論文の概要: How Critical is Site-Specific RAN Optimization? 5G Open-RAN Uplink Air Interface Performance Test and Optimization from Macro-Cell CIR Data

• arxiv url: http://arxiv.org/abs/2410.19565v1
• Date: Fri, 25 Oct 2024 13:57:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-28 13:33:30.975061
• Title: How Critical is Site-Specific RAN Optimization? 5G Open-RAN Uplink Air Interface Performance Test and Optimization from Macro-Cell CIR Data
• Title（参考訳）: 5G Open-RAN Uplink Air Interface Performance Test and Optimization from Macro-Cell CIR Data
• Authors: Johnathan Corgan, Nitin Nair, Rajib Bhattacharjea, Wan Liu, Serhat Tadik, Tom Tsou, Timothy J. O'Shea,
• Abstract要約: 我々は,特定の地点からのチャネル計測データの重要性と,その空気界面の最適化と試験への影響を考察する。 我々は, NR PUSCHアップリンクシミュレーションにOmniPHY-5Gニューラルレシーバを利用する。 提案手法は、事前学習と比較して1.85dBの低信号-雑音比(SNR)で10%のブロック誤り率(BLER)を達成する。
• 参考スコア（独自算出の注目度）: 0.6753334733130354
• License:
• Abstract: In this paper, we consider the importance of channel measurement data from specific sites and its impact on air interface optimization and test. Currently, a range of statistical channel models including 3GPP 38.901 tapped delay line (TDL), clustered delay line (CDL), urban microcells (UMi) and urban macrocells (UMa) type channels are widely used for air interface performance testing and simulation. However, there remains a gap in the realism of these models for air interface testing and optimization when compared with real world measurement based channels. To address this gap, we compare the performance impacts of training neural receivers with 1) statistical 3GPP TDL models, and 2) measured macro-cell channel impulse response (CIR) data. We leverage our OmniPHY-5G neural receiver for NR PUSCH uplink simulation, with a training procedure that uses statistical TDL channel models for pre-training, and fine-tuning based on measured site specific MIMO CIR data. The proposed fine-tuning method achieves a 10% block error rate (BLER) at a 1.85 dB lower signal-to-noise ratio (SNR) compared to pre-training only on simulated TDL channels, illustrating a rough magnitude of the gap that can be closed by site-specific training, and gives the first answer to the question "how much can fine-tuning the RAN for site-specific channels help?"
• Abstract（参考訳）: 本稿では,特定地点からの流路計測データの重要性と,大気界面の最適化と試験への影響について考察する。 現在,3GPP 38.901 タップ遅延線 (TDL) ,クラスタ遅延線 (CDL) ,都市マイクロセル (UMi) ,都市マクロセル (UMa) 型チャネル (UMa) などの統計チャネルモデルがエアインタフェースの性能試験やシミュレーションに広く利用されている。 しかし, 実測に基づく実測チャネルと比較して, 空気界面試験や最適化におけるこれらのモデルの現実性には差がある。 このギャップに対処するため、ニューラルレシーバーのトレーニング性能への影響を比較検討する。 1)統計的3GPP TDLモデル、及び 2) 測定されたマクロセルチャネルインパルス応答(CIR)データ。 我々は、NR PUSCHアップリンクシミュレーションにOmniPHY-5Gニューラルレシーバーを活用し、事前トレーニングに統計TDLチャネルモデルを使用し、測定されたサイト固有のMIMO CIRデータに基づいて微調整を行う。 提案手法は,シミュレーションTDLチャネルのみを対象とした事前学習と比較して,1.85dBの低信号-雑音比(SNR)で10%のブロック誤り率(BLER)を実現する。

関連論文リスト

• Calibrating Wireless Ray Tracing for Digital Twinning using Local Phase Error Estimates [40.04476706955071]
  レイトレーシング(RT)は、次世代無線システムの無線アクセスネットワーク(RAN)セグメントのDTを可能にする技術として広く見なされている。 RTヒンジの有効性は、RTが想定する電磁特性の実際のチャネル条件への適応に影響を及ぼす。 本稿では,チャネル応答における位相誤差を推定・補償する新しいチャネル応答に基づく手法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T22:01:59Z)
• Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
  本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。 提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
  論文  参考訳（メタデータ） (2023-11-30T13:50:21Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Over-the-Air Design of GAN Training for mmWave MIMO Channel Estimation [35.62977046569772]
  我々は,ノイズを受信したパイロット測度を利用して深層生成モデルの訓練を行う,教師なしオーバー・ザ・エア(OTA)アルゴリズムを開発した。 次に、逆問題として、限られた数のパイロット測定値からチャネル推定を定式化する。 提案するフレームワークは,実雑音のパイロット測定を用いてオンライントレーニングを行うことが可能である。
  論文  参考訳（メタデータ） (2022-05-25T02:26:34Z)
• 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)
• Over-the-Air Federated Learning from Heterogeneous Data [107.05618009955094]
  フェデレートラーニング(Federated Learning、FL)は、集中型モデルの分散ラーニングのためのフレームワークである。 我々は,共通局所勾配勾配勾配(SGD)FLアルゴリズムを強化するコンバージェント OTA FL (COTAF) アルゴリズムを開発した。 我々は,COTAFにより誘導されるプリコーディングが,OTA FLを用いて訓練されたモデルの収束率と精度を顕著に向上させることを示す。
  論文  参考訳（メタデータ） (2020-09-27T08:28:25Z)
• Massive MIMO Channel Prediction: Kalman Filtering vs. Machine Learning [18.939010023327498]
  本稿では,Multiple-input multiple-output (MIMO)システムにおけるチャネル予測手法について述べる。 ベクトルカルマンフィルタ(VKF)に基づくチャネル予測器と機械学習(ML)に基づくチャネル予測器を開発し比較する。
  論文  参考訳（メタデータ） (2020-09-21T15:47:34Z)
• mpNet: variable depth unfolded neural network for massive MIMO channel estimation [0.0]
  データレートとエネルギー効率の両面で、MIMO(Multiple-input multiple-output)通信システムは大きな可能性を秘めている。 物理モデルを使用することで、伝播の物理に基づいて事前情報を注入することで、問題を緩和することができる。 しかし、そのようなモデルは仮定の単純化に頼っており、実際には非現実的なシステムの構成を正確に知る必要がある。
  論文  参考訳（メタデータ） (2020-08-07T12:23:44Z)
• Millimeter Wave Communications with an Intelligent Reflector: Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
  ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。 チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。 最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-02-24T22:18:54Z)
• Machine Learning Based Channel Modeling for Vehicular Visible Light Communication [7.716156977428555]
  現在の光無線通信(OWC)の伝搬チャネル特性は、VVLC(Vehicular Visible Light Communication)システムの設計と性能解析において重要な役割を果たしている。 決定論的合成および移動誘導法に基づく現在のOWCチャネルモデルでは、チャネル特性に対する環境光、光乱流、路面反射の影響に対処できない。 環境光, 光乱流, 路面反射効果および車間距離, 形状を考慮した機械学習手法を提案し, 正確なVVLCチャネル損失とチャネル周波数応答(CFR)を求める。
  論文  参考訳（メタデータ） (2020-02-03T12:38:57Z)

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。