JP7166584B2 - 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
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 Download PDFInfo
- Publication number
- JP7166584B2 JP7166584B2 JP2017232442A JP2017232442A JP7166584B2 JP 7166584 B2 JP7166584 B2 JP 7166584B2 JP 2017232442 A JP2017232442 A JP 2017232442A JP 2017232442 A JP2017232442 A JP 2017232442A JP 7166584 B2 JP7166584 B2 JP 7166584B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- prediction
- class
- unit
- processing
- 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.)
- Active
Links
- 238000004891 communication Methods 0.000 title claims description 62
- 238000000034 method Methods 0.000 title claims description 60
- 238000012545 processing Methods 0.000 claims description 272
- 239000011159 matrix material Substances 0.000 claims description 105
- 210000000225 synapse Anatomy 0.000 claims description 68
- 230000006870 function Effects 0.000 claims description 46
- 238000011156 evaluation Methods 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 38
- 230000005540 biological transmission Effects 0.000 claims description 28
- 238000009499 grossing Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 26
- 230000001149 cognitive effect Effects 0.000 description 14
- 102100039497 Choline transporter-like protein 3 Human genes 0.000 description 8
- 101000889279 Homo sapiens Choline transporter-like protein 3 Proteins 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 102100031699 Choline transporter-like protein 1 Human genes 0.000 description 5
- 101000940912 Homo sapiens Choline transporter-like protein 1 Proteins 0.000 description 5
- 230000010355 oscillation Effects 0.000 description 5
- 102100035954 Choline transporter-like protein 2 Human genes 0.000 description 4
- 101000948115 Homo sapiens Choline transporter-like protein 2 Proteins 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Description
予測処理部は、
(1)前記予測用行列データPの行数NR、
(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。
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vc,1、vc,2、・・・、vc,N(N=NR)とし、第c番目のクラスの放射基底関数データをgc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gc(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gc(Data_P)に基づいて、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、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、NR、NC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。
クラスごとに取得した放射基底関数データgc(Data_P)に基づいて、クラス評価値データD2を、
max_D2=max(g1(Data_P),・・・,gM(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。
(1)予測用行列データPの行数NR、
(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σc、
の少なくとも1つを含む。
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PCEi(0≦PCEi≦1)を正解データを取得した確率PCEi(0≦PCEi≦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、
PCEi/PCEi-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。
(1)予測用行列データPの行数NR、
(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。
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。
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。
(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。
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。
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。
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_vcjが総和計算層433に出力される。
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gcは、クラス評価値取得部434に出力される。
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。
クラス1:
v1,1=P1{1}
v1,2=P1{2}
対応する目標データT=行列T1
クラス2:
v2,1=P2{1}
v2,2=P2{2}
対応する目標データT=行列T2
クラス3:
v3,1=P3{1}
v3,2=P3{2}
対応する目標データT=行列T3
≪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P1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。
v1=P1{1}
v2=P1{2}
が入力される。
g1(Data_P)=D_v11+D_v12
は、他のクラスの放射基底関数データgc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。
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P2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。
v1=P2{1}
v2=P2{2}
が入力される。
g2(Data_P)=D_v21+D_v22
