Research and development on channel estimation method and performance improvement under ultra-multi-connection wireless environment

超多连接无线环境下信道估计方法及性能提升研究进展

• 批准号: 22K04085
• 负责人: 安 昌俊
• 金额: $ 2.66万
• 依托单位: Chiba University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2022
• 资助国家: 日本
• 起止时间: 2022-04-01 至 2025-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22K04085/
• 关键词: 大規模MIMOシステム; 超多接続無線環境; スペクトログラム; 通信環境推定; る通信路推定; 人工知能

本研究の目的は、人工知能が得意とする画像データ処理に着目し、超多接続の6G無線環境下での大規模MIMOシステムの通信環境推定のために人工知能の学習に必要な複数の位相情報を含ませた新しい画像化データの生成手法とそれを用いた低演算・低遅延での通信環境推定手法の提案とその有効性を明確にすることである。研究目的を達成するため、令和4年度は、①超多接続環境下での新しい画像化による通信環境推定法を提案、②低演算量で学習可能な最適なアルゴリズムの検討を中心に研究を行った。まず、超多接続環境下での新しい画像化による通信環境推定法を提案について、既に提案したスペクトログラムの様に画像化データ処理により、少ないユーザ環境下での推定が可能であることを確認した。ただ、ユーザ数を増やすことに伴い学習に必要な膨大なデータを確保することが非常に困難となった。そこで、少ないデータから学習用に必要な画像化データを生成する方法として、敵対的生成ネットワーク(GAN:Generative Adversarial Network)を用いた新しいデータセット生成・拡張法を提案し、そのデータを活用した手法の有効性を確認した。他に、画像化データを用いた学習で優れた推定結果を得たものの学習時に使用されたアルゴリズムと性能の依存性の情報は無く、その依存性を確認するため、以前用いた畳み込みニューラルネットワーク(convolutional neural network: CNN)のみならずRegions with CNN (R-CNN)やMask R-CNN、YOLOなどを用いる検討を行った結果、中でもR-CNNが低演算で高速処理が可能であることを確認した。

这项研究的目的是专注于图像数据处理，这是人工智能的熟练工作，并阐明了一种新的生成图像数据的方法的有效性，该方法包括在超高级连接的6G无线环境中学习人工智能为大规模MIMO系统学习的多个阶段信息，以及使用低点通信环境和低点通信环境的方法。 In order to achieve the research objectives, in 2022, research focused on 1) 1) a new method for estimating communication environments using image formation in a super multi-connection environment, and 2) 2) 1) 1) 1) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3) 3首先，我们提出了一种新方法，用于在超级多连接环境中使用图像形成估算通信环境，并确认可以通过处理图像数据（如我们已经提出的频谱图）在小型用户环境中实现估计。但是，随着用户数量的增加，很难确保学习所需的大量数据。因此，我们提出了一种使用GAN（生成对抗网络）生成和扩展数据集的新方法，作为生成从少量数据训练所需的图像数据的方法，并确认了利用此数据的方法的有效性。此外，尽管通过使用图像数据学习获得了出色的估计结果，但在培训过程中使用的算法和性能的依赖性没有信息，并且为了确认此依赖性，我们不仅研究了先前使用的卷积神经网络（CNN），而且还研究了与CNN（CNN），recnn，bask r-cnn，yolo和Crack scract and Conceed and-cn Nn NN的范围，以及rs的范围，以及rsceers等。

项目成果

Game Theoretic Framework for Beamforming Optimization for Photon-Counting Multiuser MISO Channel with Asymptotic Low Power

渐近低功耗光子计数多用户 MISO 通道波束成形优化的博弈论框架

• 发表时间: 2022
• 作者: Sudhanshu Arya;Yeonho Chung;and Chang-Jun Ahn
• 通讯作者: and Chang-Jun Ahn

Layered ACO-OFDMにおける層に応じた適応変調

分层 ACO-OFDM 中根据层的自适应调制

• 发表时间: 2023
• 作者: 中野宏紀;山下航輝;長里天翔;安 昌俊
• 通讯作者: 安 昌俊

Adaptive Resource Assignment for Multi-user VLC based on Pre-Distorted ADO-OFDM

基于预失真ADO-OFDM的多用户VLC自适应资源分配

• 发表时间: 2022
• 作者: Koki Yamashita;Taiga Mano;Tensho Nagasato and Chang-Jun Ahn
• 通讯作者: Tensho Nagasato and Chang-Jun Ahn

Regression CNN based Fast Fading Channel Tracking using Decision feedback channel estimation

使用决策反馈信道估计的基于回归 CNN 的快速衰落信道跟踪

• 发表时间: 2023
• 期刊: RISP Journal of Signal Processing
• 作者: He He;Jun-han Wang;Shun Kojima;Kazuki Maruta;Chang-Jun Ahn
• 通讯作者: Chang-Jun Ahn

Outage Probability of Downlink Massive MIMO with MRT Precoding under Multicell Environment

多小区环境下MRT预编码下行Massive MIMO的中断概率

• 发表时间: 2022
• 作者: Koki Miyamoto;Koji Nishibe;Takanori Shibakura and Chang-Jun Ahn
• 通讯作者: Takanori Shibakura and Chang-Jun Ahn