論文の概要: Machine Learning Decoder for 5G NR PUCCH Format 0
- arxiv url: http://arxiv.org/abs/2209.07861v1
- Date: Fri, 26 Aug 2022 13:34:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 18:01:52.620741
- Title: Machine Learning Decoder for 5G NR PUCCH Format 0
- Title（参考訳）: 5G NR PUCCH フォーマット0の機械学習デコーダ
- Authors: Anil Kumar Yerrapragada, Jeeva Keshav S, Ankit Gautam, Radha Krishna
Ganti
- Abstract要約: 本稿では,物理アップリンク制御チャネルフォーマット0の復号性能向上のために,機械学習技術を用いた最初の試みを行う。
我々は、完全に接続されたニューラルネットワークを使用して、その中に埋め込まれたアップリンク制御情報コンテンツに基づいて、受信したサンプルを分類する。
トレーニングされたニューラルネットワークは、リアルタイムなワイヤレスキャプチャでテストされ、SNRが低い場合でも、従来のDFTベースのデコーダよりも精度が大幅に向上した。
- 参考スコア（独自算出の注目度）: 2.714583452862023
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 5G cellular systems depend on the timely exchange of feedback control
information between the user equipment and the base station. Proper decoding of
this control information is necessary to set up and sustain high throughput
radio links. This paper makes the first attempt at using Machine Learning
techniques to improve the decoding performance of the Physical Uplink Control
Channel Format 0. We use fully connected neural networks to classify the
received samples based on the uplink control information content embedded
within them. The trained neural network, tested on real-time wireless captures,
shows significant improvement in accuracy over conventional DFT-based decoders,
even at low SNR. The obtained accuracy results also demonstrate conformance
with 3GPP requirements.
- Abstract（参考訳）: 5Gセルシステムは,ユーザ機器と基地局間のフィードバック制御情報のタイムリーな交換に依存している。
この制御情報の適切な復号化は、高スループット無線リンクの設定と維持に必要である。
本稿では,物理アップリンク制御チャネルフォーマット0の復号性能向上のために,機械学習技術を用いた最初の試みを行う。
完全に接続されたニューラルネットワークを用いて,受信したサンプルを,その内部に埋め込まれたアップリンク制御情報に基づいて分類する。
トレーニングされたニューラルネットワークは、リアルタイムなワイヤレスキャプチャでテストされ、従来のDFTベースのデコーダよりも、低SNRでも精度が大幅に向上した。
得られた精度は, 3GPP要求値と一致した。
関連論文リスト
- 5G NR PRACH Detection with Convolutional Neural Networks (CNN): Overcoming Cell Interference Challenges [0.0]
畳み込みニューラルネットワーク(CNN)を用いた5Gニューラジオ(5G-NR)ネットワークにおける干渉検出の新しい手法を提案する。
我々のCNNベースのモデルは、様々な干渉シナリオの中で物理ランダムアクセスチャンネル(PRACH)のシーケンスを検出するように設計されている。
実験の結果,従来のPRACH検出手法よりも精度,精度,リコール,F1スコアが優れていた。
論文 参考訳（メタデータ） (2024-08-21T14:33:43Z) - Exploring the Dynamics of Data Transmission in 5G Networks: A Conceptual Analysis [1.3351610617039973]
この概念解析は,5Gネットワークにおけるデータ伝送のダイナミクスを考察する。
遠隔操作のフェリーに搭載されたカメラやLiDARから陸地管理センターにデータを送信するさまざまな側面に対処する。
論文 参考訳（メタデータ） (2024-04-25T11:02:54Z) - UCINet0: A Machine Learning based Receiver for 5G NR PUCCH Format 0 [0.6226609932118122]
本稿では,PUCCH Format 0に対するAI/MLベースの受信機設計について検討する。
UCINet0と呼ばれるニューラルネットワークは、ユーザがPUCCHで送信していないことを予測できる。
シミュレーションおよびハードウェアキャプチャフィールドデータセットによる推論結果から、UCINet0モデルは従来のDFTベースのデコーダを全SNR範囲で上回ることを示す。
論文 参考訳（メタデータ） (2024-03-10T09:56:02Z) - Agile gesture recognition for capacitive sensing devices: adapting
on-the-job [55.40855017016652]
本システムでは, コンデンサセンサからの信号を手の動き認識器に組み込んだ手動作認識システムを提案する。
コントローラは、着用者5本の指それぞれからリアルタイム信号を生成する。
機械学習技術を用いて時系列信号を解析し,500ms以内で5本の指を表現できる3つの特徴を同定する。
論文 参考訳（メタデータ） (2023-05-12T17:24:02Z) - Channelformer: Attention based Neural Solution for Wireless Channel
Estimation and Effective Online Training [1.0499453838486013]
本稿では,改良されたチャネル推定を実現するために,エンコーダ・デコーダニューラルアーキテクチャ(Channelformer)を提案する。
我々は,復号器として,エンコーダと残差畳み込みニューラルアーキテクチャに多面的注意を払っている。
また,現代通信システムにおける第5世代(5G)新しい無線(NR)構成に基づく効果的なオンライントレーニング手法を提案する。
論文 参考訳（メタデータ） (2023-02-08T23:18:23Z) - A Scalable Graph Neural Network Decoder for Short Block Codes [49.25571364253986]
エッジ重み付きグラフニューラルネットワーク(EW-GNN)に基づく短絡符号の復号化アルゴリズムを提案する。
EW-GNNデコーダは、繰り返しメッセージパッシング構造を持つタナーグラフで動作する。
EW-GNNデコーダは,復号誤り率の観点から,BP法および深層学習に基づくBP法より優れていることを示す。
論文 参考訳（メタデータ） (2022-11-13T17:13:12Z) - Streaming Audio-Visual Speech Recognition with Alignment Regularization [69.30185151873707]
本稿では,ハイブリッド接続型時間分類(CTC)/アテンションニューラルネットワークアーキテクチャに基づくストリーミングAV-ASRシステムを提案する。
提案したAV-ASRモデルは、オフラインおよびオンライン設定でLip Reading Sentences 3データセット上で、WERの2.0%と2.6%を達成する。
論文 参考訳（メタデータ） (2022-11-03T20:20:47Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - Graph Neural Networks for Channel Decoding [71.15576353630667]
低密度パリティチェック(LDPC)やBCH符号など、様々な符号化方式の競合復号性能を示す。
ニューラルネットワーク(NN)は、与えられたグラフ上で一般化されたメッセージパッシングアルゴリズムを学習する。
提案するデコーダを,従来のチャネル復号法および最近のディープラーニングに基づく結果と比較した。
論文 参考訳（メタデータ） (2022-07-29T15:29:18Z) - 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) - Deep neural network goes lighter: A case study of deep compression
techniques on automatic RF modulation recognition for Beyond 5G networks [34.71271274267469]
このレターは、自動RF変調認識のための最先端の深部圧縮・加速技術について、詳細なビューを提供する。
軽量ニューラルネットワークは、リソース制約のあるプラットフォーム上でエッジ計算能力を維持するための鍵である。
論文 参考訳（メタデータ） (2022-04-09T04:51:26Z)
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。