論文の概要: A Machine Learning based Hybrid Receiver for 5G NR PRACH

• arxiv url: http://arxiv.org/abs/2411.08919v1
• Date: Sun, 03 Nov 2024 11:49:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-17 08:33:28.899384
• Title: A Machine Learning based Hybrid Receiver for 5G NR PRACH
• Title（参考訳）: 5G NR PRACHのための機械学習に基づくハイブリッド受信機
• Authors: Rohit Singh, Anil Kumar Yerrapragada, Radha Krishna Ganti,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.319178116633846
• License:
• Abstract: Random Access is a critical procedure using which a User Equipment (UE) identifies itself to a Base Station (BS). Random Access starts with the UE transmitting a random preamble on the Physical Random Access Channel (PRACH). In a conventional BS receiver, the UE's specific preamble is identified by correlation with all the possible preambles. The PRACH signal is also used to estimate the timing advance which is induced by propagation delay. Correlation-based receivers suffer from false peaks and missed detection in scenarios dominated by high fading and low signal-to-noise ratio. This paper describes the design of a hybrid receiver that consists of an AI/ML model for preamble detection followed by conventional peak detection for the Timing Advance estimation. The proposed receiver combines the Power Delay Profiles of correlation windows across multiple antennas and uses the combination as input to a Neural Network model. The model predicts the presence or absence of a user in a particular preamble window, after which the timing advance is estimated by peak detection. Results show superior performance of the hybrid receiver compared to conventional receivers both for simulated and real hardware-captured datasets.
• Abstract（参考訳）: ランダムアクセス(Random Access)は、ユーザ機器(UE)がベースステーション(BS)に自身を識別する重要な手順である。 ランダムアクセスはUEが物理ランダムアクセスチャンネル(PRACH)でランダムプリアンブルを送信することから始まる。 従来のBS受信機では、UEの特定のプリアンブルは全ての可能なプリアンブルと相関して識別される。 PRACH信号はまた、伝搬遅延によって誘導されるタイミングの進行を推定するためにも用いられる。 相関ベースの受信機は、偽のピークに悩まされ、高いフェーディングと低い信号対雑音比に支配されるシナリオにおいて、検出に失敗する。 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。 提案する受信機は、複数のアンテナにまたがる相関窓の電力遅延プロファイルを結合し、ニューラルネットワークモデルへの入力として使用する。 モデルは、特定のプリアンブルウィンドウにおけるユーザの有無を予測し、その後、ピーク検出によりタイミングの進行を推定する。 その結果、シミュレーションと実際のハードウェアキャプチャーデータセットの両方において、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。

関連論文リスト

• Enhancements for 5G NR PRACH Reception: An AI/ML Approach [2.319178116633846]
  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。
  論文  参考訳（メタデータ） (2024-01-12T10:44:23Z)
• Deep Reinforcement Learning for IRS Phase Shift Design in Spatiotemporally Correlated Environments [93.30657979626858]
  本稿では,チャネル相関と目的地動きを考慮したディープアクター批判アルゴリズムを提案する。 チャネルが時間的に相関している場合、コンバージェンスを抑制する方法において、関数近似を伴う状態表現にSNRを組み込むことが示される。
  論文  参考訳（メタデータ） (2022-11-02T22:07:36Z)
• Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
  再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。 しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。 本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
  論文  参考訳（メタデータ） (2022-09-18T03:07:37Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• 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)
• Integral Migrating Pre-trained Transformer Encoder-decoders for Visual Object Detection [78.2325219839805]
  imTEDは、数発のオブジェクト検出の最先端を最大7.6%改善する。 MS COCOデータセットの実験は、imTEDが一貫してそのデータセットを2.8%上回っていることを示している。
  論文  参考訳（メタデータ） (2022-05-19T15:11:20Z)
• 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)
• Non-Intrusive Binaural Speech Intelligibility Prediction from Discrete Latent Representations [1.1472707084860878]
  信号からの音声の可聴性予測は多くの用途で有用である。 信号の特性を考慮するために特別に設計された措置は、しばしば侵入的である。 本稿では,ベクトル量子化(VQ)とコントラッシブ予測符号化(CPC)を組み合わせた入力信号から特徴量を計算する非侵入型SI尺度を提案する。
  論文  参考訳（メタデータ） (2021-11-24T14:55:04Z)
• Blind Coherent Preamble Detection via Neural Networks [2.2063018784238984]
  ニューラルネットワーク(NN)シークエンス検出器とタイミング先進推定器を提案する。 NNによるプリアンブル検出のプロセス全体を置き換えるものではない。 本稿では,通信路効果を補うために,検出器内の信号を組み合わせたテキストブロードコヒーレントにのみNNを用いることを提案する。
  論文  参考訳（メタデータ） (2021-09-30T09:53:49Z)
• Machine Learning for Predictive Deployment of UAVs with Multiple Access [37.49465317156625]
  本稿では無人航空機(UAV)の機械学習展開フレームワークについて検討する。 時間的なトラフィック分布のため、将来的なセルトラフィックを予測するために、LSTM(Long Short-term memory)ベースの予測が導入される。 提案手法は従来手法と比較して消費電力の最大24%を削減できる。
  論文  参考訳（メタデータ） (2020-03-02T00:15:09Z)

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。