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

点击翻译按钮获取中文摘要

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。