权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

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

基本信息

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

项目摘要

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。

The purpose of this study is to provide a method for the generation of image data with low cost and high latency in a 6G wireless environment. The objectives of the study were achieved in 2010 and 2014. The study was conducted in the following areas: (1) A new method for estimating communication environment based on visualization in a hyper-connected environment; and (2) A study on the optimization of communication environment based on low-throughput learning. A communication environment estimation method is proposed in the context of a new visualization in a hyper-connected environment, and is confirmed in the context of a proposed visualization in a multi-connected environment. It is very difficult to increase the number of students The method of generating necessary graphic data for learning and the method of generating Adversarial Network (GAN) are used to confirm the effectiveness of the method. He uses the picture to learn, the estimation result is obtained, and the learning time is used to determine the dependency information of the performance.(convolutional neural network: CNN) Regions with CNN (R-CNN) Mask R-CNN, YOLO, etc.