FR3141576A1 - Procédé de prédiction de la probabilité d'erreur paquet d'un lien radio utilisant des réseaux de neurones profonds - Google Patents
Procédé de prédiction de la probabilité d'erreur paquet d'un lien radio utilisant des réseaux de neurones profonds Download PDFInfo
- Publication number
- FR3141576A1 FR3141576A1 FR2211186A FR2211186A FR3141576A1 FR 3141576 A1 FR3141576 A1 FR 3141576A1 FR 2211186 A FR2211186 A FR 2211186A FR 2211186 A FR2211186 A FR 2211186A FR 3141576 A1 FR3141576 A1 FR 3141576A1
- Authority
- FR
- France
- Prior art keywords
- vector
- prediction method
- snr
- processing
- noise ratio
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000013507 mapping Methods 0.000 claims abstract description 29
- 238000007620 mathematical function Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000004088 simulation Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 18
- 238000013459 approach Methods 0.000 description 4
- 244000144985 peep Species 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001168730 Simo Species 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- URWAJWIAIPFPJE-YFMIWBNJSA-N sisomycin Chemical compound O1C[C@@](O)(C)[C@H](NC)[C@@H](O)[C@H]1O[C@@H]1[C@@H](O)[C@H](O[C@@H]2[C@@H](CC=C(CN)O2)N)[C@@H](N)C[C@H]1N URWAJWIAIPFPJE-YFMIWBNJSA-N 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/20—Arrangements for detecting or preventing errors in the information received using signal quality detector
- H04L1/203—Details of error rate determination, e.g. BER, FER or WER
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0002—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate
- H04L1/0003—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate by switching between different modulation schemes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0009—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the channel coding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0023—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the signalling
- H04L1/0026—Transmission of channel quality indication
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
L’invention concerne un procédé de prédiction d’une probabilité d’erreur paquet prédite () d’un lien radio (LR) entre un émetteur et un récepteur dans un réseau de communication sans fil pour une pluralité de schémas de modulation et codage (MCS), ledit procédé de prédiction comprenant :- une étape de réception d’un vecteur de SNR () ; - une étape de détermination d’un vecteur () de paramètres de calibration à partir dudit vecteur de SNR (), ladite étape de détermination du vecteur () de paramètres de calibration étant réalisée à partir d’une architecture de réseaux de neurones profonds (DNN) ;- une étape de traitement desdits paramètres de calibration par une fonction mathématique différentiable () pour obtenir le rapport signal à bruit équivalent prédit ().- une étape de mapping gaussien permettant de déterminer la probabilité d’erreur paquet prédite () à partir du rapport signal à bruit équivalent prédit (). Figure pour l’abrégé : Fig. 3
Description
La présente invention concerne un réseau de télécommunication sans fil et plus particulièrement un procédé de prédiction de la qualité de la transmission de données sur ce réseau de télécommunication en termes de probabilité d’erreur paquet ou de SNR équivalent. Deux applications sont particulièrement visées par l’invention, à savoir une allocation de ressources pour allouer les meilleures ressources à l’émetteur (puissance, schéma de modulation et codage (MCS), etc.) et une abstraction de lien pour la simulation du réseau de télécommunication.
La divulgue un procédé connu pour la prédiction d’une PEP (pour Probabilité d’Erreur Paquet) noté , d’un lien radio entre un émetteur et un récepteur. Ce procédé comprend :
- une étape de réception d’un vecteur de rapports signal à bruit SNR (pour « Signal to Noise Ratio » en anglais) mesuré sur le lien. Par exemple, dans le cas de système OFDM (pour « Orthogonal Frequency-Division Multiplexing ») ou à sauts de fréquences, on mesure ou on calcule (selon l’application visée) les SNR sur chacune des dimensions, par porteuse ou sur chaque palier respectivement puis il peut être déduit la PEP du lien. Dans l’art antérieur de la , le procédé comprend en outre, une étape de traitement dudit vecteur de SNR par une fonction EESM (pour « Exponential Effective SINR Mapping »), ladite fonction EESM à deux paramètres s’écrivant de la manière suivante : avec et des paramètres de calibration, la ième valeur du vecteur de SNR , allant de 1 à , avec un entier naturel non nul représentant la longueur du vecteur de SNR. Cette fonction EESM est notamment divulguée dans l’article I. Latif, F. Kaltenberger and R. Knopp, "Link abstraction for multi-user MIMO in LTE using interference-aware receiver," 2012 IEEE Wireless Communications and Networking Conference (WCNC), 2012, pp. 842-846, doi: 10.1109/WCNC.2012.6214489, dit document Latif et al.
