論文の概要: Frequency Hopping Synchronization by Reinforcement Learning for Satellite Communication System

• arxiv url: http://arxiv.org/abs/2503.04266v1
• Date: Thu, 06 Mar 2025 09:50:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 15:58:48.207141
• Title: Frequency Hopping Synchronization by Reinforcement Learning for Satellite Communication System
• Title（参考訳）: 衛星通信システムのための強化学習による周波数ホッピング同期
• Authors: Inkyu Kim, Sangkeum Lee, Haechan Jeong, Sarvar Hussain Nengroo, Dongsoo Har,
• Abstract要約: 本稿では,連続探索と強化学習を組み合わせた戦術的SCSにおける周波数ホッピング信号の同期手法を提案する。 提案手法は、同期に必要なホップ平均数を58.17%削減し、アップリンクホップタイミング推定の平均2乗誤差(MSE)を76.95%削減する。
• 参考スコア（独自算出の注目度）: 1.1254693939127909
• License:
• Abstract: Satellite communication systems (SCSs) used for tactical purposes require robust security and anti-jamming capabilities, making frequency hopping (FH) a powerful option. However, the current FH systems face challenges due to significant interference from other devices and the considerable path loss inherent in satellite communication. This misalignment leads to inefficient synchronization, crucial for maintaining reliable communication. Traditional methods, such as those employing long short-term memory (LSTM) networks, have made improvements, but they still struggle in dynamic conditions of satellite environments. This paper presents a novel method for synchronizing FH signals in tactical SCSs by combining serial search and reinforcement learning to achieve coarse and fine acquisition, respectively. The mathematical analysis and simulation results demonstrate that the proposed method reduces the average number of hops required for synchronization by 58.17% and mean squared error (MSE) of the uplink hop timing estimation by 76.95%, as compared to the conventional serial search method. Comparing with the early late gate synchronization method based on serial search and use of LSTM network, the average number of hops for synchronization is reduced by 12.24% and the MSE by 18.5%.
• Abstract（参考訳）: 戦術目的に使用される衛星通信システム(SCS)は、堅牢なセキュリティと対ジャミング機能を必要とし、周波数ホッピング(FH)が強力な選択肢となる。 しかしながら、現在のFHシステムは、他の機器からの重大な干渉と、衛星通信に固有のかなりの経路損失により、課題に直面している。 このミスアライメントは、信頼性の高い通信を維持するために欠かせない非効率な同期をもたらす。 長い短期記憶(LSTM)ネットワークを使用する従来の手法は改善されているが、衛星環境の動的条件に苦戦している。 本稿では, 連続探索と強化学習を組み合わせることで, 戦術的SCSにおけるFH信号の同期を行う手法を提案する。 解析およびシミュレーションの結果,提案手法は,従来の連続探索法と比較して,アップリンクホップタイミング推定の平均2乗誤差(MSE)を58.17%,アップリンクホップタイミング推定の平均2乗誤差(MSE)を76.95%削減することを示した。 LSTMネットワークのシリアル検索と利用に基づく初期遅延ゲート同期法と比較して、同期用ホップの平均数は12.24%減少し、MSEは18.5%減少する。

