講演抄録/キーワード |
講演名 |
2022-01-25 15:45
符号化MIMO-OFDMシステムにおける一般化相互情報量を用いた機械学習に基づく適応符号化変調方式に関する一検討 ○長谷川喜久・濱 優人・落合秀樹(横浜国大) SR2021-83 |
抄録 |
(和) |
従来のMIMO-OFDMにおける適応変調符号化技術としては,平均信号対雑音電力比~(Signal-to-Noise power Ratio: SNR)に応じて適切な変調符号化方式~(Modulation and Coding Scheme: MCS)が選択されるが,チャネルの状況を考慮した場合にはそれらが必ずしも最適とは言えない.したがって本稿では,機械学習を用いることで瞬時のチャネルに応じて高いスループットを達成しつつ,システムの要求する誤り率を達成することで信号の再送がほぼ不要となる高信頼な適応符号化変調システムを提案する.本研究では,機械学習としてサポートベクター回帰~(Support Vector Regression: SVR)とニューラルネットワーク~(Neural Netowork: NN)を用いて,チャネルから一般化相互情報量~(Generalized Mutual Information: GMI)を推定しMCSを決定することで,従来手法と比較して高いスループット特性が達成できることを明らかにした. |
(英) |
Adaptive modulation and coding (AMC) is a promising approach for enhancing the spectral efficiency and reliability by selective a suitable candidate from several predefined modulation and coding schemes (MCS). However, the conventional AMC approach based on the average signal-to-noise power ratio (SNR) may not identify the best MCS for a given realization of practical frequency-selective MIMO fading channels. To this end, we propose a machine learning (ML)-based AMC approach using the generalized mutual information (GMI), which is estimated by neural network (NN) and support vector regression (SVR) with robust feature extraction. Through computer simulations, we evaluate the effectiveness of our proposed system in terms of throughput and frame error rate (FER) performances. |
キーワード |
(和) |
適応符号化変調 / BICM / 一般化相互情報量 / 機械学習 / MIMO / OFDM / ターボ符号 / |
(英) |
AMC / BICM / Generalized Mutual Information / Machine Learning / MIMO / OFDM / Turbo code / |
文献情報 |
信学技報, vol. 121, no. 345, SR2021-83, pp. 118-124, 2022年1月. |
資料番号 |
SR2021-83 |
発行日 |
2022-01-17 (SR) |
ISSN |
Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
SR2021-83 |