- une étape de réception d’un vecteur de rapports signal à bruit SNR (pour « Signal to Noise Ratio » en anglais)
Le traitement par la fonction EESM permet d’estimer un scalaire de rapport signal à bruit dit (ou dénommé) « équivalent » (traduction de « effective SNR » en anglais). La PEP prédite est ensuite déterminée à partir d’une fonction « mapping gaussien » qui associe une valeur de PEP à une valeur de SNR dans un canal gaussien pour un schéma de modulation et codage (MCS) donné. Cette fonction de mapping est construite à partir d’un ensemble de points obtenus par simulation du lien radio et connue sous le nom de LUT (pour « Look Up Table » en anglais), où est le rapport signal à bruit dans le canal gaussien et la probabilité d’erreur mesurée pour cette valeur de SNR pour un MCS donné. Lorsque les valeurs de n’appartiennent pas à l’ensemble des points de l’ensemble , il est nécessaire de procéder à une interpolation pour calculer la valeur de la PEP. Il existe alors deux manières de réaliser le mapping : 1) une approche d’interpolation par segment, 2) une approche d’interpolation globale sur l’ensemble des points. Dans le cas 1) on peut par exemple utiliser une interpolation linéaire, c’est-à-dire, si alors on calcule avec et . Dans le cas 2) on construit une fonction d’interpolation , par exemple par une interpolation polynomiale de Lagrange passant par les points de l’ensemble . Dans ce cas, la PEP estimée est donnée par . La fonction résultante est différentiable, hypothèse qui sera nécessaire pour décrire un mode particulier d’apprentissage d’une réalisation de l’invention.
Le procédé de prédiction de la figure 1 nécessite une phase de calibration du modèle pour déterminer , calibration réalisée à partir d’une base de données de couples obtenus par simulations ou mesures, étant la probabilité d’erreur paquet associée au vecteur de paramètres du ème élément de la base de données. L’obtention de cette base de données est très coûteuse à obtenir du fait d’un temps de simulation important. Enfin, la précision des prédictions obtenues est limitée.
La figure 2 illustre une solution alternative connue dans l’état de l’art utilisant un réseau de neurones profond entraîné à partir d’une base de données (non représentée). Ce réseau de neurones profond est adapté pour recevoir en entrée le vecteur de SNR et pour fournir en sortie la PEP prédite . L’utilisation d’un réseau de neurones dans un procédé de prédiction des performances d’un lien radio est notamment divulguée dans la publication E. Chu, J. Yoon, and B.C. Jung, « A Novel Link-to-System Mapping Technique Based on Machine Learning for 5G/IoT Wireless Networks »,Sensors2019,19, 1196. https://doi.org/10.3390/s19051196.
Le procédé de prédiction de la dispose d’un pouvoir d’inférence peu précis si le réseau de neurones profond est entraîné sur une base de données frugale, c’est-à-dire de taille faible (cardinal de l’ordre de quelques milliers) et n’apporte pas de gain en termes de performances d’inférence par rapport à la méthode sans réseau de neurones telle qu’exposée au paragraphe [3].
Il existe donc un besoin de proposer un procédé de prédiction d’un paramètre représentatif de la qualité du lien radio entre l’émetteur et le récepteur qui soit simple et pratique à mettre en œuvre et dont les performances en inférence soient meilleures que les solutions de l’état de l’art évoquées précédemment dans le cas d’une base de données frugale.
La présente invention vise à remédier à ce besoin. Plus particulièrement, la présente invention a pour objectif de couvrir un procédé de prédiction d’une probabilité d’erreur paquet prédite d’un lien radio entre un émetteur et un récepteur dans un réseau de communication sans fil pour une pluralité de schémas de modulation et codage, ledit procédé de prédiction comprenant :
- une étape de réception d’un vecteur de SNR ;
- une étape de détermination d’un vecteur de paramètres de calibration à partir dudit vecteur de SNR, ladite étape de détermination du vecteur de paramètres de calibration étant réalisée à partir d’une architecture de réseaux de neurones profonds ;
- une étape de traitement desdits paramètres de calibration par une fonction mathématique différentiable pour obtenir le rapport signal à bruit équivalent prédit ;
- une étape de mapping gaussien permettant de déterminer la probabilité d’erreur paquet prédite à partir du rapport signal à bruit équivalent prédit.
- une étape de réception d’un vecteur de SNR ;
- une étape de détermination d’un vecteur de paramètres de calibration à partir dudit vecteur de SNR, ladite étape de détermination du vecteur de paramètres de calibration étant réalisée à partir d’une architecture de réseaux de neurones profonds ;
- une étape de traitement desdits paramètres de calibration par une fonction mathématique différentiable pour obtenir le rapport signal à bruit équivalent prédit ;
- une étape de mapping gaussien permettant de déterminer la probabilité d’erreur paquet prédite à partir du rapport signal à bruit équivalent prédit.
