適用し,効率的なアップリンクチャネル推定手法を提案する。
第1ステップでは、条件付き生成逆転ネットワーク(cGAN)は、フル解像度RFチェーンの限られたセットから低解像度RFチェーンアンテナ要素の残りの部分まで、無線チャネルを予測します。
長期長期メモリ(LSTM)ニューラルネットワークは、低分解能RFチェーンアンテナ要素からさらなる位相情報を抽出します。
論文 参考訳（メタデータ） (2021-01-24T12:33:54Z)
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。