深層学習により周波数共用のための精度が良い電波環境マップ作成を行う研究

周波数共用目的のコグニティブ無線のセンシングにおいて教師なし学習によりPUの数、PU(一次ユーザ）のパラメータ（受信電力、チャネル占有率等）推定を行い、精度が良い深層学習(DL)の構成であるRes(残差)Netと通常のCNN(畳み込みニューラルネットワーク)の組合せの提案方法により電波環境に適合するREM(電波環境マップ)作成用の各種伝搬モデル推定を深層学習(DL)により推定するための目途付けを行った。上記構成であるRes(残差)Netと通常のCNN(畳み込みニューラルネットワーク)の組合せ（提案方式）について基礎的な確認及び検証のシミュレーションを行い、変調方式推定及び通信システム推定において適切に分類が行われていることから提案方式の構成が深層学習の構成及び組み合わせにおいて適切であるとの結論を得ることができた。提案方式の構成は識別率（分類率）が80％以上であり、各種伝搬モデルの推定に適切であることが確認された。また以下の伝搬モデルに提案方式の構成が適用できることが確認できた。各種伝搬モデルの検討において、6種類の伝搬モデルにおいて予備計算を行い、適合性の検討を行い、伝搬モデルの絞り込みを行った。各種伝搬モデルは以下のシミュレーションによりはCOST-231、M.1225、M.2135の各伝搬モデルと決定した。（伝搬環境は東京都中野区を想定）①2021年度(令和3年度)：各種伝搬モデル推定シミュレーション実施による目途付け及び検討②2022年度(令和4年度)：各種伝搬モデルと比較するためのレイトレースシミュレーション実施による目途付け及び検討

周波数共用目的のコグニティブ無線のセンシングにおいて教師なし学習によりPUの数、PU(一次ユーザ）のパラメータ（受信電力、チャネル占有率等）推定を行い、精度が良い深層学習(DL)の構成であるRes(残差)Netと通常のCNN(畳み込みニューラルネットワーク)の組合せの提案方法により電波環境に適合するREM(電波環境マップ)作成用の各種伝搬モデル推定を深層学習(DL)により推定するための目途付けを行った。上記構成であるRes(残差)Netと通常のCNN(畳み込みニューラルネットワーク)の組合せ（提案方式）について基礎的な確認及び検証のシミュレーションを行い、変調方式推定及び通信システム推定において適切に分類が行われていることから提案方式の構成が深層学習の構成及び組み合わせにおいて適切であるとの結論を得ることができた。提案方式の構成は識別率（分類率）が80％以上であり、各種伝搬モデルの推定に適切であることが確認された。また以下の伝搬モデルに提案方式の構成が適用できることが確認できた。各種伝搬モデルの検討において、6種類の伝搬モデルにおいて予備計算を行い、適合性の検討を行い、伝搬モデルの絞り込みを行った。各種伝搬モデルは以下のシミュレーションによりはCOST-231、M.1225、M.2135の各伝搬モデルと決定した。（伝搬環境は東京都中野区を想定）①2021年度(令和3年度)：各種伝搬モデル推定シミュレーション実施による目途付け及び検討②2022年度(令和4年度)：各種伝搬モデルと比較するためのレイトレースシミュレーション実施による目途付け及び検討