は、他のクラスの放射基底関数データgc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。
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P3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。
v1=P3{1}
v2=P3{2}
が入力される。
g3(Data_P)=D_v31+D_v32
は、他のクラスの放射基底関数データgc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。
Xt+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)
Xt+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)
Xt+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。
次に、第1実施形態の変形例について、説明する。
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。
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 (15)
- 1つの 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である1次元データから、所定の数である第1の数のデータを取り出し、取り出した前記第1の数のデータを行データとすることを繰り返すことで2次元データである予測用行列データPを取得するとともに、前記予測用行列データPの行データに後続する所定の数である第2の数のデータを行データとすることで目標行列データTを取得する予測用データ取得部と、
入力層と、クラスごとに分けられたシナプス群を複数含む隠れ層と、各クラスのシナプス群から出力されるデータの総和を計算するシナプスをクラス数分含む総和計算層とを有する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行う予測処理部であって、
(1)前記学習モデルのパラメータ設定時において、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に対応する前記クラスを設定し、前記クラス数をM(M:自然数)とし、前記シナプス群において、1つのクラスに含まれるシナプスの数をN(N:自然数)とし、i番目(i:自然数、1≦i≦M)のクラスのj番目(j:自然数、1≦j≦N)のシナプスに対応するサンプルパターンをSj iとし、i番目(i:自然数、1≦i≦M)のクラスのj番目(j:自然数、1≦j≦N)のシナプスに入力されるデータをXとすると、前記予測用行列データPの各行の要素を前記シナプス群の各シナプスの重み付け係数に対応させることで、放射基底関数値K(X-Sj i)が前記シナプス群の各シナプスから出力されるように設定し、さらに、i番目のクラスの前記シナプス群の各シナプスから出力されるデータの総和が総和データg i として出力されるように設定するとともに、i番目のクラスに対応する予測出力データを、i番目のクラスを設定したときに使用した前記予測用行列データPとともに前記予測用データ取得部により取得された前記目標行列データTから抽出した時系列データのサンプルパターンに設定し、
(2)前記学習モデルの学習処理時において、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を入力データとし、前記目標行列データTから抽出した時系列データのサンプルパターンを正解データとして、前記入力データを前記学習モデルに入力したときの前記学習モデルから出力される前記総和データg i に基づいてクラスを選択し、選択した当該クラスに対応する予測出力データを取得し、前記予測出力データと前記正解データとの差が小さくなるように、前記学習モデルのパラメータを調整することで前記学習モデルの最適化を行う学習処理を行い、
(3)予測処理時において、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を、前記学習処理により最適化した学習モデルに入力し、当該最適化した学習モデルから出力される前記総和データg i に基づいてクラスを選択し、選択した当該クラスに対応する予測出力データを予測データとして取得することで、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前記予測処理部と、
を備えるチャネル状態予測装置。 - 前記パラメータθは、
(1)前記予測用行列データPの行数NR、
(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。 - 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。 - 前記予測用行列データPがNR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v1、v2、・・・、vN(N=NR)とし、
第c番目(c:自然数、1≦c≦M)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vc,1、vc,2、・・・、vc,N(N=NR)とし、第c番目のクラスの放射基底関数データをgcとすると、
前記予測処理部は、
σc: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gc(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gc(Data_P)に基づいてクラスを選択し、選択した当該クラスに対応する予測出力データを予測データとして取得することで、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。 - 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gc(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(g1(Data_P),・・・,gM(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、
前記予測処理部は、max_D2が取得されたときの前記クラス評価値データD2の要素に対応するクラスを選択し、選択した当該クラスに対応する予測出力データを予測データとして取得することで、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。 - 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NR、
(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σc
の少なくとも1つを含む、
請求項5から7のいずれかに記載のチャネル状態予測装置。 - 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8のいずれかに記載のチャネル状態予測装置。 - 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9に記載のチャネル状態予測装置。 - 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PCEi(0≦PCEi≦1)を正解データを取得した確率PCEi(0≦PCEi≦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、
PCEi/PCEi-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9に記載のチャネル状態予測装置。 - 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NR、
(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9から11のいずれかに記載のチャネル状態予測装置。 - 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12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。 - 1つの 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である1次元データから、所定の数である第1の数のデータを取り出し、取り出した前記第1の数のデータを行データとすることを繰り返すことで2次元データである予測用行列データPを取得するとともに、前記予測用行列データPの行データに後続する所定の数である第2の数のデータを行データとすることで目標行列データTを取得する予測用データ取得ステップと、