Dans un mode de réalisation particulier, le mapping gaussien est réalisé par interpolation par segment et ledit procédé de prédiction comprend :
- une étape d’apprentissage des poids des réseaux de neurones profonds à partir de couples comportant un vecteur de SNR et un rapport signal à bruit équivalent associé, lesdits couples étant déterminés pour la pluralité de schémas de modulation et codage, lesdits couples étant préalablement stockés dans une base de données d’apprentissage, les rapports signal à bruit équivalent des couples étant déterminés par une inversion du mapping gaussien, ledit mapping gaussien étant obtenu par une simulation sur canal gaussien pour un schéma de modulation et codage donné.
- une étape d’apprentissage des poids des réseaux de neurones profonds à partir de couples comportant un vecteur de SNR et un rapport signal à bruit équivalent associé, lesdits couples étant déterminés pour la pluralité de schémas de modulation et codage, lesdits couples étant préalablement stockés dans une base de données d’apprentissage, les rapports signal à bruit équivalent des couples étant déterminés par une inversion du mapping gaussien, ledit mapping gaussien étant obtenu par une simulation sur canal gaussien pour un schéma de modulation et codage donné.
Dans un mode de réalisation particulier, le mapping gaussien est réalisé par interpolation globale et ledit procédé de prédiction comprend :
- une étape d’apprentissage des poids des réseaux de neurones profonds à partir de couples comportant un vecteur de SNR et une probabilité d’erreur paquet associé, lesdits couples étant déterminés pour la pluralité de schémas de modulation et codage, lesdits couples étant préalablement stockés dans une base de données d’apprentissage.
- une étape d’apprentissage des poids des réseaux de neurones profonds à partir de couples comportant un vecteur de SNR et une probabilité d’erreur paquet associé, lesdits couples étant déterminés pour la pluralité de schémas de modulation et codage, lesdits couples étant préalablement stockés dans une base de données d’apprentissage.
Le procédé permet ainsi de prédire un SNR équivalent puis d’en déduire la PEP d’un lien à partir d’un vecteur de données mesurées/estimées, ici contenu dans le vecteur de SNR qui constitue une caractéristique du lien. En outre, il peut être possible de prendre en compte une invariance des vecteurs d’atténuations de canaux du lien radio. Le réseau de neurones profond ne prédit plus directement la PEP comme dans l’art antérieur mais des paramètres de calibration. La méthode conventionnelle de l’art antérieur sans réseau de neurones prédit la PEP à partir du vecteur de SNR à travers une fonction (par exemple EESM) paramétrée par un ou deux coefficients, coefficients qui sont constants quel que soit le vecteur de SNR présenté à l’entrée du dispositif. Ainsi, les deux approches de l’art antérieur ayant les mêmes entrées et sorties, on ne peut en aucune manière déduire l’invention en fusionnant les deux approches de l’art antérieur. Dans l’invention, les paramètres de calibration sont générés par le réseau de neurones pour chaque vecteur de SNR présenté à l’entrée du dispositif. D’après les inventeurs, ce qui rend possible la mise en œuvre de cette solution est une propriété qui n’a jamais été dévoilée dans l’art antérieur. En effet, on peut montrer que l’on peut toujours trouver un jeu de paramètres de calibration qui permet de prédire la PEP sans erreur pour n’importe quel vecteur de SNR , de sorte que les réseaux de neurones produisent autant de paramètres de calibration différents que de SNR d’entrée, chacun avec une erreur de prédiction nulle ou très faible. Ainsi, l’architecture proposée qui s’appuie sur cette propriété qui n’a jamais été révélée dans l’art antérieur constitue une source de progrès indéniable. L’architecture proposée permet de converger vers un très bon apprentissage, entrainant ensuite de bonnes performances d’inférence grâce à la capacité de généralisation des réseaux de neurones quand leurs poids sont correctement entrainés. Ces paramètres de calibration sont ensuite destinés à être appliqués à la fonction mathématique différentiable par rapport audits paramètres. Cet apprentissage est réalisé par un algorithme conventionnel d’apprentissage de réseau de neurones en se donnant un critère à optimiser entre la sortie du système de prédiction et la valeur correspondante dans la base de données, par exemple l’erreur quadratique moyenne. On distinguera par la suite deux modes d’apprentissage selon que la fonction de mapping gaussien est réalisée par interpolation par segment (point 1 du paragraphe [3]) ou par interpolation globale (point 2 du paragraphe [3]).
