Fugu-MT 論文翻訳(概要): RSSI Estimation for Constrained Indoor Wireless Networks using ANN

論文の概要: RSSI Estimation for Constrained Indoor Wireless Networks using ANN

arxiv url: http://arxiv.org/abs/2404.15337v1
Date: Wed, 10 Apr 2024 02:48:13 GMT
ステータス: 処理完了
システム内更新日: 2024-04-28 10:46:58.112681
Title: RSSI Estimation for Constrained Indoor Wireless Networks using ANN
Title（参考訳）: ANNを用いた屋内無線ネットワークのRSSI推定
Authors: Samrah Arif, M. Arif Khan, Sabih Ur Rehman,
Abstract要約: 本研究では、ニューラルネットワーク(ANN)を用いた2つの異なるLP-IoT無線チャネル推定モデルを確立する。いずれのモデルも、LP-IoT無線チャネルにおける推定誤差を低くすることで、LP-IoT通信を強化するために構築されている。その結果,提案手法はチャネル推定において顕著な精度を達成し,MSEが8.29%,Sequenceモデルが9.46%,MSEが9.76%,MSEが8.29%向上した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In the expanding field of the Internet of Things (IoT), wireless channel estimation is a significant challenge. This is specifically true for low-power IoT (LP-IoT) communication, where efficiency and accuracy are extremely important. This research establishes two distinct LP-IoT wireless channel estimation models using Artificial Neural Networks (ANN): a Feature-based ANN model and a Sequence-based ANN model. Both models have been constructed to enhance LP-IoT communication by lowering the estimation error in the LP-IoT wireless channel. The Feature-based model aims to capture complex patterns of measured Received Signal Strength Indicator (RSSI) data using environmental characteristics. The Sequence-based approach utilises predetermined categorisation techniques to estimate the RSSI sequence of specifically selected environment characteristics. The findings demonstrate that our suggested approaches attain remarkable precision in channel estimation, with an improvement in MSE of $88.29\%$ of the Feature-based model and $97.46\%$ of the Sequence-based model over existing research. Additionally, the comparative analysis of these techniques with traditional and other Deep Learning (DL)-based techniques also highlights the superior performance of our developed models and their potential in real-world IoT applications.
Abstract（参考訳）: IoT(Internet of Things)の分野では、ワイヤレスチャネル推定が大きな課題である。これは、効率と精度が極めて重要である低消費電力IoT(LP-IoT)通信に特に当てはまる。本研究では,Artificial Neural Networks(ANN)モデルとSequence-based ANNモデルという,2つの異なるLP-IoT無線チャネル推定モデルを確立する。いずれのモデルも、LP-IoT無線チャネルにおける推定誤差を低くすることで、LP-IoT通信を強化するために構築されている。特徴に基づくモデルは、環境特性を用いて受信信号強度指標(RSSI)データの複雑なパターンをキャプチャすることを目的としている。シークエンスに基づくアプローチでは、特定の選択された環境特性のRSSIシーケンスを推定するために、所定の分類手法を利用する。その結果,提案手法はチャネル推定において顕著な精度を達成でき,MSEは機能ベースモデルが8.29.%,Sequenceモデルが9.46.%,MSEが9.7.46.%と改善された。さらに、従来の他のディープラーニング(DL)ベースの技術との比較分析では、私たちの開発したモデルの優れたパフォーマンスと、実際のIoTアプリケーションにおけるその可能性も強調されています。

関連論文リスト

Learning Latent Wireless Dynamics from Channel State Information [31.080933663717257]
本稿では,潜在空間における無線伝搬環境のダイナミクスをモデル化し,予測するための,データ駆動型機械学習(ML)技術を提案する。本稿では, 測定データに対する数値的な評価を行い, 提案したJEPAがベンチマークよりも2倍の精度向上を示した。
論文参考訳（メタデータ） (2024-09-16T07:15:46Z)
Deep learning approaches to indoor wireless channel estimation for low-power communication [0.0]
本稿では,LP-IoT通信における高精度チャネル推定にRSSIを利用する,FCNNを用いた2つの低電力チャネル推定モデルを提案する。我々のモデルAは平均二乗誤差(MSE)の99.02%の顕著な減少を示し、モデルBは現在の研究で設定されたベンチマークと比較して90.03%のMSEの減少を示す。
論文参考訳（メタデータ） (2024-05-21T00:36:34Z)
Machine Learning-Based Channel Prediction for RIS-assisted MIMO Systems With Channel Aging [11.867884158309373]
再構成可能なインテリジェントサーフェス (RIS) は,第6世代 (6G) および通信システムを越えた性能向上のための有望な技術として登場した。 RISの受動的性質とその多数の反射要素は、チャネル推定プロセスに困難をもたらす。本稿では、自己回帰(AR)予測器と統合された畳み込みニューラルネットワーク(CNN)に基づく、RIS支援マルチインプットマルチアウトプット(MIMO)システムのための拡張チャネル推定フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-09T19:45:49Z)
Deep-Learning-Based Channel Estimation for IRS-Assisted ISAC System [30.354309578350584]
統合センシング・通信(ISAC)とインテリジェント反射面(IRS)は,次世代無線ネットワークにおいて有望な技術であると考えられる。 IRS支援ISACシステムにおけるチャネル推定問題について検討する。このようなシステムにおけるセンシング・通信(S&C)チャネルを推定するために,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） (2024-01-29T14:14:39Z)
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)
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)
ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文参考訳（メタデータ） (2021-05-07T11:39:05Z)
Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文参考訳（メタデータ） (2021-05-03T07:23:39Z)
LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文参考訳（メタデータ） (2021-02-05T04:26:05Z)
Robust Attack Detection Approach for IIoT Using Ensemble Classifier [0.0]
目的は、IIoTネットワークの信頼性を高めるために、2相異常検出モデルを開発することである。提案されたモデルは、WUSTL_IIOT-2018、N_Ba IoT、Bot_IoTなどの標準的なIoT攻撃オフレーヤでテストされている。また,提案モデルが従来の手法より優れており,IIoTネットワークの信頼性が向上していることを示す。
論文参考訳（メタデータ） (2021-01-30T07:21:44Z)
Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文参考訳（メタデータ） (2021-01-02T15:21:08Z)

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。