入力層と、クラスごとに分けられたシナプス群を複数含む隠れ層と、各クラスのシナプス群から出力されるデータの総和を計算するシナプスをクラス数分含む総和計算層とを有する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行う予測処理ステップであって、
(1)前記学習モデルのパラメータ設定時において、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に対応する前記クラスを設定し、前記クラス数をM(M:自然数)とし、前記シナプス群において、1つのクラスに含まれるシナプスの数をN(N:自然数)とし、i番目(i:自然数、1≦i≦M)のクラスのj番目(j:自然数、1≦j≦N)のシナプスに対応するサンプルパターンをSj iとし、i番目(i:自然数、1≦i≦M)のクラスのj番目(j:自然数、1≦j≦N)のシナプスに入力されるデータをXとすると、前記予測用行列データPの各行の要素を前記シナプス群の各シナプスの重み付け係数に対応させることで、放射基底関数値K(X-Sj i)が前記シナプス群の各シナプスから出力されるように設定し、さらに、i番目のクラスの前記シナプス群の各シナプスから出力されるデータの総和が総和データg i として出力されるように設定するとともに、i番目のクラスに対応する予測出力データを、i番目のクラスを設定したときに使用した前記予測用行列データPとともに前記予測用データ取得ステップで取得された前記目標行列データTから抽出した時系列データのサンプルパターンに設定し、
(2)前記学習モデルの学習処理時において、前記予測用データ取得ステップで取得された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から抽出した時系列データのサンプルパターンを正解データとして、前記入力データを前記学習モデルに入力したときの前記学習モデルから出力されるクラスを選択し、選択した当該クラスに対応する予測出力データを取得し、前記予測出力データと前記正解データとの差が小さくなるように、前記学習モデルのパラメータを調整することで前記学習モデルの最適化を行う学習処理を行い、
(3)予測処理時において、前記予測用データ取得ステップで取得された前記予測用行列データPを、前記学習処理により最適化した学習モデルに入力し、当該最適化した学習モデルから出力される前記総和データg i に基づいてクラスを選択し、選択した当該クラスに対応する予測出力データを予測データとして取得することで、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前記予測処理ステップと、
を備えるチャネル状態予測方法。 - 請求項14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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017232442A JP7166584B2 (ja) | 2017-12-04 | 2017-12-04 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017232442A JP7166584B2 (ja) | 2017-12-04 | 2017-12-04 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019101792A JP2019101792A (ja) | 2019-06-24 |
JP7166584B2 true JP7166584B2 (ja) | 2022-11-08 |
Family
ID=66976963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017232442A Active JP7166584B2 (ja) | 2017-12-04 | 2017-12-04 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7166584B2 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021051362A1 (en) | 2019-09-19 | 2021-03-25 | Nokia Shanghai Bell Co., Ltd. | Machine learning-based channel estimation |
FI20205261A1 (en) | 2020-03-12 | 2021-09-13 | Nokia Technologies Oy | Radio receiver |
JP7330141B2 (ja) * | 2020-06-24 | 2023-08-21 | 株式会社Kddi総合研究所 | 情報処理装置、情報処理方法およびプログラム |
WO2022000365A1 (en) * | 2020-07-01 | 2022-01-06 | Qualcomm Incorporated | Machine learning based downlink channel estimation and prediction |
JP7313322B2 (ja) * | 2020-08-28 | 2023-07-24 | 株式会社Kddi総合研究所 | 時系列予測システム、時系列予測方法及びコンピュータプログラム |
CN112330003B (zh) * | 2020-10-27 | 2022-11-08 | 电子科技大学 | 基于双向循环神经网络的周期型容量数据预测方法、系统及存储介质 |
CN113784359A (zh) * | 2021-09-08 | 2021-12-10 | 昆明理工大学 | 一种基于改进bp神经网络算法的动态信道接入方法 |
CN113612710B (zh) * | 2021-09-09 | 2024-04-30 | 上海浦东发展银行股份有限公司 | 一种信道预测方法、装置、设备和介质 |
CN113837367A (zh) * | 2021-09-24 | 2021-12-24 | 浙江中烟工业有限责任公司 | 一种基于概率神经网络的卷包机烟支吸阻的在线预测方法 |
CN114866119B (zh) * | 2022-04-15 | 2023-09-26 | 电子科技大学长三角研究院(湖州) | 一种非完美信道状态信息条件下的混合波束成形方法 |
CN115276856B (zh) * | 2022-06-16 | 2023-09-29 | 宁波大学 | 一种基于深度学习的信道选择方法 |
CN117440382B (zh) * | 2023-12-20 | 2024-03-26 | 深圳市友恺通信技术有限公司 | 基于物联网的无线设备运行分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120155318A1 (en) | 2009-08-28 | 2012-06-21 | Huawei Technologies Co., Ltd. | Method, apparatus and system for spectrum prediction |
JP2014531161A (ja) | 2011-10-19 | 2014-11-20 | オプティス セルラー テクノロジー, エルエルシーOptis Cellular Technology,LLC | チャネル予測方法および装置 |
JP2017041924A (ja) | 2015-08-17 | 2017-02-23 | 株式会社東芝 | 縮約モデル作成装置、作成方法及び作成プログラム |
-
2017
- 2017-12-04 JP JP2017232442A patent/JP7166584B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120155318A1 (en) | 2009-08-28 | 2012-06-21 | Huawei Technologies Co., Ltd. | Method, apparatus and system for spectrum prediction |
JP2014531161A (ja) | 2011-10-19 | 2014-11-20 | オプティス セルラー テクノロジー, エルエルシーOptis Cellular Technology,LLC | チャネル予測方法および装置 |
JP2017041924A (ja) | 2015-08-17 | 2017-02-23 | 株式会社東芝 | 縮約モデル作成装置、作成方法及び作成プログラム |