Dans un mode de réalisation particulier, le vecteur de SNR est déterminé à partir d’une étape de traitement d’un vecteur d’atténuations de canaux du lien radio.
Dans un mode de réalisation particulier, l’étape de traitement du vecteur d’atténuations de canaux comprend une étape de traitement pour une prise en compte d’un nombre d’antennes à l’émission, l’émetteur ayant plusieurs antennes, et d’un nombre d’antennes à la réception, le récepteur ayant plusieurs antennes, en vue d’obtenir un vecteur de rapport signal à bruit.
Dans un mode de réalisation particulier, l’étape de traitement du vecteur d’atténuations de canaux comprend une étape de traitement d’invariance par permutation du vecteur de rapport signal à bruit pour obtenir le vecteur de SNR.
Dans un mode de réalisation particulier, le traitement d’invariance par permutation est une opération de tri.
Dans un mode de réalisation particulier, le traitement d’invariance par permutation est une opération de discrétisation.
Dans un mode de réalisation particulier, le traitement d’invariance par permutation est réalisé par d’autres réseaux de neurones profonds.
Dans un mode de réalisation particulier, le vecteur de SNR est concaténé avec un rapport de signal à bruit moyen.
Dans un mode de réalisation particulier, le vecteur de SNR est concaténé avec un vecteur d’encodage 1 parmi dans le cas de schémas de modulation et codage (MCS).
Dans un mode de réalisation particulier, la fonction mathématique différentiable ( ) correspond à l’équation suivante :
avec un premier paramètre de calibration et un second paramètre de calibration, la ième valeur du vecteur de SNR , allant de 1 à .
Dans un mode de réalisation particulier, le premier paramètre de calibration est égal à 1 et ladite fonction mathématique différentiable ( ) correspond à l’équation suivante :
.
Dans un mode de réalisation particulier, le deuxième paramètre de calibration est égal à 1 et ladite fonction mathématique différentiable ( ) correspond à l’équation suivante :
.
La présente invention sera mieux comprise à la lecture de la description détaillée de modes de réalisation pris à titre d’exemples nullement limitatifs et illustrés par les dessins annexés sur lesquels :
Dans la description qui va suivre, les vecteurs sont référencés en gras par rapport aux scalaires. De la même manière sur les figures, les vecteurs sont référencés en gras et les traits associés ont une épaisseur supérieure à l’épaisseur des traits associés aux scalaires.
La figure 3 illustre un procédé de prédiction d’une probabilité d’erreur paquet selon un premier mode de réalisation de l’invention.
Dans ce premier mode de réalisation, le procédé de prédiction comprend :
- une étape de réception d’un vecteur de SNR ;
- une étape de détermination d’un vecteur de paramètres de calibration à partir du vecteur de SNR à l’aide d’un réseau de neurones profond ;
- une étape de traitement des paramètres de calibration par une fonction mathématique différentiable pour obtenir le rapport signal à bruit équivalent prédit .
- une étape de détermination de la probabilité d’erreur paquet à partir du rapport signal à bruit équivalent prédit à l’aide d’une fonction de mapping gaussien.
- une étape de réception d’un vecteur de SNR
- une étape de détermination d’un vecteur
- une étape de traitement des paramètres de calibration
- une étape de détermination de la probabilité d’erreur paquet
Le vecteur de SNR est constitué de paramètres discriminants du lien radio. Dans le cas de la prédiction de lien pour les systèmes expérimentant plusieurs SNR lors de la transmission d’un paquet (porteuses en OFDM, paliers pour le saut de fréquences, etc.), le vecteur d’entrée est nécessairement constitué des SNR. Ces SNR peuvent être exprimés en linéaire ou en dB, voire de manière générale après avoir subi n’importe quelle prédistortion. Les valeurs des SNR utilisés dans la fonction ne sont pas forcément prédistordus ou ne sont pas forcément prédistordus de la même manière que les SNR à l’entrée du réseau de neurones profond. Par exemple dans le cas de l’EESM, les valeurs de SNR utilisée dans la formule sont exprimés en linéaire alors que les SNR à l’entrée du réseau de neurones profond peuvent être exprimés en dB.
La figure 5 illustre un mode de réalisation particulier dans lequel des informations référencées sont concaténées. Ces informations sont, par exemple, un rapport de signal à bruit moyenet/ou une information du schéma de modulation et codage considéré. Une implémentation possible pour informer le réseau du MCS est l’utilisation d’un vecteur « one-hot » , c’est-à-dire un encodage de 1 parmi , dans le cas de MCS. Ceci permet de prendre en compte plusieurs MCS avec la même architecture de réseaux de neurones, c’est-à-dire avec les mêmes poids. La base de données d’apprentissage est ainsi constituée par les couples des différents MCS considérés. Par exemple, pour MCS, nous avons ou ou .
Il serait possible d’associer d’autres informations si nécessaires en fonction du problème à résoudre.
En variante, il serait possible de remplacer les SNR par des données de type Channel State Information (CSI) ou Channel Quality Indicator (CQI).
L’étape de détermination du vecteur de paramètres de calibration est réalisée à partir d’une architecture de réseaux de neurones profonds (dit DNN pour « Deep Neural Network » en anglais). Par « réseau de neurones profond », on entend un réseau de neurones composé d’au moins trois couches, dont deux couches cachées et une couche de sortie. Le nombre de neurones de chaque couche peut être différent.
Les poids des différents réseaux de neurones profonds sont déterminés par un algorithme d’apprentissage A à partir d’une pluralité de vecteurs et des probabilités d’erreur paquet associées préalablement stockés dans une base de données d’apprentissage BD et d’un mapping gaussien. La base de données est constituée d’un ensemble de couples obtenus par simulations ou mesures, étant la probabilité d’erreur paquet associée au vecteur de paramètres du ème élément de la base de données. Selon l’implémentation du mapping gaussien, soit par interpolation par segment, soit par interpolation globale, deux schémas d’apprentissage différents sont appliqués.
Dans le cas d’un mapping gaussien par interpolation par segment, le schéma d’apprentissage est illustré à la figure 4. La fonction de mapping gaussien avec interpolation par segment n’étant pas différentiable, on ne peut pas appliquer les algorithmes d’apprentissage de réseaux de neurones en prenant comme critère à optimiser la valeur de la PEP en sortie du mapping gaussien. Pour remédier à ce problème, on réalise l’apprentissage en considérant comme critère à optimiser le SNR équivalent. Il est nécessaire de créer une nouvelle base de données d’apprentissage BD constituée de couples où les sont déduis des en inversant le mapping gaussien, par exemple par interpolation linéaire.
L’algorithme d’apprentissage A est adapté pour recevoir une pluralité de rapports signal à bruit équivalent prédit issue de la sortie du procédé de prédiction.
L’algorithme d’apprentissage A va alors modifier les poids des différents réseaux de neurones profonds de sorte à satisfaire à l’équation ci-dessous :
Les poids des réseaux de neurones profonds sont sauvegardés.
Dans le cas d’un mapping gaussien par interpolation globale, le schéma d’apprentissage est illustré à la . Le mapping gaussien étant réalisé par une fonction différentiable, on applique les algorithmes d’apprentissage de réseaux de neurones en prenant comme critère à optimiser la valeur de la PEP en sortie du mapping gaussien.
L’algorithme d’apprentissage A est adapté pour recevoir une pluralité de probabilité d’erreur paquet prédites issue de la sortie du procédé de prédiction.
L’algorithme d’apprentissage A va alors modifier les poids des différents réseaux de neurones profonds de sorte à satisfaire à l’équation ci-dessous :
Les poids des réseaux de neurones profonds sont sauvegardés.
Le vecteur de paramètres de calibration est traité par une fonction mathématique différentiable pour obtenir le rapport signal à bruit équivalent prédit .
Cette fonction mathématique différentiable peut, par exemple, être la fonction EESM qui comporte deux paramètres de calibration telle que :
On notera que toute autre fonction différentiable de compression des SNR est utilisable, comme par exemple, une fonction approchant l’information mutuelle dite fonction MIESM connue du document Latif et al.
Dans le cas de l’OFDM (quel que soit le canal) ou de l’évanouissement plat par palier dans le cas de sauts de fréquence, le vecteur de SNR est déterminé à partir d’une étape de traitement T d’un vecteur d’atténuations de canaux du lien radio.
Les figures 7 et 8 divulguent une telle étape T de traitement. Ainsi cette étape T comprend une étape de traitement (PA) pour une prise en compte d’un nombre d’antennes à l’émission et d’un nombre d’antennes à la réception en vue d’obtenir un vecteur de rapport signal à bruit .
Ainsi le vecteur d’atténuations de canaux peut s’écrire :
avec le nombre de dimensions sur laquelle porte l’évaluation du SNR équivalent, par exemple le nombre de sous-porteuses en OFDM ou le nombre de paliers en sauts de fréquence, une matrice des atténuations du canal pour la dimension considérée (sous-porteuse ou palier), et l’élément de la matrice .
Dans le cas d’un mode SISO (pour « Single Input Single Output »), , nous avons les relations suivantes :
Dans le cas d’un mode SIMO (pour « Single Input Multiple Output »), où et , nous avons par exemple pour , les relations suivantes :
Dans une option 1, dans laquelle il n’y a pas d’information sur le récepteur :
Dans une option 2, dans laquelle le récepteur est connu, par exemple un récepteur de type MRC (pour « Maximum Ratio Combining ») :
Dans le cas d’un mode MIMO (pour « Multiple Input Multiple Output »), où et , nous avons :
Dans une option 1, dans laquelle il n’y a pas d’informations sur le récepteur :
Dans une option 2, dans laquelle il y a un récepteur optimal :
Dans le cas particulier des canaux à évanouissements sélectifs en fréquence agissant sur chaque palier en sauts de fréquence, les composantes du vecteur ne sont plus des scalaires mais des vecteurs des réponses impulsionnelles desdits canaux. Dans ce cas le récepteur procède à une égalisation sur chacun des paliers et les éléments du vecteur sont alors égaux aux SNR post-égalisation de la composante calculés ou mesurés selon l’application.
A la figure 8, le rapport signal à bruit est traité au cours d’une étape TI de traitement d’invariance par permutation dudit vecteur de rapport signal à bruit , pour obtenir le vecteur de SNR . Cette étape de traitement TI permet de prendre en compte l’invariance par permutation du vecteur de SNR d’entrée. En effet, la qualité du lien ne dépend pas de l’ordre des valeurs de SNR dans le vecteur, c’est-à-dire que quelle que soit la permutation . En outre, cette étape de traitement TI permet de pallier une taille relativement faible de la base de données d’apprentissage BD (quelques milliers de représentants).
Dans un mode de réalisation particulier, cette étape de traitement TI et une étape de tri dans lequel, nous avons :
et qui vérifie la relation d’ordre avec pour et l’ensemble .
Une telle étape de tri des données d’entrée, ici par ordre croissant, est simple à mettre en œuvre. Elle permet de donner de bons résultats en inférence sur une base de données d’apprentissage BD frugale.
Dans un mode de réalisation particulier, l’étape de traitement TI et une discrétisation dans lequel est un vecteur de dimension .
Nous avons l’équation :
où pour est déterminé selon les équations suivantes :
On définit valeurs réelles vérifiant
pour , si , sinon
Dans une première option, , dès lors nous avons éléments à 1 et éléments à 0.
Dans une seconde option, , dès lors nous avons éléments non-nuls et éléments à 0.
Dans un mode de réalisation illustré à la figure 9, le traitement d’invariance par permutation TI est une opération réalisée par des réseaux de neurones profonds dite DeepSet. Ce traitement consiste au traitement du vecteur par une architecture de réseaux de neurones profonds DNN’ qui fournit en sortie un ensemble de vecteurs dont les composantes sont additionnées terme à terme pour former le vecteur SNR . Les entrées scalaires produisent les sorties vectorielles pour , à travers la même architecture de réseau de neurones profond DNN’ constitué des mêmes poids.
L’invention permet ainsi :
- l’ l’introduction d’un modèle mathématique associé à l’architecture DNN pour la prédiction de performance de liens radio en terme de probabilité d’erreur paquet et l’architecture associée ;
- l’introduction du modèle mathématique permet d’être beaucoup plus précis car le DNN apprend autant de vecteurs que de vecteurs d’entrée de la base de données d’apprentissage alors que dans les méthodes conventionnelles on détermine un seul vecteur pour l’ensemble de la base de données. Il ainsi possible de montrer que pour certains modèles mathématiques, il existe des vecteurs de dimension deux et de dimension un permettant de prédire de manière exacte (c’est-à-dire sans erreur) le SNR équivalent pour tout vecteur d’entrée ;
- une prédiction des performances des liens radio précise en inférence ;
- d’obtenir de bonnes performances même sur une base de données frugale.
- l’ l’introduction d’un modèle mathématique associé à l’architecture DNN pour la prédiction de performance de liens radio en terme de probabilité d’erreur paquet et l’architecture associée ;
- l’introduction du modèle mathématique permet d’être beaucoup plus précis car le DNN apprend autant de vecteurs
- une prédiction des performances des liens radio précise en inférence ;
- d’obtenir de bonnes performances même sur une base de données frugale.
L’invention concerne plus particulièrement les opérateurs, constructeurs de systèmes de communication sans fil.
Le procédé de prédiction de la probabilité d’erreur paquet prédite peut avantageusement s’implémenter dans une station de transmission de base d’un réseau de communication sans fil.
Claims (14)
- Procédé de prédiction d’une probabilité d’erreur paquet prédite (
- une étape de réception d’un vecteur de SNR (
- une étape de détermination d’un vecteur (
- une étape de traitement desdits paramètres de calibration par une fonction mathématique différentiable (
- une étape de mapping gaussien permettant de déterminer la probabilité d’erreur paquet prédite ( - Procédé de prédiction selon la revendication 1 dans lequel le mapping gaussien est réalisé par interpolation par segment et en ce que ledit procédé de prédiction comprend :
- une étape d’apprentissage de poids des réseaux de neurones profonds (DNN) à partir de couples comportant un vecteur de SNR ( - Procédé de prédiction selon la revendication 1 dans lequel le mapping gaussien est réalisé par interpolation globale et en ce que ledit procédé de prédiction comprend :
- une étape d’apprentissage de poids des réseaux de neurones profonds (DNN) à partir de couples comportant un vecteur de SNR ( - Procédé de prédiction selon l’une quelconque des revendications 1 à 3, dans lequel le vecteur de SNR (
- Procédé de prédiction selon la revendication 4, dans lequel l’étape (T) de traitement du vecteur d’atténuations de canaux (
- Procédé de prédiction selon la revendication 5, dans lequel l’étape (T) de traitement du vecteur d’atténuations de canaux (
- Procédé de prédiction selon la revendication 6, dans lequel le traitement d’invariance par permutation (TI) est une opération de tri.
- Procédé de prédiction selon la revendication 6, dans lequel le traitement d’invariance par permutation (TI) est une opération de discrétisation.
- Procédé de prédiction selon la revendication 6, dans lequel le traitement d’invariance par permutation (TI) est réalisé par d’autres réseaux de neurones profonds (DNN’).
- Procédé de prédiction selon l’une quelconque des revendications 1 à 9, dans lequel le vecteur de SNR (
- Procédé de prédiction selon l’une quelconque des revendications 1 à 10, dans lequel le vecteur de SNR (S) est concaténé avec un vecteur (
- Procédé de prédiction selon l’une quelconque des revendications 1 à 11, dans lequel la fonction mathématique différentiable (
avec - Procédé de prédiction selon la revendication 12, dans lequel le premier paramètre de calibration c1est égal à 1 et ladite fonction mathématique différentiable (
- Procédé de prédiction selon la revendication 12, dans lequel le deuxième paramètre de calibration
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2211186A FR3141576A1 (fr) | 2022-10-27 | 2022-10-27 | Procédé de prédiction de la probabilité d'erreur paquet d'un lien radio utilisant des réseaux de neurones profonds |
| PCT/EP2023/079383 WO2024088920A1 (fr) | 2022-10-27 | 2023-10-20 | Procédé de prédiction de la probabilité d'erreur paquet d'un lien radio utilisant des réseaux de neurones profonds |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2211186A FR3141576A1 (fr) | 2022-10-27 | 2022-10-27 | Procédé de prédiction de la probabilité d'erreur paquet d'un lien radio utilisant des réseaux de neurones profonds |
| FR2211186 | 2022-10-27 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3141576A1 true FR3141576A1 (fr) | 2024-05-03 |
Family
ID=85685437
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2211186A Pending FR3141576A1 (fr) | 2022-10-27 | 2022-10-27 | Procédé de prédiction de la probabilité d'erreur paquet d'un lien radio utilisant des réseaux de neurones profonds |
Country Status (2)
| Country | Link |
|---|---|
| FR (1) | FR3141576A1 (fr) |
| WO (1) | WO2024088920A1 (fr) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100061438A1 (en) * | 2006-11-13 | 2010-03-11 | Agency For Science, Technology And Research | Method for selecting transmission parameters for a data transmission and data transmission controller |
-
2022
- 2022-10-27 FR FR2211186A patent/FR3141576A1/fr active Pending
-
2023
- 2023-10-20 WO PCT/EP2023/079383 patent/WO2024088920A1/fr unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100061438A1 (en) * | 2006-11-13 | 2010-03-11 | Agency For Science, Technology And Research | Method for selecting transmission parameters for a data transmission and data transmission controller |
Non-Patent Citations (4)
| Title |
|---|
| CHU EUNMI ET AL: "Machine Learning Based Link-to-System Mapping for System-Level Simulation of Cellular Networks", 2018 TENTH INTERNATIONAL CONFERENCE ON UBIQUITOUS AND FUTURE NETWORKS (ICUFN), IEEE, 3 July 2018 (2018-07-03), pages 503 - 506, XP033386191, DOI: 10.1109/ICUFN.2018.8436754 * |
