論文の概要: Linear Combination of Exponential Moving Averages for Wireless Channel
Prediction
- arxiv url: http://arxiv.org/abs/2312.07945v1
- Date: Wed, 13 Dec 2023 07:44:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-14 16:24:16.484439
- Title: Linear Combination of Exponential Moving Averages for Wireless Channel
Prediction
- Title(参考訳): 無線チャネル予測のための指数移動平均の線形結合
- Authors: Gabriele Formis, Stefano Scanzio, Gianluca Cena, Adriano Valenzano
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 2.34863357088666
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ability to predict the behavior of a wireless channel in terms of the
frame delivery ratio is quite valuable, and permits, e.g., to optimize the
operating parameters of a wireless network at runtime, or to proactively react
to the degradation of the channel quality, in order to meet the stringent
requirements about dependability and end-to-end latency that typically
characterize industrial applications.
In this work, prediction models based on the exponential moving average (EMA)
are investigated in depth, which are proven to outperform other simple
statistical methods and whose performance is nearly as good as artificial
neural networks, but with dramatically lower computational requirements.
Regarding the innovation and motivation of this work, a new model that we
called EMA linear combination (ELC), is introduced, explained, and evaluated
experimentally.
Its prediction accuracy, tested on some databases acquired from a real setup
based on Wi-Fi devices, showed that ELC brings tangible improvements over EMA
in any experimental conditions, the only drawback being a slight increase in
computational complexity.
- Abstract(参考訳): フレーム配信比の観点で無線チャネルの挙動を予測する能力は非常に有用であり、例えば、一般的に工業アプリケーションの特徴となる依存性とエンドツーエンドのレイテンシに関する厳密な要件を満たすために、実行時に無線ネットワークの動作パラメータを最適化したり、チャネル品質の低下に積極的に反応したりすることができる。
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、他の単純な統計手法よりも優れていることが証明され、その性能は人工ニューラルネットワークに匹敵するが、計算要求は劇的に低い。
本研究の革新とモチベーションについては,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。
その予測精度は、Wi-Fiデバイスに基づく実際のセットアップから取得したいくつかのデータベースでテストされ、ECLが実験条件においてEMAよりも具体的な改善をもたらすことを示した。
関連論文リスト
- Denoising Diffusion Probabilistic Models for Hardware-Impaired
Communication Systems: Towards Wireless Generative AI [13.731989014750388]
ハードウェア不備なトランシーバを用いた有限精度無線通信システムにおいて,拡散確率モデル(DDPM)を提案する。
これに触発されて、現実的な非理想に直面する実用的な無線通信方式としてDDPMベースの受信機が提案される。
提案手法は低SNR下でのネットワークレジリエンス,HWIレベルと量子化誤差の相違によるほぼ不変な再構成性能,非ガウス雑音に対するロバストなアウト・オブ・ディストリビューション性能を実現する。
論文 参考訳(メタデータ) (2023-10-30T11:33:01Z) - Deep Neural Networks Tend To Extrapolate Predictably [56.04573160453392]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。
我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。
我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文 参考訳(メタデータ) (2023-10-02T03:25:32Z) - Predicting Wireless Channel Quality by means of Moving Averages and
Regression Models [4.626261940793027]
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。
論文 参考訳(メタデータ) (2023-06-14T16:55:24Z) - Learning to Precode for Integrated Sensing and Communications Systems [11.689567114100514]
我々はISACシステムのための送信プリコーダを設計するための教師なし学習ニューラルモデルを提案する。
提案手法は,チャネル推定誤差が存在する場合,従来の最適化手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-03-11T11:24:18Z) - 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) - Interpretable AI-based Large-scale 3D Pathloss Prediction Model for
enabling Emerging Self-Driving Networks [3.710841042000923]
本稿では,新しい鍵予測器を応用した機械学習モデルを提案する。
予測,一般化,計算性能の観点から各種MLアルゴリズムの性能を定量的に評価することにより,光グラディエントブースティングマシン(LightGBM)アルゴリズムが全体として他のアルゴリズムより優れていることを示す。
論文 参考訳(メタデータ) (2022-01-30T19:50:16Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳(メタデータ) (2022-01-09T09:31:50Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural
Networks [52.32646357164739]
最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。
提案されたSIDNNは、幅広いOPFスキームと互換性がある。
他のLearning-to-OPFスキームとシームレスに統合できる。
論文 参考訳(メタデータ) (2021-03-27T00:45:23Z) - DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator
Search [55.164053971213576]
畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。
構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。
既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
論文 参考訳(メタデータ) (2020-11-04T07:43:01Z) - Industrial Forecasting with Exponentially Smoothed Recurrent Neural
Networks [0.0]
本稿では,産業応用における非定常力学系のモデル化に好適な指数的スムーズなリカレントニューラルネットワーク(RNN)のクラスを提案する。
指数スムーズなRNNの電力負荷、気象データ、株価予測への応用は、多段階時系列予測における隠れ状態の指数スムーズ化の有効性を強調している。
論文 参考訳(メタデータ) (2020-04-09T17:53:49Z)
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。