Non-Patent Citations (3)
Title |
---|
MAO, K.Z. et al.,"Probabilistic neural-network structure determination for pattern classification",IEEE Transactions on Neural Networks,2000年07月,Vol. 11, No. 4,pp. 1009-1016,Retrieved from the Internet: <URL: https://ieeexplore.ieee.org/document/857781> [Retrieved on 2021-09-03],<DOI: 10.1109/72.857781> |
SHAHID, A. et al.,"CSIT: channel state and idle time predictor using a neural network for cognitive LTE-Advanced network",EURASIP Journal on Wireless Communications and Networking,2013年08月03日,Article Number: 2013,Retrieved from the Internet: <URL: https://link.springer.com/article/10.1186/1687-1499-2013-203> [Retrieved on 2021-09-03],<DOI: 10.1186/1687-1499-2013-203> |
相部 範之ほか,「確率的ニューラルネットワーク計算の並列高速化アーキテクチャとその画像認識システムへの適用」,情報処理学会論文誌,2002年09月15日,Vol. 45, No. SIG6 (HPS5),pp. 206-218 |
Also Published As
Publication number | Publication date |
---|---|
JP2019101792A (ja) | 2019-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7166584B2 (ja) | 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 | |
US12021598B2 (en) | Modification of SSB burst pattern | |
WO2016150395A1 (en) | Adaptive, anomaly detection based predictor for network time series data | |
Zhang et al. | Optimal cooperative sensing scheduling for energy-efficient cognitive radio networks | |
Zhang et al. | Multi-agent deep reinforcement learning-based cooperative spectrum sensing with upper confidence bound exploration | |
US9743220B2 (en) | Adaptive frequency hopping (AFH) with channel inhibition (CI) for bluetooth | |
Uvaydov et al. | Deepsense: Fast wideband spectrum sensing through real-time in-the-loop deep learning | |
EP3669566B1 (en) | Community detection in radio access networks with constraints | |
CN115037608B (zh) | 量化的方法、装置、设备及可读存储介质 | |
US12047167B2 (en) | Feature detection in collaborative radio networks | |
Zhang et al. | Spectrum prediction and channel selection for sensing-based spectrum sharing scheme using online learning techniques | |
US20230388809A1 (en) | Learning-Based Spectrum Occupancy Prediction Exploiting Multi-Dimensional Correlation | |
Kim et al. | Advances in spectrum sensing and cross-layer design for cognitive radio networks | |
JP6978777B2 (ja) | 無線状況予測装置、無線状況予測方法、および、プログラム | |
CN117796007A (zh) | 共享频谱带中的发送器检测 | |
EP3804383B1 (en) | Cell assignment in wireless networks | |
US12045721B2 (en) | Method and device for transmitting OFDM signal, and method and device for receiving OFDM signal | |
JP2019080144A (ja) | 無線環境状況予測システム、無線環境状況予測方法、および、プログラム | |
CN115913486A (zh) | 信息上报方法、装置、终端及可读存储介质 | |
JP7278120B2 (ja) | 無線通信装置、無線通信方法、および、プログラム | |
Khan et al. | Comparative analysis of ANN techniques for predicting channel frequencies in cognitive radio | |
Khadim et al. | Smart Cognitive Cellular Network | |
Saeed et al. | Smart Pilot Assignment for IoT in Massive MIMO Systems: A Path Towards Scalable IoT Infrastructure | |
Lindner et al. | Time-and frequency-domain dynamic spectrum access: learning cyclic medium access patterns in partially observable environments | |
Rajanna et al. | ADVANCING WIDEBAND SPECTRUM SENSING IN COGNITIVE RADIO NETWORKS USING A DEEP LEARNING APPROACH |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20171208 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200903 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210831 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210914 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211108 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220405 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20220603 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220708 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221018 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221019 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7166584 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |