Fugu-MT 論文翻訳(概要): Predicting Wireless Channel Quality by means of Moving Averages and Regression Models

論文の概要: Predicting Wireless Channel Quality by means of Moving Averages and Regression Models

arxiv url: http://arxiv.org/abs/2306.08634v1
Date: Wed, 14 Jun 2023 16:55:24 GMT
ステータス: 処理完了
システム内更新日: 2023-06-16 17:58:20.367184
Title: Predicting Wireless Channel Quality by means of Moving Averages and Regression Models
Title（参考訳）: 移動平均と回帰モデルによる無線チャネルの品質予測
Authors: Gabriele Formis, Stefano Scanzio, Gianluca Cena, Adriano Valenzano
Abstract要約: チャネルの振る舞いがどれほど変化するかを事前に知ることで、最適なチャネルを適応的に選択するための手順を高速化することができる。異なる手法による結果の線形結合に基づく簡単な手法を提示し,解析した。その結果、最良のモデルが指数移動平均であり、平均2.10%の誤差でフレーム配信率を予測できた。
参考スコア（独自算出の注目度）: 4.626261940793027
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The ability to reliably predict the future quality of a wireless channel, as seen by the media access control layer, is a key enabler to improve performance of future industrial networks that do not rely on wires. Knowing in advance how much channel behavior may change can speed up procedures for adaptively selecting the best channel, making the network more deterministic, reliable, and less energy-hungry, possibly improving device roaming capabilities at the same time. To this aim, popular approaches based on moving averages and regression were compared, using multiple key performance indicators, on data captured from a real Wi-Fi setup. Moreover, a simple technique based on a linear combination of outcomes from different techniques was presented and analyzed, to further reduce the prediction error, and some considerations about lower bounds on achievable errors have been reported. We found that the best model is the exponential moving average, which managed to predict the frame delivery ratio with a 2.10\% average error and, at the same time, has lower computational complexity and memory consumption than the other models we analyzed.
Abstract（参考訳）: メディアアクセス制御層で見られるように、無線チャネルの将来品質を確実に予測する能力は、ワイヤーに依存しない将来の産業ネットワークの性能を向上させるための鍵となる。チャネルの振る舞いがどれほど変化するかを事前に知ることで、最適なチャネルを適応的に選択する手順を高速化し、ネットワークをより決定性が高く、信頼性が高く、エネルギー不足が軽減され、デバイスローミング能力が向上する可能性がある。この目的のために、実際のWi-Fi設定から取得したデータに基づいて、複数のキーパフォーマンス指標を用いて、移動平均と回帰に基づく一般的なアプローチを比較した。さらに, 異なる手法による結果の線形結合に基づく簡易な手法を提案し解析し, 予測誤差を更に低減し, 達成可能な誤差の上限を低くする方法について考察した。最良モデルは指数移動平均であり,平均誤差2.10\%でフレーム配信率を予測できると同時に,計算の複雑さやメモリ消費が他のモデルよりも低いことがわかった。

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)
A Multi-Channel Spatial-Temporal Transformer Model for Traffic Flow Forecasting [0.0]
交通流予測のための多チャンネル時空間変圧器モデルを提案する。トラフィックデータの異なるチャネルから結果を抽出することにより、予測の精度を向上させる。 6つの実世界のデータセットの実験結果から,時間モデルにマルチチャネル機構を導入することにより,性能が向上することが示された。
論文参考訳（メタデータ） (2024-05-10T06:37:07Z)
Linear Combination of Exponential Moving Averages for Wireless Channel Prediction [2.34863357088666]
本研究では,指数移動平均(EMA)に基づく予測モデルについて検討した。 EMA線形結合(ELC)と呼ばれる新しいモデルを導入し、説明し、実験的に評価した。
論文参考訳（メタデータ） (2023-12-13T07:44:05Z)
Low Complexity Channel estimation with Neural Network Solutions [1.0499453838486013]
我々は、ダウンリンクシナリオでチャネル推定を実現するために、一般的な残差畳み込みニューラルネットワークをデプロイする。チャネル推定における他のディープラーニング手法と比較して,平均二乗誤差計算の改善が示唆された。
論文参考訳（メタデータ） (2022-01-24T19:55:10Z)
Parameter Efficient Deep Probabilistic Forecasting [0.0]
本稿では,両方向の時間的畳み込みネットワーク(BiTCN)を提案する。提案手法は,TransformerベースのアプローチとWaveNetを含む4つの最先端確率予測手法と同等に動作する。提案手法はTransformerベースの手法よりもはるかに少ないパラメータを必要とすることが実証された。
論文参考訳（メタデータ） (2021-12-06T10:09:39Z)
CATRO: Channel Pruning via Class-Aware Trace Ratio Optimization [61.71504948770445]
本稿では,CATRO (Class-Aware Trace Ratio Optimization) を用いた新しいチャネルプルーニング手法を提案する。 CATROは、他の最先端チャネルプルーニングアルゴリズムと同等の精度で、同様のコストまたは低コストで高い精度を達成できることを示す。 CATROは、クラス認識の特性のため、様々な分類サブタスクに適応的に効率の良いネットワークを創り出すのに適している。
論文参考訳（メタデータ） (2021-10-21T06:26:31Z)
Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。本稿では2つの新しい推定法を提案する。
論文参考訳（メタデータ） (2021-09-06T13:42:32Z)
Low-Latency Federated Learning over Wireless Channels with Differential Privacy [142.5983499872664]
フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
論文参考訳（メタデータ） (2021-06-20T13:51:18Z)
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)
Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2020-04-06T15:51:00Z)
Wireless Power Control via Counterfactual Optimization of Graph Neural Networks [124.89036526192268]
本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
論文参考訳（メタデータ） (2020-02-17T07:54:39Z)

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。