| E. CHUJ. YOONB.C. JUNG: "A Novel Link-to-System Mapping Technique Based on Machine Learning for 5G/IoT Wireless Networks", SENSORS, vol. 19, 2019, pages 1196, Retrieved from the Internet <URL:https://doi.org/10.3390/s19051196> |
| I. LATIFF. KALTENBERGERR. KNOPP: "Link abstraction for multi-user MIMO in LTE using interference-aware receiver", 2012 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFÉRENCE (WCNC, 2012, pages 842 - 846 |
| WANG JIAN ET AL: "Deep Learning Based Link-Level Abstraction for mmWave Communications", 2021 IEEE SMARTWORLD, UBIQUITOUS INTELLIGENCE & COMPUTING, ADVANCED & TRUSTED COMPUTING, SCALABLE COMPUTING & COMMUNICATIONS, INTERNET OF PEOPLE AND SMART CITY INNOVATION (SMARTWORLD/SCALCOM/UIC/ATC/IOP/SCI), IEEE, 18 October 2021 (2021-10-18), pages 391 - 398, XP034025714, DOI: 10.1109/SWC50871.2021.00060 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024088920A1 (fr) | 2024-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2401830B1 (fr) | Méthode de signalisation de la qualité d'un canal de transmission | |
| FR2924884A1 (fr) | Reduction d'interferences dans un signal a repartition de frequences orthogonales | |
| EP2549670B1 (fr) | Procédé de transmission de paquets de données dans un système de télécommunication à adaptation de lien selon un protocole harq pour optimiser la puissance d'émission | |
| EP1987645B1 (fr) | Procede d'emission avec allocation optimale de puissance emise pour emetteur multi porteuses | |
| EP1189370B1 (fr) | Puissance d'émission des symboles pilotes | |
| EP3800813B1 (fr) | Procédé et un dispositif de prédiction des performances d'un récepteur dans un système de communication | |
| EP2413511B1 (fr) | Méthode de communication supervisée par une classification d'interférence | |
| WO2015079174A1 (fr) | Procédé de coordination d'émetteurs radio base sur un codage de niveau de puissance émise et émetteur correspondant | |
| EP2763340B1 (fr) | Méthode d'adaptation de liaison dirigée par un choix de régime d'interférence | |
| WO2007031568A1 (fr) | Procede de transmission d'un signal a porteuses multiples et a etalement de spectre, procede de reception, dispositif d'emission, dispositif de reception et signal correspondants | |
| FR3141576A1 (fr) | Procédé de prédiction de la probabilité d'erreur paquet d'un lien radio utilisant des réseaux de neurones profonds | |
| EP3709590A1 (fr) | Méthode d'adaptation de liaison utilisant une constellation de modulation polaire | |
| EP2481181B1 (fr) | Procédé de réduction des interférences entre un premier signal de type courant porteur transmis entre modems d'un réseau électrique et un second signal transmis entre modems d'un autre réseau | |
| EP1864391B1 (fr) | Procede et dispositif de selection de trajets | |
| EP3900199A1 (fr) | Système de communication par rétrodiffusion ambiante, appareil et procédé associés | |
| EP2276209B1 (fr) | Procédé de détermination de la taille d'un champ d'entête | |
| EP2179529B1 (fr) | Methode de separation de sources dans un systeme multisources | |
| FR2908008A1 (fr) | Procede de gesion des ressources de transmission dans un reseau de communication cellulaire,terminal,station de base et produit d'ordinateur correspondants. | |
| EP4443756A1 (fr) | Point d accès d'un réseau mimo massif distribué et sans cellule, réseau et procédé de limitation de la distorsion de signal causée par des imperfections matérielles de point(s) d accès | |
| EP3062455A1 (fr) | Procédé de prise de décision d'un transfert de communication dans un contexte interférentiel intra-bande | |
| FR2916920A1 (fr) | Procede de reception d'un signal transmis multiplexe en frequence. | |
| WO2011141666A1 (fr) | Procedes d'emission et de reception d'un signal multiporteuse, emetteur, recepteur, signal de retour et programme d'ordinateur correspondants | |
| FR2981233A1 (fr) | Procede et systeme permettant l'allocation dynamique de puissance et/ou de modulation dans un systeme comprenant n canaux | |
| EP1107528A1 (fr) | Methode de detection de blocs pour canal soumis à evanouissement | |
| Louveaux | Rostom Zakaria Conception d’émetteur et récepteur pour l’élimination des interférences intrinsèques dans les systèmes multiporteuses à base de bancs de filtres et à antennes multiples. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20240503 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |