論文の概要: Enhancements for 5G NR PRACH Reception: An AI/ML Approach
- arxiv url: http://arxiv.org/abs/2401.12803v1
- Date: Fri, 12 Jan 2024 10:44:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-28 15:43:39.002211
- Title: Enhancements for 5G NR PRACH Reception: An AI/ML Approach
- Title(参考訳): 5G NR PRACH受信の強化: AI/MLアプローチ
- Authors: Rohit Singh, Anil Kumar Yerrapragada, Jeeva Keshav S, Radha Krishna
Ganti
- Abstract要約: 本稿では,AI/MLモデルを用いた代替レシーバ手法を提案する。
シミュレーションデータとオーバー・ザ・エアのハードウェアキャプチャによる実験は、提案したAI/MLベースの技術のパフォーマンス向上を強調している。
- 参考スコア(独自算出の注目度): 2.319178116633846
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Random Access is an important step in enabling the initial attachment of a
User Equipment (UE) to a Base Station (gNB). The UE identifies itself by
embedding a Preamble Index (RAPID) in the phase rotation of a known base
sequence, which it transmits on the Physical Random Access Channel (PRACH). The
signal on the PRACH also enables the estimation of propagation delay, often
known as Timing Advance (TA), which is induced by virtue of the UE's position.
Traditional receivers estimate the RAPID and TA using correlation-based
techniques. This paper presents an alternative receiver approach that uses
AI/ML models, wherein two neural networks are proposed, one for the RAPID and
one for the TA. Different from other works, these two models can run in
parallel as opposed to sequentially. Experiments with both simulated data and
over-the-air hardware captures highlight the improved performance of the
proposed AI/ML-based techniques compared to conventional correlation methods.
- Abstract(参考訳): ランダムアクセスは、ユーザ機器(UE)をベースステーション(gNB)に初期接続できるようにするための重要なステップである。
UEは、既知の塩基配列の位相回転にプリアンブルインデックス(RAPID)を埋め込み、物理ランダムアクセスチャンネル(PRACH)に送信することで、自身を識別する。
PRACH上の信号はまた、UEの位置によって誘導される伝播遅延(Timing Advance, TA)の推定を可能にする。
従来の受信機は相関に基づく手法を用いてRAPIDとTAを推定する。
本稿では、AI/MLモデルを用いて、RAPIDとTAの2つのニューラルネットワークを提案する。
他の作品とは異なり、これらの2つのモデルは逐次ではなく並列に実行できる。
シミュレーションデータとオーバー・ザ・エアのハードウェアキャプチャによる実験は、従来の相関手法と比較して、提案したAI/MLベースの技術の性能改善を強調している。
関連論文リスト
- Downlink MIMO Channel Estimation from Bits: Recoverability and Algorithm [47.7091447096969]
主な課題は、ユーザ機器(UE)からの限られたフィードバックから基地局(BS)のダウンリンクチャネル状態情報(CSI)を取得することである。
本稿では、UE側で圧縮とガウスディザリングに基づく量子化戦略を採用し、BS側で最大極大推定器(MLE)を定式化する単純なフィードバックフレームワークを提案する。
このアルゴリズムは、高次高調波探索(HR)ソルバをサブルーチンとして統合するために慎重に設計されており、この難しいMLE問題に効果的に取り組む鍵であることが判明した。
論文 参考訳(メタデータ) (2024-11-25T02:15:01Z) - A Machine Learning based Hybrid Receiver for 5G NR PRACH [2.319178116633846]
本稿では、プリアンブル検出のためのAI/MLモデルと、タイピング前進推定のための従来のピーク検出を併用したハイブリッド受信機の設計について述べる。
その結果、シミュレーションおよび実際のハードウェアキャプチャーデータセットに対する従来の受信機と比較して、ハイブリッド受信機の性能が優れていた。
論文 参考訳(メタデータ) (2024-11-03T11:49:12Z) - MASSFormer: Mobility-Aware Spectrum Sensing using Transformer-Driven
Tiered Structure [3.6194127685460553]
モビリティを意識したトランスフォーマー駆動構造(MASSFormer)をベースとした協調センシング手法を開発した。
本稿では,モバイルプライマリユーザ(PU)とセカンダリユーザ(SU)の動的シナリオについて考察する。
提案手法は, 堅牢性を示すために, 不完全な報告チャネルのシナリオ下で試験される。
論文 参考訳(メタデータ) (2024-09-26T05:25:25Z) - Towards Explainable Machine Learning: The Effectiveness of Reservoir
Computing in Wireless Receive Processing [21.843365090029987]
本稿では,Reservoir Computing (RC) と呼ばれる一般的な学習手法を適用し,チャネル等化の具体的課題について検討する。
RCは従来の手法や学習に基づく手法に比べて優れた性能を示した。
また,これをシミュレーションにより最適化することにより,受信処理/シンボル検出性能の向上を示す。
論文 参考訳(メタデータ) (2023-10-08T00:44:35Z) - 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) - Asynchronous Parallel Incremental Block-Coordinate Descent for
Decentralized Machine Learning [55.198301429316125]
機械学習(ML)は、巨大なIoT(Internet of Things)ベースのインテリジェントでユビキタスなコンピューティングのビッグデータ駆動モデリングと分析のための重要なテクニックである。
急成長するアプリケーションやデータ量にとって、分散学習は有望な新興パラダイムである。
本稿では,多くのユーザデバイスに分散した分散システム上でMLモデルをトレーニングする問題について検討する。
論文 参考訳(メタデータ) (2022-02-07T15:04:15Z) - 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) - A Generalizable Model-and-Data Driven Approach for Open-Set RFF
Authentication [74.63333951647581]
高周波指紋(RFF)は、低コストな物理層認証を実現するための有望な解決策である。
RFF抽出と識別のために機械学習に基づく手法が提案されている。
生受信信号からRFFを抽出するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2021-08-10T03:59:37Z) - Machine Learning-enhanced Receive Processing for MU-MIMO OFDM Systems [15.423422040627331]
機械学習は、マルチユーザマルチインプットマルチアウトプット(MU-MIMO)受信処理を改善するために使用できる。
本稿では,従来の受信機の利点を保ちつつ,特定の部品をMLコンポーネントで強化する新たな戦略を提案する。
論文 参考訳(メタデータ) (2021-06-30T14:02:27Z)
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。