JP2019101792A - チャネル状態予測装置、無線通信装置、チャネル状態予測方法、および、プログラム - Google Patents

Abstract

【課題】複雑に無線環境が変化する状況においても、高精度で無線環境状況を予測する無線通信装置を実現する。【解決手段】無線通信装置１００では、例えば、チャネルの空／塞の状態を示すシリアルデータから、確率的ニューラルネットワーク等を用いたモデルに適用しやすい行列のデータである予測用行列データＰと、目標行列データＴとを取得する。そして、無線通信装置１００では、予測用行列データＰおよび目標行列データＴに対応するクラスを設定し、予測用行列データＰを入力データとし、目標行列データＴに基づいて生成したデータを教師データとして、学習モデルを最適化させることで学習処理を行う。また、無線通信装置１００では、学習処理により最適化した学習モデルを用いて、無線チャネルのビジー状態およびアイドル状態の時系列データの将来のデータを予測する予測処理を実行する。【選択図】図１

Description

本発明は、無線通信に使用されるチャネル状態の予測処理の技術に関する。

従来の無線通信方式、たとえば、３ＧＰＰ（3rd Generation Partnership Project）で標準化が行なわれた無線通信システムであるＬＴＥ（Long Term Evolution）リリース８（Rel-8）は、最大２０ＭＨｚの帯域を利用して通信を行うことが可能である。

さらに、ＬＴＥの発展版であるＬＴＥ−Ａ（Long Term Evolution-Advanced）では、ＬＴＥとの後方互換性を確保しつつ、更なる高速伝送を実現するため、ＬＴＥでサポートされる帯域幅を基本単位としたコンポーネントキャリア（ＣＣ：Component Carrier）を複数束ねて同時に用いるキャリアアグリゲーション（ＣＡ：Carrier Aggregation）技術が採用されている。これにより、ＬＴＥ−Ａでは、最大で５ＣＣ（１００ＭＨｚ幅）を用いて１００ＭＨｚ幅の広帯域伝送が実現可能である。ただし、このようなキャリアアグリゲーションは、近接する周波数バンドでの異なるチャネルを用いた伝送である。

上記のような高速化が図られてはいるものの、近年、スマートフォン等の高機能な携帯端末の普及に伴って、移動通信トラフィックの需要が急激に増大している。その結果、従来からの無線ＬＡＮ（Local Area Network）の利用拡大に加え、スマートフォンの普及によるモバイルデータトラフィックの増大により無線ＬＡＮへのオフロードが進展し、免許不要帯域（２．４ＧＨｚ帯、５ＧＨｚ帯）でのトラフィックが急増している。

また、ＩｏＴ（Internet Of Things）やＭ２Ｍ(Machine to Machine)に関する技術が多くのシステムに適用される傾向にあり、上記周波数帯および９２０ＭＨｚ帯の更なる逼迫が懸念され、これらの周波数帯の周波数利用効率向上は喫緊の課題となっている。

ここで、無線リソースの利用状況は時間・場所・周波数帯や無線チャネル等によって変動するため、一部の周波数帯（や無線チャネル）のみが混雑する状況が発生し得る。

つまり、無線システム全体として無線リソースに空きがある場合であっても、輻輳が発生するおそれがある。既存の自営系無線システム（例えばＩＥＥＥ８０２．１１無線ＬＡＮ）は単一の周波数帯を用いるか、予め使用する帯域をひとつ決めてから通信を行う。例えば、ＩＥＥＥ８０２．１１ｎは２．４ＧＨｚ帯と５ＧＨｚ帯のいずれを使用するかを設定してから使用する。このため、既存の自営系無線システム全体として無線リソースに空きがある場合であっても、輻輳が発生するおそれがある。

ここで、無線通信リソースの有効利用を図るためコグニティブ無線技術が注目されている。「コグニティブ無線技術」とは、無線端末が周囲の電波の利用状況を認識し、その状況に応じて利用する無線通信リソースを変えることをいう。コグニティブ無線技術には、異なる無線通信規格を状況に応じて選択して使うヘテロジニアス型と、無線端末が空き周波数を探し出して必要な通信帯域を確保する周波数共用型とがある。

ヘテロジニアス型においては、コグニティブ無線機は、周辺で運用されている複数の無線システムを認識し、各システムの利用度や実現可能な伝送品質に関する情報を入手し、適切な無線システムに接続する。即ち、ヘテロジニアス型のコグニティブ無線は、周辺に存在する無線システムの利用効率を高めることにより、間接的に周波数資源の利用効率を高めるものである。

一方、周波数共用型においては、コグニティブ無線機は、他の無線システムが運用されている周波数帯域において、一時的、または局所的に利用されていない周波数資源（これは、ｗｈｉｔｅ ｓｐａｃｅと呼ばれる）の存在を検知し、これを利用して信号伝送を行う。即ち、周波数共用型のコグニティブ無線は、ある周波数帯域における周波数資源の利用効率を直接的に高めるものである。

そして、上述したような免許不要帯域におけるトラフィックの増大の問題を解決する一手法として、使用周波数帯の異なる複数の無線ＬＡＮ規格（例えば、２．４ＧＨｚ帯無線ＬＡＮ規格と５ＧＨｚ帯無線ＬＡＮ規格）を選択あるいは並行利用する、ヘテロジニアス型コグニティブ無線的アプローチが考えられる（たとえば、特許文献１、特許文献２）。

しかし、このヘテロジニアス型コグニティブ無線的アプローチでは送信データを適宜分割し、それぞれどの周波数帯で伝送するかを事前に振り分けておく必要がある。この結果、各周波数帯の混雑度合いによっては使用周波数帯によって伝送遅延が大きく異なったり、データが宛先に到着する順番が入れ替わったりする、等の問題が新たに発生してしまう。

そこで、互いに大きく分離した複数の周波数帯、たとえば、２．４ＧＨｚ帯無線ＬＡＮと５ＧＨｚ帯無線ＬＡＮにおいて、既存システムと周波数を共用して、コグニティブな無線通信を実現することが望ましい。

しかしながら、複数の互いに分離した周波数帯域で同時並行に通信をする場合に、どのようなデータの分配を行い、送信タイミングをどのように決定すべきかについては、必ずしも明らかでない。

そこで、複数周波数帯（各周波数帯の中では1つ以上の無線チャネル）の利用状況（各無線チャネルの空き状況など）を観測し、このような観測結果に基づいて、送信のタイミングや使用する無線チャネルを制御するということが考えられる。具体的には、各無線チャネルがいつまで利用可能であるか、あるいはいつから利用可能であるかに応じて、送信のタイミングと使用する無線チャネルとを決定する。

ただし、このような送信制御には、過去の観測結果から、将来の利用状況の予測をすることが必要になる。

このとき、フレーム送信を試みる度に空き状況やビジー確率（ビジー状態である確率）等を頻繁に予測する必要があることを考えると、予測アルゴリズム（予測方法）は、高速かつ高精度な予測データを取得できるものであることが好ましい。

数多くの無線装置が無線伝送を行い、種々の通信トラフィックが混在している状況下では、無線リソース利用パターンが複雑化していると考えられる。そのような状況に対する簡易な表現でのモデル化が非常に困難である。そのため、予測アルゴリズム（予測方法）の設計や複雑さの低減などが重要な課題である。

ここで、無線通信の利用状況を予測するための従来技術としては、以下のようなものがある。

非特許文献１では、ＡＲ（autoregressive）法に基づく無線リソース利用率（ＣＯＲ : channel occupation ratio）の予測アルゴリズムを提案している。

非特許文献２では、隠れマルコフモデルを用いてトラフィックをモデル化し、ＣＯＲの予測を行っている。また、非特許文献３では、autoregressive integrated moving average (ARIMA)モデルを使ってＣＯＲの解析や予測を行っている。

非特許文献４では、実測結果に基づき無線チャネルの利用モデルの検討を行っている。また、チャネル状況の予測手法について概説している。

特開２０１１−２１１４３３号明細書 特開２０１３−１８７５６１号明細書

S. Kaneko, S. Nomoto, T. Ueda, S. Nomura, and K. Takeuchi, "Predicting radio resource availability in cognitive radio-an experimental examination," in Proc. CrownCom, Singapore, pp. 1-8, May 2008. E. Chatziantoniou, B. Allen and V. Velisavljevic, "An HMM-based spectrum occupancy predictor for energy efficient cognitive radio," IEEE PIMRC, London, pp. 601-605, Sept. 2013. Z. Wang and S. Salous, "Spectrum occupancy statistics and time series models for cognitive radio," J. Signal Process. Syst., vol. 62, no. 2, pp. 145-155, Feb. 2011. Y. Chen and H.S. Oh, "A Survey of Measurement-Based Spectrum Occupancy Modeling for Cognitive Radios," IEEE Communications Surveys & Tutorials, vol. 18, no. 1, pp. 848-859, First quarter 2016.

しかしながら、上記の技術では、高速かつ高精度に、無線環境状況（例えば、チャネルの空／塞の状態）を予測することは困難である。例えば、無線信号の反射波が多い狭い空間では、当該空間内での物の移動等により無線環境が複雑に変化する。このような複雑に無線環境が変化する状況において、上記の技術では、高速かつ高精度に、無線環境状況（例えば、チャネルの空／塞の状態）を予測することは困難である。

そこで、本発明は上記課題に鑑み、複雑に無線環境が変化する状況においても、高速かつ高精度に、無線環境状況（例えば、チャネルの空／塞の状態）を予測するチャネル状態予測装置、無線通信装置、チャネル状態予測方法、および、プログラムを実現することを目的とする。

上記課題を解決するために、第１の発明は、予測用データ取得部と、予測処理部と、を備えるチャネル状態予測装置である。

予測用データ取得部は、無線チャネルのビジー状態およびアイドル状態の時系列データから、予測用行列データＰと目標行列データＴを取得する。

予測処理部は、予測用データ取得部により取得された予測用行列データＰおよび目標行列データＴに対応するクラスを設定し、予測用行列データＰを入力データとし、目標行列データＴに基づいて生成したデータを教師データとして、学習モデルを最適化させることで学習処理を行うとともに、学習処理により最適化した学習モデルを用いて、無線チャネルのビジー状態およびアイドル状態の時系列データの将来のデータを予測する予測処理を実行する。

このチャネル状態予測装置では、例えば、チャネルの空／塞の状態を示すシリアルデータ（Ｂ／Ｉデータ）から、確率的ニューラルネットワーク等を用いたモデルに適用しやすい行列のデータである予測用行列データＰと、目標行列データＴとを取得する。そして、このチャネル状態予測装置では、予測用行列データＰおよび目標行列データＴに対応するクラスを設定し、予測用行列データＰを入力データとし、目標行列データＴに基づいて生成したデータを教師データとして、学習モデルを最適化させることで学習処理を行う。また、このチャネル状態予測装置では、学習処理により最適化した学習モデルを用いて、無線チャネルのビジー状態およびアイドル状態の時系列データの将来のデータを予測する予測処理を実行する。したがって、このチャネル状態予測装置では、高速かつ高精度に、無線環境状況（例えば、チャネルの空／塞の状態）を予測することができる。

なお、「学習モデルを最適化させる」とは、例えば、学習モデルの特性を決定するパラメータを調整し、所定の予測精度（学習モデルによる予測処理の精度）を確保できると判定されたときののパラメータを最適パラメータとして取得し、当該最適パラメータによる特性を実現する学習モデル（学習済みモデル）を取得することをいう。

第２の発明は、第１の発明であって、学習モデルは、パラメータθにより調整されるものである。

学習モデルの入力データをｘとし、学習モデルの出力データをｙとし、入力データｘが学習モデルに入力されたときに出力データｙが出力される条件付き確率をＰ（ｙ｜ｘ）とすると、
予測処理部は、

に相当する処理を行うことで、前記最適化した学習モデルの最適パラメータθ＿ｏｐｔを取得する。

これにより、このチャネル状態予測装置では、学習処理により取得した最適パラメータθ＿ｏｐｔにより学習モデルを設定することで、学習済みモデルを取得することができる。

なお、パラメータθは、例えば、スカラー、ベクトル、テンソルである。

第３の発明は、第２の発明であって、パラメータθは、
（１）前記予測用行列データＰの行数Ｎ_Ｒ、
（２）前記予測用行列データＰの列数Ｎｃ、
（３）前記目標行列データＴの列数ｋ、
の少なくとも１つを含む。