関連論文リスト

• Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks [55.467288506826755]
  フェデレーテッド・ラーニング(FL)は、無線エッジネットワークにおけるローカル・プライバシ・アウェア・コラボレーティブ・モデルトレーニングの有効なソリューションとして認識されている。 既存の通信効率の高いFLアルゴリズムは、デバイス間の大きなばらつきを低減できない。 本稿では,高度分散還元方式に依存する新しい通信効率FLアルゴリズムであるFedQVRを提案する。
  論文  参考訳（メタデータ） (2025-01-20T04:26:21Z)
• OFDM-Standard Compatible SC-NOFS Waveforms for Low-Latency and Jitter-Tolerance Industrial IoT Communications [53.398544571833135]
  この研究は、スペクトル的に効率的な不規則なSinc (irSinc) 整形法を提案し、1924年に従来のSincを再考した。 irSincは、誤差性能を犠牲にすることなくスペクトル効率が向上した信号を生成する。 我々の信号は、5G標準信号構成により、同じスペクトル帯域内で高速なデータ伝送を実現する。
  論文  参考訳（メタデータ） (2024-06-07T09:20:30Z)
• Satellite Federated Edge Learning: Architecture Design and Convergence Analysis [47.057886812985984]
  本稿では,FEDMEGAという新しいFEELアルゴリズムを提案する。 軌道内モデルアグリゲーションのための衛星間リンク(ISL)を統合することにより、提案アルゴリズムは低データレートと断続的なGSLの使用を著しく削減する。 提案手法は,環全リデューサに基づく軌道内アグリゲーション機構と,グローバルモデルアグリゲーションのためのネットワークフローベースのトランスミッションスキームを組み合わせたものである。
  論文  参考訳（メタデータ） (2024-04-02T11:59:58Z)
• 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)
• Time-triggered Federated Learning over Wireless Networks [48.389824560183776]
  無線ネットワーク上での時系列FLアルゴリズム(TT-Fed)を提案する。 提案したTT-Fedアルゴリズムは, それぞれ最大12.5%, 5%の収束試験精度を向上する。
  論文  参考訳（メタデータ） (2022-04-26T16:37:29Z)
• Ground-Assisted Federated Learning in LEO Satellite Constellations [39.646300161201076]
  フェデレートラーニング(FL)に基づく新しいアルゴリズムセットを提案する。 我々のアプローチは、星座に存在しない予測可能な接続パターンを考慮すると、標準のFLアルゴリズムとは大きく異なる。 特に、達成されたテスト精度は集中型解の96%から99.6%以内である。
  論文  参考訳（メタデータ） (2021-09-03T07:17:20Z)
• Deep Chaos Synchronization [0.0]
  畳み込みニューラルネットワーク(CNN)を用いた新しいDeep Chaos Synchronization(DCS)システムを提案する。 また、比較分析のための新しいリカレントニューラルネットワーク(RNN)ベースのカオス同期システムも提供する。
  論文  参考訳（メタデータ） (2021-04-17T03:57:53Z)
• A Simple Cooperative Diversity Method Based on Deep-Learning-Aided Relay Selection [10.199674137417796]
  本稿では,予測リレー選択(PRS)を用いたディープラーニング支援協調手法の開発と解析を行う。 ORSの単純さを維持しつつ、チャネル予測をフェードすることで、CSIの品質を著しく向上させることができる。 PRSは、低速な無線環境において完全な多様性向上を実現し、高速なフェーディングチャネルにおける既存のスキームを大幅に上回っている。
  論文  参考訳（メタデータ） (2021-02-05T20:20:27Z)
• Fine Timing and Frequency Synchronization for MIMO-OFDM: An Extreme Learning Approach [8.432859469083951]
  極端学習機械(ELM)を用いて高精度同期を実現する手法を提案する。 提案手法は,チャネルパラメータの選択や,機械学習の観点からの「一般化能力」の観点からも頑健である。
  論文  参考訳（メタデータ） (2020-07-17T21:41:38Z)
• Asynchronous Decentralized Learning of a Neural Network [49.15799302636519]
  我々は、ARockと呼ばれる非同期コンピューティングフレームワークを利用して、分散シナリオでフィードフォワードニューラルネットワーク(SSFN)を推定する自己サイズ推定と呼ばれるディープニューラルネットワークを学習する。 非同期分散SSFNは1ノードのアクティベーションと一方の通信を許容することで通信ボトルネックを緩和し、通信オーバーヘッドを大幅に低減する。 実験結果において、非同期dSSFNと従来の同期dSSFNを比較し、特に通信ネットワークが疎い場合に、非同期dSSFNの競合性能を示す。
  論文  参考訳（メタデータ） (2020-04-10T15:53:37Z)

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。