これにより、このチャネル状態予測装置では、上記（１）〜（３）のデータに基づいて最適化された最適パラメータθ＿ｏｐｔを取得することができる。

第４の発明は、第１から第３のいずれかの発明であって、予測用データ取得部は、無線チャネルのビジー状態およびアイドル状態の時系列データから導出した無線リソース利用率のデータを用いて予測用行列データＰを取得する。

これにより、このチャネル状態予測装置では、無線リソース利用率のデータを用いて取得した予測用行列データＰを用いて、学習処理、予測処理を行うことができる。

第５の発明は、第１から第４のいずれかの発明であって、予測処理部は、確率的ニューラルネットワークを用いた学習モデルにより学習処理および予測処理を実行する。

これにより、このチャネル状態予測装置では、確率的ニューラルネットワークを用いた学習モデルにより学習処理および予測処理を実行することができる。

第６の発明は、第５の発明であって、予測用行列データＰがＮ_Ｒ行の行列データであり、予測用行列データＰがデータＤａｔａ＿Ｐとして予測処理部に入力されるものとし、データＤａｔａ＿Ｐの各行のデータをベクトルｖ_１、ｖ_２、・・・、ｖ_Ｎ（Ｎ＝Ｎ_Ｒ）とし、
第ｃ番目のクラスに対応し学習モデルが最適化されたときの予測用行列データＰの各行のデータをベクトルｖ_ｃ，１、ｖ_ｃ，２、・・・、ｖ_ｃ，Ｎ（Ｎ＝Ｎ_Ｒ）とし、第ｃ番目のクラスの放射基底関数データをｇ_ｃとすると、
予測処理部は、下記数式に相当する処理により、データＤａｔａ＿Ｐが入力されたときの第ｃ番目のクラスの放射基底関数データｇ_ｃ（Ｄａｔａ＿Ｐ）を取得し、取得した第ｃ番目のクラスの放射基底関数データｇ_ｃ（Ｄａｔａ＿Ｐ）に基づいて、予測処理を実行する。

σ_ｃ：第ｃ番目のクラスの標準偏差
これにより、このチャネル状態予測装置では、データＤａｔａ＿Ｐの各行のデータにより、ＰＮＮのシナプスの重み付けデータを設定する。このようにして設定したＰＮＮを用いて、このチャネル状態予測装置では、所定のパラメータ（例えば、放射基底関数の標準偏差σ、Ｎ_Ｒ、Ｎ_Ｃ等）を調整することで学習処理を行うことができる。また、このチャネル状態予測装置の学習処理では、ＰＮＮの隠れ層においてクラスを追加／置換することで、ＰＮＮに設定されているクラスを調整することができ、予測精度の高いモデルを高速に構築することができる。そして、このチャネル状態予測装置では、学習処理により最適化したモデル（ＰＮＮ）を用いて、予測処理を行うことで、高精度の予測処理（チャネルの空／塞の状態の将来データの予測処理）を行うことができる。

したがって、このチャネル状態予測装置では、複雑に無線環境が変化する状況においても、高速かつ高精度に、無線環境状況（例えば、チャネルの空／塞の状態）を予測することができる。

第７の発明は、第６の発明であって、予測処理部で設定されているクラスの数をＭ個（Ｍ：自然数）としたとき、
クラスごとに取得した放射基底関数データｇ_ｃ（Ｄａｔａ＿Ｐ）に基づいて、クラス評価値データＤ２を、

として取得するとともに、
ｍａｘ＿Ｄ２＝ｍａｘ（ｇ_１（Ｄａｔａ＿Ｐ），・・・，ｇ_Ｍ（Ｄａｔａ＿Ｐ））
ｍａｘ（）：要素の最大値を取得する関数
により、クラス評価値データＤ２の要素のうち最大値をとる要素をｍａｘ＿Ｄ２として取得するクラス評価値取得部をさらに備える。

これにより、このチャネル状態予測装置では、クラスごとに取得した放射基底関数データｇ_ｃ（Ｄａｔａ＿Ｐ）に基づいて、クラス評価値データＤ２を取得することができる。

また、このチャネル状態予測装置では、クラス評価値データＤ２の要素のうち最大値をとる要素をｍａｘ＿Ｄ２として取得することができる。

第８の発明は、第７の発明であって、サンプル時刻ｔにおいて取得されるデータＤ２をデータＤ２（ｔ）とし、データＤ２（ｔ）の重み付けデータをｗ_ｔとし、ｐが自然数であるものとすると、

に相当する処理を実行することで、データＤ３を取得する平滑処理部をさらに備える。

なお、「サンプル時刻」とは、例えば、離散時間において、データをサンプルするタイミングの時刻をいう。サンプル時刻は、例えば、データをサンプルするクロック信号の周波数（クロック周波数）により決定される。

これにより、このチャネル状態予測装置では、データＤ２に平滑処理を施したデータＤ３を取得することができる。そして、このチャネル状態予測装置において、データＤ３を用いて予測処理を行うことで、特異値やノイズによる影響を低減させることができ、その結果、安定して高精度な予測処理を実行することができる。

また、このチャネル状態予測装置では、平滑化処理の対象を決定するｐを特定の無線チャネルの環境に応じて設定することで、当該無線チャネルの環境に応じた最適な平滑化処理を行うことができる。例えば、ｐは、１０〜１００の範囲に含まれる値に設定される。

第９の発明は、第６から第８のいずれかの発明であって、学習モデルは、パラメータθにより調整されるものである。

パラメータθは、
（１）予測用行列データＰの行数Ｎ_Ｒ、
（２）予測用行列データＰの列数Ｎｃ、
（３）目標行列データＴの列数ｋ、
（４）第ｃ番目のクラスの標準偏差σ_ｃ、
の少なくとも１つを含む。

これにより、このチャネル状態予測装置では、上記（１）〜（４）のデータに基づいて最適化された最適パラメータθ＿ｏｐｔを取得することができる。

第１０の発明は、第１から第９のいずれかの発明であって、予測処理部は、１つの予測用行列データＰを取得するために必要な無線チャネルのビジー状態およびアイドル状態の時系列データを取得する期間を１単位としたとき、Ｒ単位（Ｒ：自然数）ごとに、取得される予測用行列データＰを用いて、学習処理を実行する。

これにより、このチャネル状態予測装置では、Ｒ単位（Ｒブロック）ごとに、再学習を行うことができるため、無線環境が急激に変化した場合であっても、再学習により、素早く最適化モデルを取得することができる。その結果、このチャネル状態予測装置では、無線環境が急激に変化した場合であっても、高速かつ高精度に、無線環境状況（例えば、チャネルの空／塞の状態）を予測することができる。

第１１の発明は、第１０の発明であって、予測処理部は、予測処理を行っているときの予測精度を取得し、取得した予測精度に応じて、学習処理を実行する間隔を決定する数値Ｒを調整する。

これにより、このチャネル状態予測装置では、学習処理（再学習）を実行する間隔を決定する数値Ｒを動的に変更することができる。

第１２の発明は、第１０の発明であって、予測処理部は、
Ｑ個（Ｑ：自然数）のＲを、Ｒ［１］，Ｒ［２］，・・・，Ｒ［Ｑ］とし、
Ｒ［１］＜Ｒ［２］＜・・・＜Ｒ［Ｑ］
を満たすように設定し、
Ｒ＝Ｒ［ｉ］（ｉ：自然数、１≦ｉ≦Ｑ）のときの予測精度ＰＣＥ_ｉ（０≦ＰＣＥ_ｉ≦１）を正解データを取得した確率ＰＣＥ_ｉ（０≦ＰＣＥ_ｉ≦１）として取得し、
Ｒを、Ｒ［１］からＲ［Ｑ］まで順番に変化させたとき、
ＰＣＥ_ｉ／ＰＣＥ_ｉ−１＜Ｔｈ
Ｔｈ：閾値
を初めて満たすときのｉをｉ０として取得し、
Ｒを、
Ｒ＝Ｒ［ｉ０］
として設定する。

これにより、このチャネル状態予測装置では、予測精度ＰＣＥ_ｉが、閾値Ｔｈで決定される所定の精度に到達したときのＲ（＝Ｒ［ｉ０］）を取得することができ、当該Ｒ（＝Ｒ［ｉ０］）間隔で、再学習を行うことができる。つまり、このチャネル状態予測装置では、閾値Ｔｈで決定される所定の精度を実現することができる最大の間隔Ｒ（＝Ｒ［ｉ０］）で最学習を行うため、再学習の頻度を最小限に抑えつつ、高精度で予測処理を行うことができる。

第１３の発明は、第１０から第１２のいずれかの発明であって、学習モデルは、パラメータθにより調整されるものである。

パラメータθは、
（１）予測用行列データＰの行数Ｎ_Ｒ、
（２）予測用行列データＰの列数Ｎｃ、
（３）目標行列データＴの列数ｋ、
（４）Ｒ、
の少なくとも１つを含む。

これにより、このチャネル状態予測装置では、上記（１）〜（４）のデータに基づいて最適化された最適パラメータθ＿ｏｐｔを取得することができる。

第１４の発明は、送信部と、受信部と、チャネル利用状況観測部と、第１から第１３のいずれかの発明であるチャネル状態予測装置と、を備える無線通信装置である。

送信部は、データに対して送信処理を実行することで無線信号を生成する。

受信部は、無線信号に対して受信処理を実行することで当該無線信号により搬送されたデータを取得する。

チャネル利用状況観測部は、送信部および受信部の少なくとも一方を制御することで、無線信号の通信に使用されるチャネルの利用状況を観測する。

これにより、第１から第８のいずれかの発明であるチャネル状態予測装置を用いた無線通信装置を実現することができる。

第１５の発明は、予測用データ取得ステップと、予測処理ステップと、を備えるチャネル状態予測方法である。

予測用データ取得ステップは、無線チャネルのビジー状態およびアイドル状態の時系列データから、予測用行列データＰと目標行列データＴを取得する。

予測処理ステップは、予測用データ取得ステップにより取得された予測用行列データＰおよび目標行列データＴに対応するクラスを設定し、予測用行列データＰを入力データとし、目標行列データＴに基づいて生成したデータを教師データとして、学習モデルを最適化させることで学習処理を行うとともに、学習処理により最適化した学習モデルを用いて、無線チャネルのビジー状態およびアイドル状態の時系列データの将来のデータを予測する予測処理を実行する。

これにより、第１の発明と同様の効果を奏するチャネル状態予測方法を実現することができる。

第１６の発明は、第１５の発明であるチャネル状態予測方法をコンピュータに実行させるためのプログラムである。

これにより、第１の発明と同様の効果を奏するチャネル状態予測方法をコンピュータに実行させるためのプログラムを実現することができる。

本発明によれば、複雑に無線環境が変化する状況においても、高速かつ高精度に、無線環境状況（例えば、チャネルの空／塞の状態）を予測するチャネル状態予測装置、無線通信装置、チャネル状態予測方法、および、プログラムを実現することができる。

第１実施形態に係る無線通信装置１００の概略構成図。 第１実施形態に係る無線通信装置１００の予測部４の概略構成図。 予測処理部４３を確率的ニューラルネットワークＰＮＮを用いて構成する場合の予測処理部４３の概略構成図を示す図。 第１実施形態に係る無線通信装置１００のパラメータ調整部４４の概略構成図。 チャネルのビジー状態／アイドル状態を示す時系列のデータＸｉについて説明するための図。 シリアルデータＤｓ１から予測処理用データＤａｔａ＿Ｐと、目標データＤａｔａ＿Ｔとを生成する方法を説明するための図。 入力データｘ（データＤａｔａ＿Ｐ）と、各クラスの放射基底関数データｇｃとの関係を示すグラフ。 入力データｘ（データＤａｔａ＿Ｐ）と、各クラスの放射基底関数データｇｃとの関係を示すグラフであり、予測処理部４３での追加処理を説明するための図。 入力データｘ（データＤａｔａ＿Ｐ）と、各クラスの放射基底関数データｇｃとの関係を示すグラフ。 第１番目のクラス（クラス１）における予測処理用データＤａｔａ＿Ｐ（＝Ｄａｔａ＿Ｐ１（行列Ｐ１））と、目標データＤａｔａ＿Ｔ（＝Ｄａｔａ＿Ｔ１（行列Ｔ１））とを示す図。 第２番目のクラス（クラス２）における予測処理用データＤａｔａ＿Ｐ（＝Ｄａｔａ＿Ｐ２（行列Ｐ２））と、目標データＤａｔａ＿Ｔ（＝Ｄａｔａ＿Ｔ２（行列Ｔ２））とを示す図。 第３番目のクラス（クラス３）における予測処理用データＤａｔａ＿Ｐ（＝Ｄａｔａ＿Ｐ３（行列Ｐ３））と、目標データＤａｔａ＿Ｔ（＝Ｄａｔａ＿Ｔ３（行列Ｔ３））とを示す図。 再学習を説明するための図。 シリアルデータＤｓ１からＣＯＲデータの予測処理用データＤａｔａ＿Ｐｃと、Ｂ／Ｉデータの目標データＤａｔａ＿Ｔとを生成する方法を説明するための図。 ＣＰＵバス構成を示す図。

［第１実施形態］
第１実施形態について、図面を参照しながら、以下、説明する。

＜１．１：無線通信装置の構成＞
図１は、第１実施形態に係る無線通信装置１００の概略構成図である。

図２は、第１実施形態に係る無線通信装置１００の予測部４の概略構成図である。

無線環境状況予測システム１０００は、図１に示すように、無線装置Ａ１と、サーバＳｖｒとを備える。無線装置Ａ１は、有線あるいは無線のネットワークにより、サーバＳｖｒと接続されており、無線装置Ａ１とサーバＳｖｒとは、互いに通信を行うことができる。

無線通信装置１００は、図１に示すように、送信部１と、受信部２と、チャネル利用状況観測部３と、予測部４と、送信用アンテナＡｎｔ＿ｔｘと、受信用アンテナＡｎｔ＿ｒｘとを備える。

送信部１は、図１に示すように、ＥＣＣ部１１と、インターリーブ部１２と、無線フレーム生成部１３と、送信側ＲＦ部１４と、アクセス制御部１５と、を備える。

ＥＣＣ部１１は、データＤｉｎを入力し、データＤｉｎに対して誤り訂正符号化処理を実行する。そして、ＥＣＣ部１１は、誤り訂正符号化処理後のデータをデータＤｔ１としてインターリーブ部１２に出力する。

インターリーブ部１２は、ＥＣＣ部１１から出力されるデータＤｔ１を入力し、データＤｔ１に対してインターリーブ処理を実行する。そして、インターリーブ部１２は、インターリーブ処理後のデータをデータＤｔ２として、無線フレーム生成部１３に出力する。

無線フレーム生成部１３は、インターリーブ部１２から出力されるデータＤｔ２と、アクセス制御部１５から出力される制御信号ＣＴＬ１とを入力する。無線フレーム生成部１３は、制御信号ＣＴＬ１に基づいて、データＤｔ２に対してベースバンド処理（ＯＦＤＭのベースバンド処理）を実行する。つまり、無線フレーム生成部１３は、データＤｔ２に対して、シリアル／パラレル変換、マッピング処理、逆ＦＦＴ変換、ガードインターバル（ＧＩ）付加処理、Ｄ／Ａ変換を行うことで、ベースバンドＯＦＤＭ信号を取得する。そして、無線フレーム生成部１３は、取得したベースバンドＯＦＤＭ信号を信号Ｄｔ３として送信側ＲＦ部に出力する。

送信側ＲＦ部１４は、無線フレーム生成部１３から出力されるベースバンドＯＦＤＭ信号Ｄｔ３と、アクセス制御部１５から出力される制御信号ＣＴＬ２と、送信用発振器Ｏｃｒ１から出力される参照周波数信号ｆｒ＿ｔｘとを入力する。送信側ＲＦ部１４は、制御信号ＣＴＬ２に基づいて、ベースバンドＯＦＤＭ信号Ｄｔ３に対して、送信用発振器Ｏｃｒ１から出力される参照周波数信号ｆｒ＿ｔｘを用いた直交変調処理、アップコンバート処理、電力増幅処理を実行することで、搬送帯域ＯＦＤＭ信号を取得する。そして、送信側ＲＦ部１４は、取得した搬送帯域ＯＦＤＭ信号を送信用アンテナＡｎｔ＿ｔｘに出力する。

また、送信側ＲＦ部１４は、チャネル利用状況観測部３と接続されており、チャネル利用状況観測部３からの指令により、キャリアセンス、あるいは、チャネルセンスを実行し、その実行結果を示す信号をチャネル利用状況観測部３に出力する。

送信用発振器Ｏｃｒ１は、参照周波数信号ｆｒ＿ｔｘを生成し、生成した参照周波数信号ｆｒ＿ｔｘを送信側ＲＦ部１４に出力する。

アクセス制御部１５は、無線フレーム生成部１３を制御するための制御信号ＣＴＬ１を生成し、所定のタイミングで、制御信号ＣＴＬ１を無線フレーム生成部１３に出力する。また、アクセス制御部１５は、送信側ＲＦ部１４を制御するための制御信号ＣＴＬ２を生成し、所定のタイミングで、制御信号ＣＴＬ２を送信側ＲＦ部１４に出力する。また、アクセス制御部１５は、予測部４から制御信号ＣＴＬ３を入力し、制御信号ＣＴＬ３に基づいて、制御信号ＣＴＬ１、ＣＴＬ１２を生成する。

送信用アンテナＡｎｔ＿ｔｘは、外部へＲＦ信号（搬送帯域ＯＦＤＭ信号）を送信するためのアンテナである。送信用アンテナＡｎｔ＿ｔｘは、送信側ＲＦ部１４からの搬送帯域ＯＦＤＭ信号を入力し、搬送帯域ＯＦＤＭ信号を外部に送信する。

受信用アンテナＡｎｔ＿ｒｘは、外部からのＲＦ信号（搬送帯域ＯＦＤＭ信号）を受信するためのアンテナである。受信用アンテナＡｎｔ＿ｒｘは、受信したＲＦ信号（搬送帯域ＯＦＤＭ信号）を信号Ｄｒ１として、受信側ＲＦ部２１に出力する。なお、受信用アンテナＡｎｔ＿ｒｘは、送信用アンテナＡｎｔ＿ｔｘと共用してもよい。つまり、無線装置Ａ１において、送信用アンテナＡｎｔ＿ｔｘおよび受信用アンテナＡｎｔ＿ｒｘを設ける代わりに、１つの送受信用アンテナを設けるようにしてもよい。

受信部２は、図１に示すように、受信側ＲＦ部２１と、受信用発振器Ｏｃｒ２と、同期処理部２２と、ベースバンド処理部２３と、デインターリーブ部２４と、ＥＣＣ部２５と、を備える。

受信側ＲＦ部２１は、受信用アンテナＡｎｔ＿ｒｘからの搬送帯域ＯＦＤＭ信号Ｄｒ１と、受信用発振器Ｏｃｒ２から出力される参照周波数信号ｆｒ＿ｒｘとを入力する。受信側ＲＦ部２１は、搬送帯域ＯＦＤＭ信号Ｄｒ１に対して、増幅処理、参照周波数信号ｆｒ＿ｒｘに基づくダウンコンバート処理、自動周波数制御処理（ＡＦＣ処理）、参照周波数信号ｆｒ＿ｒｘに基づく直交復調処理、Ａ／Ｄ変換処理を実行することで、復調搬送帯域ＯＦＤＭ信号を信号Ｄｒ２として取得する。そして、受信側ＲＦ部２１は、復調搬送帯域ＯＦＤＭ信号Ｄｒ２を同期処理部２２およびベースバンド処理部２３に出力する。

また、受信側ＲＦ部２１は、チャネル利用状況観測部３と接続されており、チャネル利用状況観測部３からの指令により、キャリアセンス、あるいは、チャネルセンスを実行し、その実行結果を示す信号をチャネル利用状況観測部３に出力する。

同期処理部２２は、受信側ＲＦ部２１から出力される復調搬送帯域ＯＦＤＭ信号Ｄｒ２を入力し、入力された復調搬送帯域ＯＦＤＭ信号Ｄｒ２に基づいて、同期処理を実行する。同期処理部２２は、同期処理により、ＯＦＤＭシンボルの始まりを検出するためのシンボルタイミング同期などに使用される同期タイミング信号Ｓｉｇ＿Ｓｙｎｃを取得する。そして、同期処理部２２は、取得した同期タイミング信号Ｓｉｇ＿Ｓｙｎｃをベースバンド処理部２３に出力する。また、同期処理部２２は、復調搬送帯域ＯＦＤＭ信号Ｄｒ２のプリアンブル部の信号（プリアンブル信号）から受信用発振器Ｏｃｒ２の周波数オフセットの検出を行い、受信用発振器Ｏｃｒ２の発振周波数を制御するための信号（発振周波数制御信号）ｆｓ＿ｃｔｌを生成し、生成した発振周波数制御信号ｆｓ＿ｃｔｌを受信用発振器Ｏｃｒ２に出力する。

受信用発振器Ｏｃｒ２は、同期処理部２２から出力される発振周波数制御信号ｆｓ＿ｃｔｌを入力し、発振周波数制御信号ｆｓ＿ｃｔｌに基づいて、受信側ＲＦ部２１の処理動作の基準となるクロック信号である参照周波数信号ｆｒ＿ｒｘを生成する。そして、受信用発振器Ｏｃｒ２は、生成した参照周波数信号ｆｒ＿ｒｘを受信側ＲＦ部２１に出力する。

ベースバンド処理部２３は、受信側ＲＦ部２１から出力される復調搬送帯域ＯＦＤＭ信号Ｄｒ２と、同期処理部２２から出力される同期タイミング信号Ｓｉｇ＿Ｓｙｎｃとを入力する。ベースバンド処理部２３は、同期タイミング信号Ｓｉｇ＿Ｓｙｎｃに基づいて、ガードインターバル（ＧＩ）除去処理、ＦＦＴ変換、デマッピング処理、パラレル／シリアル変換を行うことで、復調ベースバンドＯＦＤＭ信号を信号Ｄｒ３として取得する。そして、ベースバンド処理部２３は、取得した復調ベースバンドＯＦＤＭ信号Ｄｒ３をデインターリーブ部２４に出力する。

デインターリーブ部２４は、ベースバンド処理部２３から出力される復調ベースバンドＯＦＤＭ信号Ｄｒ３を入力する。デインターリーブ部２４は、復調ベースバンドＯＦＤＭ信号Ｄｒ２に対してデインターリーブ処理を実行し、デインターリーブ処理後の信号（データ）を信号（データ）Ｄｒ４として取得する。そして、デインターリーブ部２４は、取得したデータＤｒ４をＥＣＣ部２５に出力する。

ＥＣＣ部２５は、デインターリーブ部２４から出力されるデータＤｒ４を入力し、データＤｒ４に対してエラー訂正処理を実行する。ＥＣＣ部２５は、エラー訂正処理後のデータをデータＤｏｕｔとして出力する。

チャネル利用状況観測部３は、各周波数帯（各周波数帯の中では１つ以上の無線チャネル）の利用状況（各無線チャネルの空き状況など）を観測するために、キャリアセンス、および／または、チャネルセンスを実行するための指令信号を生成する。そして、チャネル利用状況観測部３は、生成した指令信号を、送信側ＲＦ部１４、および／または、受信側ＲＦ部２１に出力することで、キャリアセンス、および／または、チャネルセンスを実行する。

また、チャネル利用状況観測部３は、受信電力を取得するための指令信号を、送信側ＲＦ部１４、および／または、受信側ＲＦ部２１に出力し、無線装置Ａ１の受信電力を取得する。また、取得した受信電力の値を所定の期間観測することで、無線リソース利用率（ＣＯＲ：ｃｈａｎｎｅｌ ｏｃｃｕｐａｔｉｏｎ ｒａｔｉｏ）を取得する。そして、チャネル利用状況観測部３は、取得した受信電力および／または無線リソース利用率ＣＯＲを含むデータをデータＤａｔａ１として予測部４に出力する。

予測部４は、図２に示すように、シリアルデータ取得部４１と、予測用データ取得部４２と、予測処理部４３と、パラメータ調整部４４と、平滑処理部４５と、制御信号生成部４６と、を備える。

シリアルデータ取得部４１は、チャネル利用状況観測部３から出力されるデータＤａｔａ１を入力し、データＤａｔａ１に基づいて、シリアルデータを生成し、生成したシリアルデータをデータＤｓ１として、予測用データ取得部４２およびパラメータ調整部４４に出力する。

なお、シリアルデータは、例えば、チャネル（無線通信装置１００が使用（あるいは監視）している無線チャネル）のアイドル状態、ビジー状態の時系列における状態遷移を示すデータである。例えば、アイドル状態を「０」で表し、ビジー状態を「１」で表したとき、
（１）時刻ｔ１〜ｔ２の期間、チャネルがアイドル状態（「０」）であり、
（２）時刻ｔ２〜ｔ３の期間、チャネル状態がビジー状態（「１」）であり、
（３）時刻ｔ３〜ｔ４の期間、チャネル状態がアイドル状態（「０」）であるとき、
時刻ｔ１〜ｔ４の期間のチャネルのアイドル／ビジー状態の時系列における状態遷移を示すデータであるシリアルデータＤｓ１は、「０１０」と表現される。

予測用データ取得部４２は、シリアルデータ取得部４１から出力されるシリアルデータＤｓ１と、パラメータ調整部４４から出力される第１パラメータθ１と、無線通信装置１００の各機能部を制御する制御部（不図示）から出力されるモード制御信号ＣＴＬ＿ｍｏｄｅと、を入力する。予測用データ取得部４２は、モード制御信号ＣＴＬ＿ｍｏｄｅにより、学習モードまたは予測モードに設定される。

予測用データ取得部４２は、学習モードにおいて、第１パラメータθ１に基づいて、シリアルデータＤｓ１から予測処理用データＤａｔａ＿Ｐと、目標データＤａｔａ＿Ｔとを生成する。そして、予測用データ取得部４２は、学習モードにおいて、生成した予測処理用データＤａｔａ＿Ｐおよび目標データＤａｔａ＿Ｔを予測処理部４３に出力し、目標データＤａｔａ＿Ｔをパラメータ調整部４４に出力する。

予測用データ取得部４２は、予測モードにおいて、第１パラメータθ１に基づいて、シリアルデータＤｓ１から予測処理用データＤａｔａ＿Ｐを生成する。そして、予測用データ取得部４２は、予測モードにおいて、生成した予測処理用データＤａｔａ＿Ｐを予測処理部４３に出力する。

予測処理部４３は、予測用データ取得部４２から出力される予測処理用データＤａｔａ＿Ｐおよび目標データＤａｔａ＿Ｔと、パラメータ調整部４４から出力される第２パラメータθ２と、無線通信装置１００の各機能部を制御する制御部（不図示）から出力されるモード制御信号ＣＴＬ＿ｍｏｄｅと、を入力する。

予測処理部４３は、例えば、確率的ニューラルネットワーク（ＰＮＮ：Ｐｒｏｂａｂｉｌｉｓｔｉｃ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）により構成される。

図３は、予測処理部４３を確率的ニューラルネットワークＰＮＮを用いて構成する場合の予測処理部４３の概略構成図を示す図である。以下では、説明便宜のため、予測処理部４３が確率的ニューラルネットワークＰＮＮを用いて構成される場合について説明する。

図３に示すように、予測処理部４３は、入力層（Ｉｎｐｕｔ ｌａｙｅｒ）４３１と、隠れ層（Ｈｉｄｄｅｎ ｌａｙｅｒ）４３２と、総和計算層（Ｓｕｍ ｌａｙｅｒ）４３３と、クラス評価値取得部４３４と、を備える。

入力層（Ｉｎｐｕｔ ｌａｙｅｒ）４３１は、シリアルデータ取得部４１から出力される予測処理用データＤａｔａ＿Ｐを入力する。予測処理用データＤａｔａ＿Ｐは、Ｎ_Ｒ行×Ｎ_Ｃ列（Ｎ_Ｒ、Ｎ_Ｒ：自然数）の行列のデータを構成することができるデータであるものとする。

入力層（Ｉｎｐｕｔ ｌａｙｅｒ）４３１は、図３に示すように、Ｎ_Ｒ個のシナプスを有しており、第ｑ番目（ｑ：自然数、１≦ｑ≦Ｎ_Ｒ）のシナプスには、予測処理用データＤａｔａ＿Ｐの第ｑ行のデータがベクトルｖｑとして入力される。

入力層４３１の各シナプスは、図３に示すように、隠れ層４３２の全てのシナプスと結合されている。

隠れ層（Ｈｉｄｄｅｎ ｌａｙｅｒ）４３２は、図３に示すように、Ｍ個（Ｍ：自然数）のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓ１〜Ｂｌｋ＿ｃｌａｓｓＭを有している。各シナプス群は、Ｎ_Ｒ個のシナプスを有している。

第１番目のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓ１の第ｓ番目（ｓ：自然数、１≦ｓ≦Ｎ_Ｒ）のシナプスには、ベクトルｖ_１，ｓで表される重み付けデータが割り当てられている。

つまり、第ｒ番目（ｒ：自然数、１≦ｒ≦Ｍ）のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓｒの第ｓ番目（ｓ：自然数、１≦ｓ≦Ｎ_Ｒ）のシナプスには、ベクトルｖ_ｒ，ｓで表される重み付けデータが割り当てられている。

そして、シナプス群Ｂｌｋ＿ｃｌａｓｓｒでは、入力層４３１からのデータに対して、ベクトルｖ_ｒ，ｓによる演算処理が実行され、演算処理結果データが総和計算層４３３に出力される。なお、隠れ層４３２には、第２パラメータθ２が入力され、第２パラメータθ２により、上記ベクトルｖ_ｒ，ｓによる演算処理が実行される。

総和計算層（Ｓｕｍ ｌａｙｅｒ）４３３は、図３に示すように、Ｍ個（Ｍ：自然数）のシナプスを有している。第ｕ番目（ｕ：自然数、１≦ｕ≦Ｍ）のシナプスは、隠れ層の第ｕ番目のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓｕに含まれる各シナプスからの出力データを入力とし、入力データに対して総和計算処理を実行し、第ｕ番目のクラスの放射基底関数（ＲＢＦ：Ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ）の値を、第ｕ番目のクラスの放射基底関数データｇ_ｕとして取得する。そして、取得された第ｕ番目のクラスの放射基底関数データｇ_ｕは、クラス評価値取得部４３４に出力される。なお、総和計算層４３３には、第２パラメータθ２が入力され、第２パラメータθ２に基づいて、シナプスの追加処理が実行される。

クラス評価値取得部４３４は、総和計算層４３３から出力されるＭ個の放射基底関数データｇ_ｕを入力する。クラス評価値取得部４３４は、入力されたＭ個の放射基底関数データｇ_ｕに基づいて、クラス評価値データＤ２を生成し、生成したクラス評価値データＤ２を制御信号生成部４６およびパラメータ調整部４４に出力する。

パラメータ調整部４４は、図４に示すように、評価部４４１と、パラメータ調整処理部４４２と、パラメータ保持部４４３とを備える。

評価部４４１は、シリアルデータ取得部４１から出力されるデータＤｓ１と、予測用データ取得部４２から出力されるデータＤａｔａ＿Ｔと、予測処理部４３から出力されるクラス評価値データＤ２と、モード制御信号ＣＴＬ＿ｍｏｄｅと、を入力する。評価部４４１は、モード制御信号ＣＴＬ＿ｍｏｄｅにより、学習モードまたは予測モードに設定される。

評価部４４１は、学習モードにおいて、目標データＤａｔａ＿Ｔと、クラス評価値データＤ２と、に基づいて、予測処理部４３での予測処理の結果データの精度を判定し、当該判定結果を示すデータをデータＲｓｔとしてパラメータ調整処理部４４２に出力する。

評価部４４１は、予測モードにおいて、データＤｓ１と、クラス評価値データＤ２とに基づいて、予測処理部４３での予測処理の結果データの精度を判定し、当該判定結果を示すデータをデータＲｓｔとしてパラメータ調整処理部４４２に出力する。

パラメータ調整処理部４４２は、評価部４４１から出力されるデータＲｓｔと、モード制御信号ＣＴＬ＿ｍｏｄｅとを入力する。パラメータ調整処理部４４２は、学習モードにおいて、データＲｓｔに基づいて、パラメータ調整処理を実行し、パラメータ調整処理後の第１パラメータθ１を予測用データ取得部４２に出力し、パラメータ調整処理後の第２パラメータθ２を予測処理部４３に出力する。

また、パラメータ調整処理部４４２は、学習モードにおいて、予測処理の精度を示すデータＲｓｔに基づいて、予測処理の精度が十分なものであると判断した場合、そのときの第１パラメータを最適第１パラメータθ１＿ｏｐｔとして取得し、第２パラメータを最適第２パラメータθ２＿ｏｐｔとして取得する。そして、パラメータ調整処理部４４２は、最適第１パラメータθ１＿ｏｐｔおよび最適第２パラメータθ２＿ｏｐｔをパラメータ保持部４４３に出力する。

また、パラメータ調整処理部４４２は、学習が終了し、予測モードに移行する場合、パラメータ保持部４４３から最適第１パラメータθ１＿ｏｐｔおよび最適第２パラメータθ２＿ｏｐｔを取得する。そして、パラメータ調整処理部４４２は、パラメータ保持部４４３から取得した最適第１パラメータθ１＿ｏｐｔを、第１パラメータθ１として予測用データ取得部４２に出力し、パラメータ保持部４４３から取得した最適第２パラメータθ２＿ｏｐｔを、第２パラメータθ２として予測処理部４３に出力する。

パラメータ保持部４４３は、パラメータ調整処理部４４２から出力される最適第１パラメータθ１＿ｏｐｔおよび最適第２パラメータθ２＿ｏｐｔを入力し、当該最適第１パラメータθ１＿ｏｐｔおよび最適第２パラメータθ２＿ｏｐｔを記憶する。また、パラメータ保持部４４３は、パラメータ調整処理部４４２からの要求に基づいて、記憶している最適第１パラメータθ１＿ｏｐｔおよび／または最適第２パラメータθ２＿ｏｐｔをパラメータ調整処理部４４２に出力する。

平滑処理部４５は、予測処理部４３から出力されるクラス評価値データＤ２を入力する。平滑処理部４５は、クラス評価値データＤ２に対して平滑処理を実行し、平滑データを取得する。そして、平滑処理部４５は、取得した平滑データをデータＤ３として制御信号生成部４６に出力する。

制御信号生成部４６は、平滑処理部４５から出力されるデータＤ３を入力し、データＤ３に基づいて、制御信号ＣＴＬ３を生成する。そして、制御信号生成部４６は、生成した制御信号ＣＴＬ３を送信部１のアクセス制御部１５に出力する。

なお、「チャネル状態予測装置」は、無線通信装置１００に含まれる一部の機能部である、予測用データ取得部、予測処理部等を用いて構成される。

＜１．２：無線通信装置の動作＞
以上のように構成された無線通信装置１００の動作について、以下、説明する。

以下では、（１）学習モードと、（２）予測モードとに分けて、無線通信装置１００の動作を説明する。

（１．２．１：学習モード）
まず、無線通信装置１００の学習モードの処理について説明する。

無線通信装置１００において、チャネル利用状況観測部３は、キャリアセンス、あるいは、チャネルセンスを実行し、所定の期間の受信電力またはＣＯＲのデータを取得する。なお、以下では、チャネル利用状況観測部３が受信電力のデータを取得する場合について説明する。

チャネル利用状況観測部３は、取得したデータをデータＤａｔａ１として、予測部４のシリアルデータ取得部４１に出力する。

シリアルデータ取得部４１は、データＤａｔａ１からチャネルのビジー状態／アイドル状態を示す時系列のデータＸ_ｉを取得する。これについて、図５を用いて、説明する。

図５は、チャネルのビジー状態／アイドル状態を示す時系列のデータＸ_ｉについて説明するための図である。なお、チャネルのビジー状態／アイドル状態を判定する期間（タイムスロット期間）の長さを、ＷＬＡＮを想定して、コンテンションスロット長である９μｓとする。

シリアルデータ取得部４１は、データＤａｔａ１から、各タイムスロット期間において、チャネルがビジー状態であるか、アイドル状態であるかを判断する。

そして、シリアルデータ取得部４１は、図５に示すように、タイムスロット期間ｔｓにおいて、チャネルがビジー状態である場合、Ｘ_ｉ＝０とし、タイムスロット期間において、チャネルがアイドル状態である場合、Ｘ_ｉ＝１として、チャネルのビジー状態／アイドル状態を示す時系列のデータＸ_ｉを取得する。図５は、一例として、時刻ｔ０〜ｔ１の期間において取得される８個（８タイムスロット分）のデータＸ_ｔ−７〜Ｘ_ｔを示している。

シリアルデータ取得部４１は、上記のようにして取得したデータ（時系列のシリアルデータ）をシリアルデータＤｓ１として、予測用データ取得部４２およびパラメータ調整部４４に出力する。

予測用データ取得部４２は、モード制御信号ＣＴＬ＿ｍｏｄｅにより、学習モードに設定される。

予測用データ取得部４２は、第１パラメータθ１に基づいて、シリアルデータＤｓ１から予測処理用データＤａｔａ＿Ｐと、目標データＤａｔａ＿Ｔとを生成する。これについて、図６を用いて説明する。

図６は、シリアルデータＤｓ１から予測処理用データＤａｔａ＿Ｐと、目標データＤａｔａ＿Ｔとを生成する方法を説明するための図である。なお、第１パラメータθ１は、Ｎ_Ｒ、Ｎ_Ｃ、ｋのデータを含むものとする。

予測用データ取得部４２は、図６に示すように、シリアルデータＤｓ１から、Ｎ_Ｃ個（図６では、Ｎ_Ｃ＝８）ごとのデータを取り出し、取り出したデータを、Ｐ｛１｝、Ｐ｛２｝、・・・、Ｐ｛Ｎ_Ｒ｝とする。これにより、予測用データ取得部４２は、図６に示すように、Ｎ_Ｒ×Ｎ_Ｃの行列Ｐを取得する。すなわち、予測用データ取得部４２は、予測処理用データＤａｔａ＿Ｐ（Ｎ_Ｒ×Ｎ_Ｃの行列Ｐのデータ）を取得する。

また、予測用データ取得部４２は、図６に示すように、シリアルデータＤｓ１から、データＰ｛１｝に後続するｋ個（図６では、ｋ＝３）のデータを取り出し、取り出したデータをＴ｛１｝とする。同様に、データＰ｛ｊ｝に後続するｋ個のデータを取り出し、取り出したデータをＴ｛ｊ｝とする。これにより、予測用データ取得部４２は、図６に示すように、Ｎ_Ｒ×ｋの行列Ｔを取得する。すなわち、予測用データ取得部４２は、目標データＤａｔａ＿Ｔ（Ｎ_Ｒ×ｋの行列Ｔのデータ）を取得する。

そして、予測用データ取得部４２は、上記のようにして取得した予測処理用データＤａｔａ＿Ｐを予測処理部４３に出力し、目標データＤａｔａ＿Ｔを予測処理部４３およびパラメータ調整部４４に出力する。

予測処理部４３の入力層（Ｉｎｐｕｔ ｌａｙｅｒ）４３１は、シリアルデータ取得部４１から出力される予測処理用データＤａｔａ＿Ｐを入力する。入力層（Ｉｎｐｕｔ ｌａｙｅｒ）４３１は、図３に示すように、Ｎ_Ｒ個のシナプスを有しており、第ｑ番目（ｑ：自然数、１≦ｑ≦Ｎ_Ｒ）のシナプスには、予測処理用データＤａｔａ＿Ｐの第ｑ行のデータがベクトルｖｑとして入力される。

つまり、入力層４３１の第１番目のシナプスには、予測処理用データＤａｔａ＿Ｐの第１行のデータＰ｛１｝がベクトルｖ_１（図６の場合、要素が８個のベクトル）として入力される。

入力層４３１の第２番目のシナプスには、予測処理用データＤａｔａ＿Ｐの第２行のデータＰ｛２｝がベクトルｖ_２として入力される。

入力層４３１の第Ｎ_Ｒ番目のシナプスには、予測処理用データＤａｔａ＿Ｐの第Ｎ_Ｒ行のデータＰ｛Ｎ_Ｒ｝がベクトルｖ_Ｎ（Ｎ＝Ｎ_Ｒ）として入力される。

隠れ層（Ｈｉｄｄｅｎ ｌａｙｅｒ）４３２は、図３に示すように、Ｍ個（Ｍ：自然数）のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓ１〜Ｂｌｋ＿ｃｌａｓｓＭを有している。各シナプス群は、Ｎ_Ｒ個のシナプスを有している。

第１番目のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓ１の第ｓ番目（ｓ：自然数、１≦ｓ≦Ｎ_Ｒ）のシナプスには、ベクトルｖ_１，ｓで表される重み付けデータが割り当てられる。

つまり、第ｒ番目（ｒ：自然数、１≦ｒ≦Ｍ）のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓｒの第ｓ番目（ｓ：自然数、１≦ｓ≦Ｎ_Ｒ）のシナプスには、ベクトルｖ_ｒ，ｓで表される重み付けデータが割り当てられる。

ここで、第１番目のクラスに、図６に示すデータが割り当てられる場合について、説明する。つまり、入力データが予測処理用データＤａｔａ＿Ｐ（Ｎ_Ｒ×Ｎ_Ｃの行列Ｐのデータ）である場合の教師データ（正解のデータ）が目標データＤａｔａ＿Ｔ（Ｎ_Ｒ×ｋの行列Ｔのデータ）として、学習する場合について、説明する。

第１番目のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓ１の第１番目のシナプスには、データＰ｛１｝をベクトルｖ_１，１として、当該ベクトルｖ_１，１で表される重み付けデータが割り当てられる。

第１番目のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓ１の第２番目のシナプスには、データＰ｛２｝をベクトルｖ_１，２として、当該ベクトルｖ_１，２で表される重み付けデータが割り当てられる。

第１番目のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓ１の第Ｎ番目（Ｎ＝Ｎ_Ｒ）のシナプスには、データＰ｛Ｎ_Ｒ｝をベクトルｖ_１，Ｎ（Ｎ＝Ｎ_Ｒ）として、当該ベクトルｖ_１，Ｎ（Ｎ＝Ｎ_Ｒ）で表される重み付けデータが割り当てられる。

上記と同様にして、第ｒ番目（ｒ：自然数、１≦ｒ≦Ｍ）のクラスを設定するための予測処理用データＤａｔａ＿Ｐ（Ｎ_Ｒ×Ｎ_Ｃの行列Ｐのデータ）と、目標データＤａｔａ＿Ｔ（Ｎ_Ｒ×ｋの行列Ｔのデータ）とを用意し、第ｒ番目のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓｒの第ｓ番目（ｓ：自然数、１≦ｓ≦Ｎ_Ｒ）のシナプスに、ベクトルｖ_ｒ，ｓで表される重み付けデータが割り当てる。

そして、第ｃ番目（ｃ：自然数、１≦ｃ≦Ｍ）のクラスのシナプス群Ｂｌｋ＿ｃｌａｓｓｃでは、入力層４３１からのデータＤａｔａ＿Ｐ(Ｎ_Ｒ個のベクトルｖ_１，ｖ_２，・・・，ｖ_Ｎ（Ｎ＝Ｎ_Ｒ）)に対して、ベクトルｖ_ｃ，ｓによる下記数式に相当する処理が実行される。

σ_ｃ：第ｃ番目（ｃ：自然数、１≦ｃ≦Ｍ）のクラスの標準偏差
上記処理により、第ｃ番目（ｃ：自然数、１≦ｃ≦Ｍ）のクラスのシナプス群Ｂｌｋ＿ｃｌａｓｓｃのｊ番目のシナプスから、データＤ＿ｖ_ｃｊが総和計算層４３３に出力される。

総和計算層（Ｓｕｍ ｌａｙｅｒ）４３３では、第ｃ番目（ｃ：自然数、１≦ｃ≦Ｍ）のシナプスは、隠れ層の第ｃ番目のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓｃに含まれる各シナプスからの出力データを入力とし、入力データに対して総和計算処理を実行し、第ｃ番目のクラスの放射基底関数（ＲＢＦ：Ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ）の値を、第ｃ番目のクラスの放射基底関数データｇ_ｃとして取得する。すなわち、総和計算層４３３は、以下の数式に相当する処理を実行して、第ｃ番目のクラスの放射基底関数データｇ_ｃを取得する。

σ_ｃ：第ｃ番目（ｃ：自然数、１≦ｃ≦Ｍ）のクラスの標準偏差
そして、取得された第ｃ番目のクラスの放射基底関数データｇ_ｃは、クラス評価値取得部４３４に出力される。

クラス評価値取得部４３４は、総和計算層４３３から出力されるＭ個の放射基底関数データｇ_ｃを入力する。クラス評価値取得部４３４は、入力されたＭ個の放射基底関数データｇ_ｃに基づいて、クラス評価値データＤ２を生成する。具体的には、クラス評価値取得部４３４は、下記の数式に示すベクトルＤ２をデータＤ２として生成する。

そして、クラス評価値取得部４３４は、生成したクラス評価値データＤ２を制御信号生成部４６およびパラメータ調整部４４に出力する。

パラメータ調整部４４の評価部４４１は、目標データＤａｔａ＿Ｔと、クラス評価値データＤ２と、に基づいて、予測処理部４３での予測処理の結果データの精度を判定する。ここで、第ｃ番目のクラスに対応する入力データＤａｔａ＿ＴをＤａｔａ＿Ｔ_ｃとし、その教師データ（正解のデータ）をＤａｔａ＿Ｔ_ｃとする。そうすると、Ｄａｔａ＿Ｐ＝Ｄａｔａ＿Ｐ_ｃのとき、第ｃ番目のクラスに対応する放射基底関数データｇ_ｃの値は、最大値をとり、Ｄａｔａ＿ＰがＤａｔａ＿Ｐ_ｃに近いパターンであればあるほど、第ｃ番目のクラスに対応する放射基底関数データｇ_ｃの値は大きな値となる。

評価部４４１は、データＤ２の要素の中で最大値をとる放射基底関数データｇ_ｃを特定し、特定した放射基底関数データｇ_ｃに対応するクラスを特定する。そして、評価部４４１は、特定したクラスに対応する教師データ（正解のデータ）Ｄａｔａ＿Ｔ_ｃにより、予測パターンを特定する。例えば、評価部４４１は、データＤ２の要素の中で最大値をとる放射基底関数データｇ_ｃがｇ_１であると特定した場合、特定したクラスである第１番目のクラスに対応する教師データ（正解のデータ）Ｄａｔａ＿Ｔ_１のＴ｛Ｎ_Ｒ｝を予測パターンとして特定する。つまり、上記において、図６に示すデータＰ（行列Ｐ）に対応するデータＤａｔａ＿Ｔを第１番目のクラスに対応させたので、図６に示すデータＰ（行列Ｐ）に対応するデータＤａｔａ＿Ｐ（これをデータＤａｔａ＿Ｐ_１とする）が無線通信装置１００に入力された場合、図６に示す目標データＤａｔａ＿Ｔ（これをデータＤａｔａ＿Ｔ_１とする）のＴ｛Ｎ_Ｒ｝が「０００」であるので、図６の時刻ｔ＿ｎｏｗに後続するデータは、「０００」であると予測される。つまり、この場合、評価部４４１は、目標データＤａｔａ＿Ｔ_１のＴ｛Ｎ_Ｒ｝を予測パターンとして特定する。

評価部４４１は、学習モードにおいて、多様なパターンのデータ（Ｂ／Ｉデータ）が入力された場合に上記処理により取得した予測パターンと、評価部４４１に入力されるデータＤｓから取得した実際のデータ（正解データ）とを比較し、予測精度が十分なものであると否かを判定する。評価部４４１は、その判定結果をデータＲｓｔとして、パラメータ調整処理部４４２に出力する。

パラメータ調整処理部４４２は、判定結果データＲｓｔに基づいて、予測精度が十分ではない場合、第１パラメータθ１（例えば、Ｎ_Ｒ、Ｎ_Ｃ、ｋ）、および／または、第２パラメータθ２（例えば、σ、ｖ＿ａｐｐｎｄ＿ｒｐｌｃ）を調整し、調整後の第１パラメータを予測用データ取得部４２に出力し、また、調整後の第２パラメータθ２を予測処理部４３に出力する。

予測用データ取得部４２では、調整後の第１パラメータ（例えば、Ｎ_Ｒ、Ｎ_Ｃ、ｋ）により、シリアルデータＤｓ１から取得する予測処理用データＤａｔａ＿Ｐ、および、目標データＤａｔａ＿Ｔを生成し、予測処理部４３に出力する。そして、上記と同様にして、パラメータ調整部４４により、予測精度を判定し、予測精度が十分であると判定されるまで、上記処理を繰り返す。

また、予測処理部４３では、調整後の第２パラメータθ２により、処理が実行される。例えば、予測処理部４３では、調整後のσ（σは、各クラスの標準偏差σ_ｃを含むデータであるものとする）に基づいて、各クラスの標準偏差σ_ｃ（０≦σ_ｃ≦１）が設定され、予測処理部４３の処理が実行される。そして、上記と同様にして、パラメータ調整部４４により、予測精度を判定し、予測精度が十分であると判定されるまで、上記処理を繰り返す。

また、予測処理部４３では、データｖ＿ａｐｐｎｄ＿ｒｐｌｃに基づいて、隠れ層のクラスの追加処理（アペンド処理）、および／または、置換処理が実行される。これについて、図７〜図９を用いて説明する。

図７は、入力データｘ（データＤａｔａ＿Ｐ）と、各クラスの放射基底関数データｇ_ｃとの関係を示すグラフである。つまり、図７は、入力データＤａｔａ＿Ｐを確率変数ｘとしたときの確率密度関数Ｐ（ｘ）を示すグラフである。

図８は、入力データｘ（データＤａｔａ＿Ｐ）と、各クラスの放射基底関数データｇ_ｃとの関係を示すグラフであり、予測処理部４３での追加処理を説明するための図である。

図９は、入力データｘ（データＤａｔａ＿Ｐ）と、各クラスの放射基底関数データｇ_ｃとの関係を示すグラフであり、予測処理部４３での置換処理を説明するための図である。

まず、予測処理部４３での追加処理について説明する。

図７に示すように、予測処理部４３への入力データがデータＤａｔａ＿Ｐ_１、Ｄａｔａ＿Ｐ_２、・・・、Ｄａｔａ＿Ｐ_Ｍのいずれかに近いパターンのデータである場合、予測処理部４３での予測処理により、入力パターンに対応するクラスを特定することができ、その結果、精度の高い予測処理を実行することができる。しかし、予測処理部４３への入力データがデータＤａｔａ＿Ｐ_１、Ｄａｔａ＿Ｐ_２、・・・、Ｄａｔａ＿Ｐ_Ｍのいずれにも近いパターンでない場合、入力パターンに対応するクラスを特定することができず、その結果、精度の高い予測処理を実行することができない。例えば、予測処理部４３への入力データが図７のデータＤａｔａ＿Ｐ_Ｍ＋１である場合、データＤａｔａ＿Ｐ_１、Ｄａｔａ＿Ｐ_２、・・・、Ｄａｔａ＿Ｐ_Ｍのいずれにも近いパターンでないので、精度の高い予測処理を実行することはできない。

そこで、このような場合、パラメータ調整部４４から、予測処理部４３に指令信号（データ）ｖ＿ａｐｐｎｄ＿ｒｐｌｃを送信し、予測処理部４３に、新たなクラス（Ｍ＋１番目のクラス）を追加する。例えば、図８に「ＣｌａｓｓＭ＋１」として示す放射基底関数データｇ_ｃとなるように、隠れ層４１２に新たなシナプスを追加し、さらに、総和計算層４３３に第Ｍ＋１番目のシナプスを追加する。これにより、予測処理部４３への入力データがデータＤａｔａ＿Ｐ_Ｍ＋１と近いパターンである場合、第Ｍ＋１番目のクラスの放射基底関数データｇ_ｃ（＝ｇ_Ｍ＋１）が大きな値をとるため、Ｄａｔａ＿Ｔ_Ｍ＋１（行列Ｔ_Ｍ＋１）のＴ｛Ｎ_Ｒ｝により、高精度の予測処理が可能となる。

そして、上記のクラスを追加する処理を行った後、パラメータ調整部４４により、予測精度を判定し、予測精度が十分であると判定されるまで、上記処理を繰り返す。

次に、予測処理部４３での置換処理について説明する。

予測処理部４３への入力データがデータＤａｔａ＿Ｐ_１、Ｄａｔａ＿Ｐ_２、・・・、Ｄａｔａ＿Ｐ_Ｍのいずれにも近いパターンでない場合、入力パターンに対応するクラスを特定することができず、その結果、精度の高い予測処理を実行することができない。例えば、予測処理部４３への入力データが図９のデータＤａｔａ＿Ｐ_Ｍ’である場合、データＤａｔａ＿Ｐ_１、Ｄａｔａ＿Ｐ_２、・・・、Ｄａｔａ＿Ｐ_Ｍのいずれにも近いパターンでないので、精度の高い予測処理を実行することはできない。

そこで、このような場合、パラメータ調整部４４から、予測処理部４３に指令信号（データ）ｖ＿ａｐｐｎｄ＿ｒｐｌｃを送信し、予測処理部４３に、例えば、第Ｍ番目のクラスの重み付けデータ（隠れ層４３２のシナプス）を置換する。例えば、図９に「ＣｌａｓｓＭ’」として示す放射基底関数データｇ_ｃとなるように、隠れ層４１２において、第Ｍ番目のクラスの重み付けデータ（隠れ層４３２のシナプス）を置換する。これにより、予測処理部４３への入力データがデータＤａｔａ＿Ｐ_Ｍ’と近いパターンである場合、置換処理後の第Ｍ番目のクラスの放射基底関数データｇ_ｃ（＝ｇ_Ｍ）が大きな値をとるため、Ｄａｔａ＿Ｔ_Ｍ’（行列Ｔ_Ｍ’）のＴ｛Ｎ_Ｒ｝により、高精度の予測処理が可能となる。

そして、上記のクラスを置換する処理を行った後、パラメータ調整部４４により、予測精度を判定し、予測精度が十分であると判定されるまで、上記処理を繰り返す。

以上のように、無線通信装置１００において、第１パラメータθ１（例えば、Ｎ_Ｒ、Ｎ_Ｃ、ｋ）、および／または、第２パラメータθ２（例えば、σ、ｖ＿ａｐｐｎｄ＿ｒｐｌｃ）を調整し、十分な予測精度が取得される状態になったら、学習を終了させる。そして、パラメータ調整処理部４４２は、そのときの第１パラメータθ１を最適第１パラメータθ１＿ｏｐｔとして、第１パラメータθ１を最適第１パラメータθ１＿ｏｐｔとして、パラメータ保持部４４３に出力し、パラメータ保持部４４３に記憶保持させる。

（１．２．２：予測モード）
次に、無線通信装置１００の予測モードの処理について説明する。

なお、説明便宜のために、予測処理部４３において設定されるクラスの数を３（Ｍ＝３）とし、Ｎ_Ｒ＝２、Ｎ_Ｃ＝８、ｋ＝３とする。なお、Ｍ、Ｎ_Ｒ、Ｎ_Ｃ、ｋの値は、これらの値に限定されない。

図１０は、第１番目のクラス（クラス１）における予測処理用データＤａｔａ＿Ｐ（＝Ｄａｔａ＿Ｐ_１（行列Ｐ_１））と、目標データＤａｔａ＿Ｔ（＝Ｄａｔａ＿Ｔ_１（行列Ｔ_１））とを示す図である。

図１１は、第２番目のクラス（クラス２）における予測処理用データＤａｔａ＿Ｐ（＝Ｄａｔａ＿Ｐ_２（行列Ｐ_２））と、目標データＤａｔａ＿Ｔ（＝Ｄａｔａ＿Ｔ_２（行列Ｔ_２））とを示す図である。

図１２は、第３番目のクラス（クラス３）における予測処理用データＤａｔａ＿Ｐ（＝Ｄａｔａ＿Ｐ_３（行列Ｐ_３））と、目標データＤａｔａ＿Ｔ（＝Ｄａｔａ＿Ｔ_３（行列Ｔ_３））とを示す図である。

また、説明便宜のために、第１番目〜第３番目のクラスは、図１０〜図１２に示すデータにより設定されているものとする。つまり、予測処理部４３の隠れ層４３２におけるシナプスは、下記の通りに設定されているものとする。
クラス１：
ｖ_１，１＝Ｐ_１｛１｝
ｖ_１，２＝Ｐ_１｛２｝
対応する目標データＴ＝行列Ｔ_１
クラス２：
ｖ_２，１＝Ｐ_２｛１｝
ｖ_２，２＝Ｐ_２｛２｝
対応する目標データＴ＝行列Ｔ_２
クラス３：
ｖ_３，１＝Ｐ_３｛１｝
ｖ_３，２＝Ｐ_３｛２｝
対応する目標データＴ＝行列Ｔ_３
≪図１０の場合（クラス１）≫
例えば、図１０の時刻ｔ＿ｐａｓｔから時刻ｔ＿ｎｏｗまでのデータＤｓ（Ｂ／Ｉを示すシリアルデータ）が入力された場合、予測用データ取得部は、図１０に示すデータＰ_１に相当するデータＤａｔａ＿Ｐを取得し、予測処理部４３に出力する。

予測処理部４３の入力層４３１では、
ｖ_１＝Ｐ_１｛１｝
ｖ_２＝Ｐ_１｛２｝
が入力される。

この場合、ベクトルｖ_１（＝Ｐ_１｛１｝）とベクトルｖ_１，１（＝Ｐ_１｛１｝）とのノルム（ベクトル間距離）が「０」となるため、（数式５）のＤ＿ｖ_１１の値が大きな値となる。また、ベクトルｖ_２（＝Ｐ_１｛２｝）とベクトルｖ_１，２（＝Ｐ_１｛２｝）とのノルム（ベクトル間距離）が「０」となるため、（数式５）のＤ＿ｖ_１２の値が大きな値となる。その結果、（数式６）のｇ_１（Ｄａｔａ＿Ｐ）の値（クラス１の放射基底関数データｇ_ｃ）、すなわち、
ｇ_１（Ｄａｔａ＿Ｐ）＝Ｄ＿ｖ_１１＋Ｄ＿ｖ_１２
は、他のクラスの放射基底関数データｇ_ｃの値よりも大きな値となる。すなわち、図１０の時刻ｔ＿ｐａｓｔから時刻ｔ＿ｎｏｗまでのデータＤｓ（Ｂ／Ｉを示すシリアルデータ）が入力された場合、無線通信装置１００において、クラス１の場合であると適切に予測される可能性が高くなる。

そして、クラス評価値取得部４３４は、（数式７）のデータＤ２を取得し、取得したデータＤ２を平滑処理部４５に出力する。

≪図１１の場合（クラス２）≫
例えば、図１１の時刻ｔ＿ｐａｓｔから時刻ｔ＿ｎｏｗまでのデータＤｓ（Ｂ／Ｉを示すシリアルデータ）が入力された場合、予測用データ取得部は、図１１に示すデータＰ_２に相当するデータＤａｔａ＿Ｐを取得し、予測処理部４３に出力する。

予測処理部４３の入力層４３１では、
ｖ_１＝Ｐ_２｛１｝
ｖ_２＝Ｐ_２｛２｝
が入力される。

この場合、ベクトルｖ_１（＝Ｐ_２｛１｝）とベクトルｖ_２，１（＝Ｐ_２｛１｝）とのノルム（ベクトル間距離）が「０」となるため、（数式５）のＤ＿ｖ_２１の値が大きな値となる。また、ベクトルｖ_２（＝Ｐ_２｛２｝）とベクトルｖ_２，２（＝Ｐ_２｛２｝）とのノルム（ベクトル間距離）が「０」となるため、（数式５）のＤ＿ｖ_２２の値が大きな値となる。その結果、（数式６）のｇ_２（Ｄａｔａ＿Ｐ）の値（クラス２の放射基底関数データｇ_ｃ）、すなわち、
ｇ_２（Ｄａｔａ＿Ｐ）＝Ｄ＿ｖ_２１＋Ｄ＿ｖ_２２
は、他のクラスの放射基底関数データｇ_ｃの値よりも大きな値となる。すなわち、図１１の時刻ｔ＿ｐａｓｔから時刻ｔ＿ｎｏｗまでのデータＤｓ（Ｂ／Ｉを示すシリアルデータ）が入力された場合、無線通信装置１００において、クラス２の場合であると適切に予測される可能性が高くなる。

そして、クラス評価値取得部４３４は、（数式７）のデータＤ２を取得し、取得したデータＤ２を平滑処理部４５に出力する。

≪図１２の場合（クラス３）≫
例えば、図１２の時刻ｔ＿ｐａｓｔから時刻ｔ＿ｎｏｗまでのデータＤｓ（Ｂ／Ｉを示すシリアルデータ）が入力された場合、予測用データ取得部は、図１２に示すデータＰ_３に相当するデータＤａｔａ＿Ｐを取得し、予測処理部４３に出力する。

予測処理部４３の入力層４３１では、
ｖ_１＝Ｐ_３｛１｝
ｖ_２＝Ｐ_３｛２｝
が入力される。

この場合、ベクトルｖ_１（＝Ｐ_３｛１｝）とベクトルｖ_３，１（＝Ｐ_３｛１｝）とのノルム（ベクトル間距離）が「０」となるため、（数式５）のＤ＿ｖ_３１の値が大きな値となる。また、ベクトルｖ_２（＝Ｐ_３｛２｝）とベクトルｖ_３，２（＝Ｐ_３｛２｝）とのノルム（ベクトル間距離）が「０」となるため、（数式５）のＤ＿ｖ_３２の値が大きな値となる。その結果、（数式６）のｇ_３（Ｄａｔａ＿Ｐ）の値（クラス３の放射基底関数データｇ_ｃ）、すなわち、
ｇ_３（Ｄａｔａ＿Ｐ）＝Ｄ＿ｖ_３１＋Ｄ＿ｖ_３２
は、他のクラスの放射基底関数データｇ_ｃの値よりも大きな値となる。すなわち、図１２の時刻ｔ＿ｐａｓｔから時刻ｔ＿ｎｏｗまでのデータＤｓ（Ｂ／Ｉを示すシリアルデータ）が入力された場合、無線通信装置１００において、クラス３の場合であると適切に予測される可能性が高くなる。

そして、クラス評価値取得部４３４は、（数式７）のデータＤ２を取得し、取得したデータＤ２を平滑処理部４５に出力する。

平滑処理部４５は、データＤ２に対して、平滑処理（例えば、加重移動平均処理）を実行する。つまり、平滑処理部４５は、サンプル時刻ｔにおいて取得されるデータＤ２をＤ２（ｔ）と表記し、データＤ２（ｔ）の重み付けデータをｗ_ｔとすると、下記数式に相当する処理を実行することで、平滑処理後のデータＤ３を取得する。

なお、重み付けデータは、現時刻ｔに近い程、大きな値とすることが好ましい。

このように平滑処理部４５により平滑処理を実行することで、特異値やノイズによる影響を低減させることができ、その結果、無線通信装置１００において、安定して高精度な予測処理を実行することができる。

そして、平滑処理後のデータＤ３は、平滑処理部４５から制御信号生成部４６に出力される。

制御信号生成部４６は、平滑処理部４５から出力されるデータＤ３に基づいて、現時刻ｔ＿ｎｏｗに続く将来のデータを予測し、その予測結果に基づいて、制御信号ＣＴＬ３を生成する。例えば、図１０の場合、
Ｘ_ｔ＋１＝０（現時刻ｔ＿ｎｏｗの次のタイムスロット期間は、アイドル状態）
Ｘ_ｔ＋２＝０（現時刻ｔ＿ｎｏｗの２つ先のタイムスロット期間は、アイドル状態）
Ｘ_ｔ＋３＝１（現時刻ｔ＿ｎｏｗの３つ先のタイムスロット期間は、ビジー状態）
であると予測することができるので、当該予測結果に応じて、例えば、現時刻ｔ＿ｎｏｗの次のタイムスロット期間と、現時刻ｔ＿ｎｏｗの２つ先のタイムスロット期間において、データ送信するための制御信号ＣＴＬ３を生成し、生成した制御信号ＣＴＬ３を送信部１のアクセス制御部１５に出力する。そして、アクセス制御部１５が、制御信号ＣＴＬ３に基づいて、現時刻ｔ＿ｎｏｗの次のタイムスロット期間と、現時刻ｔ＿ｎｏｗの２つ先のタイムスロット期間において、データ送信するように、無線フレーム生成部１３および送信側ＲＦ部を制御することで、現時刻ｔ＿ｎｏｗの次のタイムスロット期間と、現時刻ｔ＿ｎｏｗの２つ先のタイムスロット期間において、データ送信することができる。この期間において、チャネル（無線チャネル）はアイドル状態である可能性が高いため、効率の良い通信を行うことができる。

なお、無線通信装置１００において、Ｒブロック（Ｒ：自然数）ごとに、再学習を行うようにしてもよい。これについて、図１３を用いて説明する。

図１３は、再学習を説明するための図である。

図１３に示すように、無線通信装置１００において、最初にデータＤａｔａ＿Ｐを取得するとき、すなわち、図１３における最初のブロックＰ_１＿１を取得するときに、学習処理を行い、後続するブロックＰ_１＿２〜Ｐ_１＿Ｒを取得するときに、予測処理を行う。そして、ブロックＰ_１＿Ｒの次のブロックＰ_２＿１において（ブロックＰ_１＿Ｒの次にデータＤａｔａ＿Ｐを取得するときに）、無線通信装置１００において再度、学習処理を行うようにしてもよい（再学習を行うようにしてもよい）。つまり、無線通信装置１００において、Ｒブロックごとに、再学習を行うようにしてもよい。再学習においては、第１パラメータθ１、第２パラメータθ２を調整することで、最適第１パラメータθ１＿ｏｐｔ、最適第２パラメータθ２＿ｏｐｔを取得し、取得した最適パラメータにより予測部のモデルを最適化する。このようにすることで、無線環境が急激に変化した場合であっても、無線通信装置１００において、最適な予測処理を行うことができる。また、予測処理を実行しているブロックにおいて、予測精度を監視し、予測精度に応じて、再学習の間隔を決定するＲを変更するようにしてもよい。つまり、予測精度が高い場合は、Ｒを大きな値にし、予測精度が低い場合、Ｒを小さな値にすることで、無線通信装置１００における予測処理の精度を高精度に保つことができる。

以上のように、無線通信装置１００では、チャネルの空／塞の状態を示すシリアルデータ（Ｂ／Ｉデータ）から、ＰＮＮに適用しやすい行列のデータである予測処理用データＤａｔａ＿Ｐと、目標データＤａｔａ＿Ｔとを取得し、当該予測処理用データＤａｔａ＿Ｐの各行のデータにより、ＰＮＮのシナプスの重み付けデータを設定する。このようにして設定したＰＮＮを用いて、無線通信装置１００では、所定のパラメータ（例えば、放射基底関数の標準偏差σ、Ｎ_Ｒ、Ｎ_Ｃ、ｋ等）を調整することで学習処理を行う。また、無線通信装置１００の学習処理では、ＰＮＮの隠れ層においてクラスを追加／置換することで、予測精度の高いモデルを高速に構築することができる。そして、無線通信装置１００では、学習処理により最適化したモデル（ＰＮＮ）を用いて、予測処理を行うことで、高精度の予測処理（チャネルの空／塞の状態の将来データの予測処理）を行うことができる。

さらに、無線通信装置１００では、Ｒブロックごとに、再学習を行うこともできるため、無線環境が急激に変化した場合であっても、再学習により、素早く最適化モデルを取得することができる。その結果、無線通信装置１００では、無線環境が急激に変化した場合であっても、高速かつ高精度に、無線環境状況（例えば、チャネルの空／塞の状態）を予測することができる。

≪変形例≫
次に、第１実施形態の変形例について、説明する。

なお、上記と同様の部分については、説明を省略する。

第１実施形態では、予測部４の予測用データ取得部４２が、Ｂ／ＩデータのデータＤａｔａ＿Ｐを取得する場合について説明した。本変形例では、予測部４の予測用データ取得部４２が、ＣＯＲのデータＤａｔａ＿Ｐｃを取得する。

図１４は、シリアルデータＤｓ１からＣＯＲデータの予測処理用データＤａｔａ＿Ｐｃと、Ｂ／Ｉデータの目標データＤａｔａ＿Ｔとを生成する方法を説明するための図である。なお、第１パラメータθ１は、Ｎ_Ｒ、Ｎ_ＣＣ（行列Ｐｃの列数）、ｋ、ｄ（１つのＣＯＲスロットに含まれるＢ／Ｉスロット数）のデータを含むものとする。

予測用データ取得部４２は、図１４に示すように、１つのＣＯＲスロットに含まれるＢ／Ｉスロット数を示すデータｄをｄ＝４に設定し、Ｂ／ＩデータのシリアルデータＤｓ１から、ｄ個のＢ／ＩスロットごとにＣＯＲを計算して取得し、ＣＯＲのＮ_ＣＣ個ごとのデータを取り出す。そして、予測用データ取得部４２は、取り出したデータを、Ｐ｛１｝、Ｐ｛２｝、・・・、Ｐ｛Ｎ_Ｒ｝とする。これにより、予測用データ取得部４２は、図１４に示すように、Ｎ_Ｒ×Ｎ_ＣＣの行列Ｐｃを取得する。すなわち、予測用データ取得部４２は、予測処理用データＤａｔａ＿Ｐｃ（Ｎ_Ｒ×Ｎ_ＣＣの行列Ｐｃのデータ）を取得する。また、予測用データ取得部４２は、Ｐ｛１｝、Ｐ｛２｝、・・・、Ｐ｛Ｎ_Ｒ｝に後続するｋ個のＢ／ＩスロットのデータをデータＴ｛１｝、Ｔ｛２｝、・・・、Ｔ｛Ｎ_Ｒ｝として取得し、それらを各行とする行列Ｔを目標データＤａｔａ＿Ｔとして取得する。

そして、第１実施形態のデータＤａｔａ＿ＰをデータＤａｔａ＿Ｐｃに置き換え、第１実施形態と同様の処理を行うことで、本変形例の無線通信装置において、ＣＯＲデータを用いた学習処理、予測処理を実行することができる。

［他の実施形態］
上記実施形態（変形例を含む）では、無線通信装置１００が平滑処理部４５を含む場合について、説明したが、これに限定されることなく、平滑処理部４５を省略し、予測処理部４３の出力を制御信号生成部４６に入力する構成としてもよい。

また、上記実施形態では、無線通信装置１００が、１つの無線チャネルの空／塞の状態を予測する場合について説明したが、これに限定されることはなく、無線通信装置１００において、複数の無線チャネルの空／塞の状態を予測するようにしてもよい。この場合、例えば、無線通信装置１００において、予測対象とする無線チャンネルごとに、予測部の予測処理に必要な処理系統を並列に設け、複数の無線チャネルの空／塞の状態を予測するようにすれば良い。

また、上記実施形態（変形例を含む）では、無線通信装置１００がチャネルのビジー状態／アイドル状態を示す時系列のデータＸ_ｉを用いて処理を行う場合について説明したが、これに限定されることはなく、チャネルのビジー状態／アイドル状態の継続時間の時系列のデータＸ_ｉを用いて処理を行うようにしてもよい。つまり、データＸ_ｉがチャネルのビジー状態／アイドル状態の継続時間を示すものであってもよい。

また、無線通信装置１００において、第２パラメータθ２に含まれる標準偏差のデータσは、予測処理部４３の各クラスに応じて個別にσ_ｃとして設定されるものであってもよいし、全てのクラスで共通の標準偏差σが設定されるものであってもよい。

また、上記実施形態では、ＯＦＤＭを採用した無線環境状況予測システム１０００について説明したが、これに限定されることはなく、他の変調方式を用いてもよい。

また、上記実施形態で説明した無線環境状況予測システムにおいて、各ブロックは、ＬＳＩなどの半導体装置により個別に１チップ化されても良いし、一部又は全部を含むように１チップ化されても良い。

なお、ここでは、ＬＳＩとしたが、集積度の違いにより、ＩＣ、システムＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩと呼称されることもある。

また、集積回路化の手法はＬＳＩに限るものではなく、専用回路又は汎用プロセサで実現してもよい。ＬＳＩ製造後に、プログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）や、ＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサーを利用しても良い。

また、上記各実施形態の各機能ブロックの処理の一部または全部は、プログラムにより実現されるものであってもよい。そして、上記各実施形態の各機能ブロックの処理の一部または全部は、コンピュータにおいて、中央演算装置（ＣＰＵ）により行われる。また、それぞれの処理を行うためのプログラムは、ハードディスク、ＲＯＭなどの記憶装置に格納されており、ＲＯＭにおいて、あるいはＲＡＭに読み出されて実行される。

また、上記実施形態の各処理をハードウェアにより実現してもよいし、ソフトウェア（ＯＳ（オペレーティングシステム）、ミドルウェア、あるいは、所定のライブラリとともに実現される場合を含む。）により実現してもよい。さらに、ソフトウェアおよびハードウェアの混在処理により実現しても良い。

例えば、上記実施形態の各機能部を、ソフトウェアにより実現する場合、図１５に示したハードウェア構成（例えば、ＣＰＵ、ＲＯＭ、ＲＡＭ、入力部、出力部等をバスＢｕｓにより接続したハードウェア構成）を用いて、各機能部をソフトウェア処理により実現するようにしてもよい。

また、上記実施形態における処理方法の実行順序は、必ずしも、上記実施形態の記載に制限されるものではなく、発明の要旨を逸脱しない範囲で、実行順序を入れ替えることができるものである。

前述した方法をコンピュータに実行させるコンピュータプログラム及びそのプログラムを記録したコンピュータ読み取り可能な記録媒体は、本発明の範囲に含まれる。ここで、コンピュータ読み取り可能な記録媒体としては、例えば、フレキシブルディスク、ハードディスク、ＣＤ−ＲＯＭ、ＭＯ、ＤＶＤ、ＤＶＤ−ＲＯＭ、ＤＶＤ−ＲＡＭ、大容量ＤＶＤ、次世代ＤＶＤ、半導体メモリを挙げることができる。

上記コンピュータプログラムは、上記記録媒体に記録されたものに限られず、電気通信回線、無線又は有線通信回線、インターネットを代表とするネットワーク等を経由して伝送されるものであってもよい。

なお、本発明の具体的な構成は、前述の実施形態に限られるものではなく、発明の要旨を逸脱しない範囲で種々の変更および修正が可能である。

１００ 無線通信装置
１ 送信部
２ 受信部
３ チャネル利用状況観測部
４ 予測部
４２ 予測用データ取得部
４３ 予測処理部
４５ 平滑処理部

Claims (16)

1. 無線チャネルのビジー状態およびアイドル状態の時系列データから、予測用行列データＰと目標行列データＴを取得する予測用データ取得部と、
   前記予測用データ取得部により取得された前記予測用行列データＰおよび前記目標行列データＴに対応するクラスを設定し、前記予測用行列データＰを入力データとし、前記目標行列データＴに基づいて生成したデータを教師データとして、学習モデルを最適化させることで学習処理を行うとともに、前記学習処理により最適化した学習モデルを用いて、無線チャネルのビジー状態およびアイドル状態の時系列データの将来のデータを予測する予測処理を実行する予測処理部と、
   を備えるチャネル状態予測装置。
2. 前記学習モデルは、パラメータθにより調整されるものであり、
   前記学習モデルの入力データをｘとし、前記学習モデルの出力データをｙとし、前記入力データｘが前記学習モデルに入力されたときに前記出力データｙが出力される条件付き確率をＰ（ｙ｜ｘ）とすると、
   前記予測処理部は、
   

   

   に相当する処理を行うことで、前記最適化した学習モデルの最適パラメータθ＿ｏｐｔを取得する、
   請求項１に記載のチャネル状態予測装置。
3. 前記パラメータθは、
   （１）前記予測用行列データＰの行数Ｎ_Ｒ、
   （２）前記予測用行列データＰの列数Ｎｃ、
   （３）前記目標行列データＴの列数ｋ、
   の少なくとも１つを含む、
   請求項２に記載のチャネル状態予測装置。
4. 前記予測用データ取得部は、
   無線チャネルのビジー状態およびアイドル状態の時系列データから導出した無線リソース利用率のデータを用いて前記予測用行列データＰを取得する、
   請求項１から３のいずれかに記載のチャネル状態予測装置。
5. 前記予測処理部は、確率的ニューラルネットワークを用いた学習モデルにより前記学習処理および前記予測処理を実行する、
   請求項１から４のいずれかに記載のチャネル状態予測装置。
6. 前記予測用行列データＰがＮ_Ｒ行の行列データであり、前記予測用行列データＰがデータＤａｔａ＿Ｐとして前記予測処理部に入力されるものとし、前記データＤａｔａ＿Ｐの各行のデータをベクトルｖ_１、ｖ_２、・・・、ｖ_Ｎ（Ｎ＝Ｎ_Ｒ）とし、
   第ｃ番目のクラスに対応し前記学習モデルが最適化されたときの前記予測用行列データＰの各行のデータをベクトルｖ_ｃ，１、ｖ_ｃ，２、・・・、ｖ_ｃ，Ｎ（Ｎ＝Ｎ_Ｒ）とし、第ｃ番目のクラスの放射基底関数データをｇ_ｃとすると、
   前記予測処理部は、
   

   

   σ_ｃ：第ｃ番目のクラスの標準偏差
   に相当する処理により、データＤａｔａ＿Ｐが入力されたときの第ｃ番目のクラスの放射基底関数データｇ_ｃ（Ｄａｔａ＿Ｐ）を取得し、取得した第ｃ番目のクラスの放射基底関数データｇ_ｃ（Ｄａｔａ＿Ｐ）に基づいて、前記予測処理を実行する、
   請求項５に記載のチャネル状態予測装置。
7. 前記予測処理部で設定されているクラスの数をＭ個（Ｍ：自然数）としたとき、
   クラスごとに取得した放射基底関数データｇ_ｃ（Ｄａｔａ＿Ｐ）に基づいて、クラス評価値データＤ２を、
   

   

   として取得するとともに、
   ｍａｘ＿Ｄ２＝ｍａｘ（ｇ_１（Ｄａｔａ＿Ｐ），・・・，ｇ_Ｍ（Ｄａｔａ＿Ｐ））
   ｍａｘ（）：要素の最大値を取得する関数
   により、クラス評価値データＤ２の要素のうち最大値をとる要素をｍａｘ＿Ｄ２として取得するクラス評価値取得部をさらに備える、
   請求項６に記載のチャネル状態予測装置。
8. サンプル時刻ｔにおいて取得される前記データＤ２をデータＤ２（ｔ）とし、前記データＤ２（ｔ）の重み付けデータをｗ_ｔとし、ｐが自然数であるものとすると、
   

   

   に相当する処理を実行することで、データＤ３を取得する平滑処理部をさらに備える、
   請求項７に記載のチャネル状態予測装置。
9. 前記学習モデルは、パラメータθにより調整されるものであり、
   前記パラメータθは、
   （１）前記予測用行列データＰの行数Ｎ_Ｒ、
   （２）前記予測用行列データＰの列数Ｎｃ、
   （３）前記目標行列データＴの列数ｋ、
   （４）前記第ｃ番目のクラスの標準偏差σ_ｃ
   の少なくとも１つを含む、
   請求項６から８のいずれかに記載のチャネル状態予測装置。
10. 前記予測処理部は、
    １つの前記予測用行列データＰを取得するために必要な無線チャネルのビジー状態およびアイドル状態の時系列データを取得する期間を１単位としたとき、Ｒ単位（Ｒ：自然数）ごとに、取得される前記予測用行列データＰを用いて、前記学習処理を実行する、
    請求項１から９のいずれかに記載のチャネル状態予測装置。
11. 前記予測処理部は、
    前記予測処理を行っているときの予測精度を取得し、取得した予測精度に応じて、前記学習処理を実行する間隔を決定する数値Ｒを調整する、
    請求項１０に記載のチャネル状態予測装置。
12. 前記予測処理部は、
    Ｑ個（Ｑ：自然数）のＲを、Ｒ［１］，Ｒ［２］，・・・，Ｒ［Ｑ］とし、
    Ｒ［１］＜Ｒ［２］＜・・・＜Ｒ［Ｑ］
    を満たすように設定し、
    Ｒ＝Ｒ［ｉ］（ｉ：自然数、１≦ｉ≦Ｑ）のときの予測精度ＰＣＥ_ｉ（０≦ＰＣＥ_ｉ≦１）を正解データを取得した確率ＰＣＥ_ｉ（０≦ＰＣＥ_ｉ≦１）として取得し、
    Ｒを、Ｒ［１］からＲ［Ｑ］まで順番に変化させたとき、
    ＰＣＥ_ｉ／ＰＣＥ_ｉ−１＜Ｔｈ
    Ｔｈ：閾値
    を初めて満たすときのｉをｉ０として取得し、
    前記Ｒを、
    Ｒ＝Ｒ［ｉ０］
    として設定する、
    請求項１０に記載のチャネル状態予測装置。
13. 前記学習モデルは、パラメータθにより調整されるものであり、
    前記パラメータθは、
    （１）前記予測用行列データＰの行数Ｎ_Ｒ、
    （２）前記予測用行列データＰの列数Ｎｃ、
    （３）前記目標行列データＴの列数ｋ、
    （４）前記Ｒ、
    の少なくとも１つを含む、
    請求項１０から１２のいずれかに記載のチャネル状態予測装置。
14. データに対して送信処理を実行することで無線信号を生成する送信部と、
    無線信号に対して受信処理を実行することで当該無線信号により搬送されたデータを取得する受信部と、
    前記送信部および前記受信部の少なくとも一方を制御することで、前記無線信号の通信に使用されるチャネルの利用状況を観測するチャネル利用状況観測部と、
    請求項１から１３のいずれかに記載のチャネル状態予測装置と、
    を備える無線通信装置。
15. 無線チャネルのビジー状態およびアイドル状態の時系列データから、予測用行列データＰと目標行列データＴを取得する予測用データ取得ステップと、
    前記予測用データ取得ステップにより取得された前記予測用行列データＰおよび前記目標行列データＴに対応するクラスを設定し、前記予測用行列データＰを入力データとし、前記目標行列データＴに基づいて生成したデータを教師データとして、学習モデルを最適化させることで学習処理を行うとともに、前記学習処理により最適化した学習モデルを用いて、無線チャネルのビジー状態およびアイドル状態の時系列データの将来のデータを予測する予測処理を実行する予測処理ステップと、
    を備えるチャネル状態予測方法。
16. 請求項１５に記載のチャネル状態予測方法をコンピュータに実行させるためのプログラム。

Images