WO2024088920A1 - 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 PDF

Info

Publication number
WO2024088920A1
WO2024088920A1 PCT/EP2023/079383 EP2023079383W WO2024088920A1 WO 2024088920 A1 WO2024088920 A1 WO 2024088920A1 EP 2023079383 W EP2023079383 W EP 2023079383W WO 2024088920 A1 WO2024088920 A1 WO 2024088920A1
Authority
WO
WIPO (PCT)
Prior art keywords
vector
prediction method
snr
processing
noise ratio
Prior art date
Application number
PCT/EP2023/079383
Other languages
English (en)
Inventor
Christophe Le Martret
Xavier LETURC
Original Assignee
Thales
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Thales filed Critical Thales
Publication of WO2024088920A1 publication Critical patent/WO2024088920A1/fr

Links

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

Definitions

  • the present invention relates to a wireless telecommunications network and more particularly to a prediction method of the quality of data transmission on this telecommunications network in terms of packet error probability or equivalent SNR.
  • Two applications are particularly targeted by the invention, namely resource allocation to allocate the best resources to the transmitter (power, modulation and coding scheme (MCS), etc.) and link abstraction for network simulation telecommunications.
  • MCS modulation and coding scheme
  • FIG 1 discloses a known method for predicting a PEP (for Packet Error Probability) denoted ⁇ , of a radio link between a transmitter and a receiver.
  • This method comprises: - a step of receiving a vector of signal to noise ratios SNR (for “Signal to Noise Ratio” in English) ⁇ measured on the link.
  • SNR Signal to Noise Ratio
  • the SNRs are measured or calculated (depending on the intended application) on each of the dimensions, per carrier or on each level. respectively then it can be deduced the PEP of the link.
  • the method further comprises a step of processing said SNR vector ⁇ by an EESM function (for “Exponential Effective SINR Mapping”), said two-parameter EESM function being written from the following way: ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ with ⁇ ⁇ and ⁇ ⁇ calibration parameters, ⁇ the ith value ⁇ ur du ⁇ , ⁇ ranging from 1 to ⁇ , with ⁇ a non-zero natural integer representing the length of the SNR vector.
  • This EESM function is notably disclosed in the article I. Latif, F. Kaltenberger and R.
  • ⁇ ⁇ ( ⁇ ) is the signal-to-noise ratio in the Gaussian channel
  • ⁇ ⁇ ( ⁇ ) the error probability measured for this SNR value for a given MCS.
  • the resulting function 2 ⁇ 3456 (7) is differentiable, an assumption which will be necessary to describe a particular mode of learning an embodiment of the invention.
  • Figure 2 illustrates an alternative solution known in the state of the art using a deep neural network trained from a database (not shown).
  • This deep neural network is adapted to receive as input the SNR vector ⁇ and to provide as output the predicted PEP ⁇ .
  • Using a network of neurons in a process for predicting the performance of a radio link is notably disclosed in the publication E. Chu, J. Yoon, and BC Jung, “A Novel Link-to-System Mapping Technique Based on Machine Learning for 5G/IoT Wireless Networks,” Sensors 2019, 19, 1196. https://doi.org/10.3390/s19051196.
  • the prediction method of Figure 2 has imprecise inference power if the deep neural network is trained on a frugal database, that is to say of small size (cardinal of the of the order of a few thousand) and does not provide any gain in terms of inference performance compared to the method without a neural network as explained in paragraph [3].
  • Presentation of the invention [0009] The present invention aims to remedy this need.
  • the present invention aims to cover a method for predicting a predicted packet error probability of a radio link between a transmitter and a receiver in a wireless communication network for a plurality of modulation schemes and coding, said prediction method comprising: - a step of receiving an SNR vector; - a step of determining a vector of calibration parameters from said SNR vector, said step of determining the vector of calibration parameters being carried out from a deep neural network architecture; - a step of processing said calibration parameters by a differentiable mathematical function to obtain the predicted equivalent signal-to-noise ratio; - a Gaussian mapping step making it possible to determine the predicted packet error probability from the predicted equivalent signal-to-noise ratio.
  • the Gaussian mapping is carried out by interpolation by segment and said prediction method comprises: - a step of learning the weights of the deep neural networks from pairs comprising an SNR vector and an associated equivalent signal-to-noise ratio, said pairs being determined for the plurality of modulation and coding schemes, said pairs being previously stored in a learning database, the equivalent signal-to-noise ratios of the couples being determined by an inversion of the Gaussian mapping, said Gaussian mapping being obtained by a simulation on a Gaussian channel for a given modulation and coding scheme.
  • the Gaussian mapping is carried out by global interpolation and said prediction method comprises: - a step of learning the weights of the deep neural networks from pairs comprising an SNR vector and a probability associated packet error, said pairs being determined for the plurality of modulation and coding schemes, said pairs being previously stored in a learning database.
  • the method thus makes it possible to predict an equivalent SNR then to deduce the PEP of a link from a vector of measured/estimated data, here contained in the SNR vector ⁇ which constitutes a characteristic of the link.
  • the deep neural network no longer directly predicts the PEP as in the prior art but rather calibration parameters.
  • the conventional method of the prior art without a neural network predicts the PEP from the SNR vector through a function (for example EESM) parameterized by one or two coefficients, coefficients which are constant whatever the SNR vector presented at the input of the device.
  • EESM EESM
  • the two approaches of the prior art having the same inputs and outputs, one cannot in any way deduce the invention by merging the two approaches of the prior art.
  • the calibration parameters are generated by the neural network for each SNR vector presented at the input of the device. According to the inventors, what makes the implementation of this solution possible is a property which has never been revealed in the prior art.
  • the SNR vector is determined from a step of processing a vector of channel attenuations of the radio link.
  • the step of processing the channel attenuation vector comprises a processing step for taking into account a number of antennas on transmission, the transmitter having several antennas , and a number of antennas at reception, the receiver having several antennas, in order to obtain a signal-to-noise ratio vector.
  • the step of processing the channel attenuation vector comprises an invariance processing step by permutation of the signal-to-noise ratio vector to obtain the SNR vector.
  • the permutation invariance processing is a sorting operation.
  • the permutation invariance processing is a discretization operation.
  • the permutation invariance processing is carried out by other deep neural networks.
  • the SNR vector is concatenated with an average signal-to-noise ratio.
  • the SNR vector is concatenated with an encoding vector 1 among 9 in the case of 9 modulation and coding schemes (MCS).
  • the first calibration parameter ⁇ ⁇ is equal to 1 and said differentiable mathematical function (:(;, ⁇ )) corresponds to the following equation: ⁇ ⁇ ⁇ ⁇ ⁇ 0 ⁇
  • the second calibration parameter ⁇ ⁇ is equal to 1 and said differentiable mathematical function (:(;, ⁇ )) corresponds to the following equation: ⁇ ⁇ ⁇ [00024]
  • Figure 1 illustrates a process according to the prior art for predicting a PEP of a radio link between a transmitter and a receiver
  • Figure 2 illustrates another method according to the prior art for predicting a PEP of a radio link between a transmitter and a receiver using a deep neural network architecture
  • Figure 3 illustrates a method for predicting a P
  • Figure 3 illustrates a method for predicting a packet error probability ⁇ according to a first embodiment of the invention.
  • the prediction method comprises: - a step of receiving an SNR vector ⁇ ; - a step of determining a vector; calibration parameters from the SNR vector ⁇ using a deep neural network; - a step of processing the calibration parameters; by a differentiable mathematical function:(;, ⁇ ) to obtain the predicted equivalent signal-to-noise ratio ⁇ .
  • the SNR vector ⁇ is made up of discriminating parameters of the radio link.
  • the input vector In the case of link prediction for systems experiencing several SNRs during the transmission of a packet (carriers in OFDM, levels for frequency hopping, etc.), the input vector necessarily consists of the SNRs. These SNR can be expressed in linear or in dB, or even generally after having undergone any predistortion.
  • the values of the SNRs ⁇ used in the function :(;, ⁇ ) are not necessarily predistorted or are not necessarily predistorted in the same way as the SNRs at the input to the deep neural network.
  • a possible implementation to inform the network of the MCS is the use of a “one-hot” vector >, that is to say an encoding of 1 among 9, in the case of 9 MCS.
  • DNN Deep neural network architecture
  • Deep neural network we mean a neural network composed of at least three layers, including two hidden layers and an output layer. The number of neurons in each layer can be different.
  • the weights C of the different deep neural networks are determined by a learning algorithm A from a plurality of vectors ⁇ and associated packet error probabilities previously stored in a learning database BD and of a Gaussian mapping.
  • Gaussian mapping either by segment interpolation or by global interpolation, two different learning schemes are applied.
  • the learning scheme is illustrated in Figure 4.
  • the Gaussian mapping function with interpolation by segment is not differentiable, we cannot apply the algorithms learning neural networks by taking as a criterion to optimize the value of the PEP at the output of the Gaussian mapping. To remedy this problem, learning is carried out by considering the equivalent SNR as the criterion to be optimized.
  • the learning algorithm A is adapted to receive a plurality of predicted equivalent signal-to-noise ratios ⁇ from the output. of the prediction process [00045] The learning algorithm A will then modify the weights of the different deep neural networks so as to satisfy the equation below: ⁇ ⁇ . [00047] The weights of the deep neural networks are saved.
  • the learning scheme is illustrated in Figure 5.
  • the Gaussian mapping being carried out by a differentiable function, the neural network learning algorithms are applied by taking as a criterion to optimize the value of the PEEP at the output of the Gaussian mapping.
  • the learning algorithm A is adapted to receive a plurality of predicted packet error probabilities ⁇ resulting from the output of the prediction method.
  • the learning algorithm A will then modify the weights of the different deep neural networks so as to satisfy the equation below: ⁇ ⁇ [00052]
  • the weights of the deep neural networks are saved.
  • the vector; of calibration parameters is processed by a differentiable mathematical function:(;, ⁇ ) to obtain the predicted equivalent signal-to-noise ratio ⁇ .
  • any other differentiable SNR compression function can be used, such as for example, a function approximating mutual information called the MIESM function known from the document Latif et al.
  • the SNR vector ⁇ is determined from a processing step T d 'a vector of channel attenuations L of the radio link.
  • this step T includes a processing step (PA) for taking into account a number of antennas on transmission ⁇ 4 ⁇ 1 and a number of antennas on reception ⁇ 6 ⁇ 1 with a view to 'obtain a signal-to-noise ratio vector ⁇ N .
  • PA processing step
  • ⁇ ⁇ N a ⁇ ⁇ bc ⁇ e f ⁇ with a ⁇ the largest value of Q ⁇ .
  • the receiver carries out an equalization on each of the levels and the elements ⁇ ⁇ N of the vector ⁇ ' are then equal to the post-equalization SNR of the component h ⁇ calculated or measured depending on the application.
  • the signal-to-noise ratio ⁇ N is processed during a step TI of invariance processing by permutation of said signal-to-noise ratio vector ⁇ ', for obtain the vector of SNR ⁇ .
  • this IT processing step makes it possible to compensate for the relatively small size of the BD learning database (a few thousand representatives).
  • Such a step of sorting the input data here in ascending order, is simple to implement. It provides good results in inference on a frugal BD learning database.
  • the processing of invariance by permutation TI is an operation carried out by deep neural networks called DeepSet.
  • the invention thus allows: - the introduction of a mathematical model associated with the DNN architecture for predicting the performance of radio links in terms of packet error probability and the associated architecture; - the introduction of the mathematical model makes it possible to be much more precise because the DNN learns so many vectors; only input vectors ⁇ of the learning database whereas in conventional methods a single vector is determined; for the entire database.
  • the invention relates more particularly to operators and manufacturers of wireless communication systems.
  • the method for predicting the predicted packet error probability ⁇ can advantageously be implemented in a base transmission station of a wireless communication network.

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 (I) 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 (S); - une étape de détermination d'un vecteur (c) de paramètres de calibration à partir dudit vecteur de SNR (S), ladite étape de détermination du vecteur (c) 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 (ƒ(c,S)) pour obtenir le rapport signal à bruit équivalent prédit (ŷ). - une étape de mapping gaussien permettant de déterminer la probabilité d'erreur paquet prédite (I) à partir du rapport signal à bruit équivalent prédit (ŷ).

Description

DESCRIPTION Titre de l’invention : Procédé de prédiction de la probabilité d’erreur paquet d’un lien radio utilisant des réseaux de neurones profonds Domaine technique [0001] 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. Technique antérieure [0002] La figure 1 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 figure 1, 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 vale
Figure imgf000003_0001
^ ur du ^, ^ 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. [0003] 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 ^ = ^(^^(^), ^^(^)) pour ^ = 1, … , ^^' obtenus par simulation du lien radio et connue sous le nom de LUT (pour «
Figure imgf000004_0001
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 ^^(^) ≤ ^^ < ^^(^ + 1) alors on calcule ^̂ = +^^ + , avec + = -.(^/^)0-.(^) 1.(^/^)01.(^) et , = ^^ (^) − +^^ (^). Dans le cas 2) on construit une fonction d’interpolation 2^3456(7), par exemple par une interpolation polynomiale de Lagrange passant par les points de l’ensemble ^. Dans ce cas, la PEP estimée est donnée par ^̂ = 2^3456(^^). La fonction résultante 2^3456(7) est différentiable, hypothèse qui sera nécessaire pour décrire un mode particulier d’apprentissage d’une réalisation de l’invention. [0004] 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 ^8 couples ^(^(^), ^(^)), ^ = 1, … , ^8' 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. [0005] 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 », Sensors 2019, 19, 1196. https://doi.org/10.3390/s19051196. [0006] Le procédé de prédiction de la figure 2 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]. [0007] 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. [0008] Exposé de l’invention [0009] 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. [00010] 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. [00011] 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. [00012] 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]). [00013] 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. [00014] 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. [00015] 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. [00016] Dans un mode de réalisation particulier, le traitement d’invariance par permutation est une opération de tri. [00017] Dans un mode de réalisation particulier, le traitement d’invariance par permutation est une opération de discrétisation. [00018] Dans un mode de réalisation particulier, le traitement d’invariance par permutation est réalisé par d’autres réseaux de neurones profonds. [00019] Dans un mode de réalisation particulier, le vecteur de SNR est concaténé avec un rapport de signal à bruit moyen. [00020] Dans un mode de réalisation particulier, le vecteur de SNR est concaténé avec un vecteur d’encodage 1 parmi 9 dans le cas de 9 schémas de modulation et codage (MCS). [00021] Dans un mode de réalisation particulier, la fonction mathématique différentiable (:(;, ^)) correspond à l’équation suivante : ^^ ( ^) = −^ ^ ^ : ;, ^ ^ un premier paramètre de calibration et ^^ un second
Figure imgf000008_0001
la ième valeur du vecteur de SNR ^, ^ allant de 1 à ^. [00022] 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 : −^^ ^ ^ ^0<^
Figure imgf000008_0002
[00023] 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 : ^ ^^ ^
Figure imgf000008_0003
[00024] 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 : [00025] [Fig 1] la figure 1 illustre un procédé selon l’art antérieur pour la prédiction d’une PEP d’un lien radio entre un émetteur et un récepteur ; [00026] [Fig 2] la figure 2 illustre un autre procédé selon l’art antérieur pour la prédiction d’une PEP d’un lien radio entre un émetteur et un récepteur utilisant une architecture de réseaux de neurones profonds ; [00027] [Fig 3] la figure 3 illustre un procédé de prédiction d’une PEP selon un premier mode de réalisation de l’invention ; [00028] [Fig 4] la figure 4 illustre plus particulièrement une étape d’apprentissage du procédé de prédiction de la figure 3 lorsque le mapping gaussien est réalisé par interpolation par segment ; [00029] [Fig 5] la figure 5 illustre plus particulièrement une étape d’apprentissage du procédé de prédiction de la figure 3 lorsque le mapping gaussien est réalisé par interpolation globale ; [00030] [Fig 6] la figure 6 illustre un procédé de prédiction d’une probabilité d’erreur paquet selon un second mode de réalisation de l’invention ; [00031] [Fig 7] la figure 7 illustre un procédé de prédiction d’une probabilité d’erreur paquet selon un troisième mode de réalisation de l’invention ; [00032] [Fig 8] la figure 8 détaille une étape de traitement du procédé de prédiction de la figure 7 ; [00033] [Fig 9] la figure 9 illustre une opération réalisée par des réseaux de neurones profonds pour le traitement d’invariance par permutation dans le procédé de prédiction de la figure 8 ; [00034] 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. [00035] La figure 3 illustre un procédé de prédiction d’une probabilité d’erreur paquet ^̂ selon un premier mode de réalisation de l’invention. [00036] 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. [00037] 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 :(;, ^) = −^^ log ^ ^ ^ ^ ∑ ^^^ ^ ^^ sont exprimés en linéaire alors que les SNR à l’entrée du réseau de neurones profond peuvent être exprimés en dB. [00038] 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 moyen et/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 9, dans le cas de 9 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 9 = 3 MCS, nous avons > = @100B ou > = @010B ou > = @001B. [00039] Il serait possible d’associer d’autres informations si nécessaires en fonction du problème à résoudre. [00040] En variante, il serait possible de remplacer les SNR par des données de type Channel State Information (CSI) ou Channel Quality Indicator (CQI). [00041] 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. [00042] Les poids C 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 ^8 couples ^(^(^), ^(^)), ^ = 1, … , ^8' 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. [00043] 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 ^8 couples ^(^(^), ^(^(^)), ^ = 1, … , ^8' où les ^(^(^)) sont déduis des ^(^) en inversant le mapping gaussien, par exemple par interpolation linéaire. [00044] 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. [00045] 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 : − ^
Figure imgf000011_0001
[00047] Les poids des réseaux de neurones profonds sont sauvegardés. [00048] Dans le cas d’un mapping gaussien par interpolation globale, le schéma d’apprentissage est illustré à la figure 5. 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. [00049] 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. [00050] 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 : − ^
Figure imgf000012_0001
[00052] Les poids des réseaux de neurones profonds sont sauvegardés. [00053] Le vecteur ; de paramètres de calibration est traité par une fonction mathématique différentiable :(;, ^) pour obtenir le rapport signal à bruit équivalent prédit ^^. [00054] Cette fonction mathématique différentiable peut, par exemple, être la fonction EESM qui comporte deux paramètres de calibration ; = @^^, ^^B telle que : ^^ ^ ^
Figure imgf000012_0002
[00056] 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. [00057] 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 L du lien radio. [00058] 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 ^4 ≥ 1 et d’un nombre d’antennes à la réception ^6 ≥ 1 en vue d’obtenir un vecteur de rapport signal à bruit ^N. [00059] Ainsi le vecteur d’atténuations de canaux L peut s’écrire : [00060] L = @O^^P(Q^), O^^P(Q^), … , O^^P(Q^R)B [00061] avec ^S 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, Q^ une matrice (^6 , ^4) des atténuations du canal pour la dimension ^ considérée (sous-porteuse ou palier), et T^(U, V) l’élément (U, V) de la matrice Q^. [00062] Dans le cas d’un mode SISO (pour « Single Input Single Output »), ^4 = ^6 = 1, nous avons les relations suivantes : [00063] L = @T^(1, 1), T^(1, 1), … , T^R(1, 1)B YZ[ ^ème élément du vecteur L.
Figure imgf000013_0001
[00065] Dans le cas d’un mode SIMO (pour « Single Input Multiple Output »), où ^4 > 1 et ^6 = 1, nous avons par exemple pour ^4 = 2, les relations suivantes : [00066] L = @T^(1, 1), T^(2, 1), T^(1, 1), T^(2, 1), … , T^R(1, 1), T^R(2, 1)B
Figure imgf000013_0002
[00067] Dans une option 1, dans laquelle il n’y a pas d’information sur le récepteur : ^N YZ[ ^ème élément du vecteur L.
Figure imgf000013_0003
[00069] Dans une option 2, dans laquelle le récepteur est connu, par exemple un récepteur de type MRC (pour « Maximum Ratio Combining ») : ^ YZ[
Figure imgf000013_0004
[00071] Dans le cas d’un mode MIMO (pour « Multiple Input Multiple Output »), où ^4 > 1 et ^6 > 1, nous avons : [00072] L = @T^(1,1), T^(1,2), … , T^(1, ^4), T^(2,1), … , T^(2, ^4), … , T^(^6 , 1), … , T^(^6 , ^4),
Figure imgf000013_0005
[00073] Dans une option 1, dans laquelle il n’y a pas d’informations sur le récepteur : ^ YZ[ ^ème élément du vecteur L.
Figure imgf000013_0006
[00075] Dans une option 2, dans laquelle il y a un récepteur optimal : [00076] ^^ N = a^^bc ∕ ef ^ avec a^ la valeur la plus grande de Q^ . [00077] Dans le cas particulier des canaux à évanouissements sélectifs en fréquence agissant sur chaque palier en sauts de fréquence, les composantes du vecteur L 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 ^^ N du vecteur ^’ sont alors égaux aux SNR post-égalisation de la composante ℎ^ calculés ou mesurés selon l’application. [00078] A la figure 8, le rapport signal à bruit ^N 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 ^(^) = ^He(^)I quelle que soit la permutation σ(). 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). [00079] Dans un mode de réalisation particulier, cette étape de traitement TI et une étape de tri dans lequel, nous avons : [00080] ^’ = @^^ N , ^^ N , … , ^^ N B dont les composantes sont ordonnées selon les opérations de vectorisation des matrices Q^ ou selon le traitement effectué en ayant la connaissance du récepteur, [00081] et ^ = @^i N ^ , ^i N ^ , … , ^i N j B qui vérifie la relation d’ordre ^i N ^ ≥ ^i N ^ ≥ … ≥ ^i N j avec U^ ≠ Ul pour ^ ≠ m et l’ensemble ^U^ , ^ = 1, … , ^' ∈ ^1, … , ^'.
Figure imgf000014_0001
[00082] 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. [00083] Dans un mode de réalisation particulier, l’étape de traitement TI et une discrétisation dans lequel ^ est un vecteur de dimension (^ + 1) > ^. [00084] Nous avons l’équation : [00085] n = ∑^ ^^^ o^ [00086] où o^ pour ^ ∈ ^1, … , ^' est déterminé selon les équations suivantes : [00087] On définit ^ valeurs réelles ^Oi, U = 1, … , ^' vérifiant O^ ≤ O^ ≤ ⋯ ≤ OY [00088] pour U = 2, … , ^, o^ (U) = 1 si (Oi − 1) ≤ ^′ ^ ˂ Oi, sinon o^ (U) = 0 [00089] o^(1) = 1 si ^^ N ˂ O^, sinon o^(1) = 0 [00090] o^(^ + 1) = 1 si ^^ N > O^, sinon o^(^ + 1) = 0 [00091] Dans une première option, ^ = min(n, 1), dès lors nous avons ^ éléments à 1 et (^ − ^) éléments à 0. [00092] Dans une seconde option, ^ = n, dès lors nous avons r ≤ ^ éléments non- nuls et (^ − r) éléments à 0. [00093] 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 ^’ = @^^ N , ^^ N , … , ^^ N B par une architecture de réseaux de neurones profonds DNN’ qui
Figure imgf000015_0001
ensemble de vecteurs ^n^, n^, … , n^' dont les composantes sont additionnées terme à terme pour former le vecteur SNR ^. Les entrées scalaires ^i N produisent les sorties vectorielles ni pour U = 1, … , ^, à travers la même architecture de réseau de neurones profond DNN’
Figure imgf000015_0002
des mêmes poids. [00094] 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. [00095] L’invention concerne plus particulièrement les opérateurs, constructeurs de systèmes de communication sans fil. [00096] 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

REVENDICATIONS 1. 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 (^) reçu, 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 déterminés pour le vecteur de SNR (^) reçu, 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 (^^). 2. 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 (^) et un rapport signal à bruit équivalent (^) associé, lesdits couples (^, ^) étant déterminés pour la pluralité de schémas de modulation et codage (MCS), lesdits couples (^, ^) étant préalablement stockés dans une base de données d’apprentissage (BD), 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. 3. 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 (^) et une probabilité d’erreur paquet (^) associé, lesdits couples (^, ^) étant déterminés pour la pluralité de schémas de modulation et codage (MCS), lesdits couples (^, ^) étant préalablement stockés dans une base de données d’apprentissage (BD). 4. Procédé de prédiction selon l’une quelconque des revendications 1 à 3, dans lequel le vecteur de SNR (^) est déterminé à partir d’une étape de traitement (T) d’un vecteur d’atténuations de canaux (L) du lien radio (LR). 5. Procédé de prédiction selon la revendication 4, dans lequel l’étape (T) de traitement du vecteur d’atténuations de canaux (L) comprend une étape de traitement (PA) pour une prise en compte d’un nombre d’antennes à l’émission (^4), l’émetteur ayant plusieurs antennes, et d’un nombre d’antennes à la réception (^6), le récepteur ayant plusieurs antennes, en vue d’obtenir un vecteur de rapport signal à bruit (^’). 6. Procédé de prédiction selon la revendication 5, dans lequel l’étape (T) de traitement du vecteur d’atténuations de canaux (L) comprend une étape (TI) de traitement d’invariance par permutation du vecteur de rapport signal à bruit (^’) pour obtenir le vecteur de SNR (^). 7. Procédé de prédiction selon la revendication 6, dans lequel le traitement d’invariance par permutation (TI) est une opération de tri. 8. Procédé de prédiction selon la revendication 6, dans lequel le traitement d’invariance par permutation (TI) est une opération de discrétisation. 9. 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’). 10. Procédé de prédiction selon l’une quelconque des revendications 1 à 9, dans lequel le vecteur de SNR (^) est concaténé avec un rapport de signal à bruit moyen ( ). 11. Procédé de prédiction selon l’une quelconque des revendications 1 à 10, dans lequel le vecteur de SNR (S) est concaténé avec un vecteur (>) d’encodage 1 parmi 9 dans le cas de 9 schémas de modulation et codage (MCS). 12. Procédé de prédiction selon l’une quelconque des revendications 1 à 11, dans lequel la fonction mathématique différentiable (:(;, ^)) correspond à l’équation suivante : ^ ^
Figure imgf000018_0001
avec ^^ un premier paramètre de calibration et ^^ un second paramètre de calibration, ^^ la ^ème valeur du vecteur de SNR (^), ^ allant de 1 à ^ et N désignant le nombre de vecteurs SNR(^). 13. Procédé de prédiction selon la revendication 12, dans lequel le premier paramètre de calibration c1 est égal à 1 et ladite fonction mathématique différentiable (:(;, ^)) correspond à l’équation suivante : :(;, ^) = −^^ log ^ ^ 0< ^ ∑^^^ ^ ^ 14. Procédé de prédiction selon la revendication 12, dans lequel le deuxième paramètre de calibration ^^ est égal à 1 et ladite fonction mathématique différentiable (:(;, ^)) correspond à l’équation suivante : ^^ ^ ^
Figure imgf000018_0002
PCT/EP2023/079383 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 WO2024088920A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2211186 2022-10-27
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

Publications (1)

Publication Number Publication Date
WO2024088920A1 true WO2024088920A1 (fr) 2024-05-02

Family

ID=85685437

Family Applications (1)

Application Number Title Priority Date Filing Date
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

Country Status (2)

Country Link
FR (1) FR3141576A1 (fr)
WO (1) WO2024088920A1 (fr)

Citations (1)

* Cited by examiner, † Cited by third party
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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/loT 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
FR3141576A1 (fr) 2024-05-03

Similar Documents

Publication Publication Date Title
EP2401830B1 (fr) Méthode de signalisation de la qualité d&#39;un canal de transmission
EP2220803A1 (fr) Reduction d&#39;interferences dans un signal ofdm avec des vecteurs de ponderation evoluant dans des sous-espaces vectoriels
WO2008062131A1 (fr) Procedes et modules d&#39;emission/reception pour un systeme multi-antennes multi-porteuses a sequence d&#39;apprentissage
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&#39;émission
EP1987645B1 (fr) Procede d&#39;emission avec allocation optimale de puissance emise pour emetteur multi porteuses
EP1391095B1 (fr) Procede d&#39;estimation de la fonction de transfert d&#39;un canal de transmission d&#39;un signal multiporteuse et recepteur correspondant
EP3800813B1 (fr) Procédé et un dispositif de prédiction des performances d&#39;un récepteur dans un système de communication
EP2062377B1 (fr) Procédé adaptatif d&#39;émission et de réception d&#39;un signal dans un système multi-antennes, dispositifs d&#39;émission et de réception, produits programme d&#39;ordinateur et signal correspondants.
EP2413511B1 (fr) Méthode de communication supervisée par une classification d&#39;interférence
EP3075088A1 (fr) Procédé de coordination d&#39;émetteurs radio base sur un codage de niveau de puissance émise et émetteur correspondant
WO2024088920A1 (fr) Procédé de prédiction de la probabilité d&#39;erreur paquet d&#39;un lien radio utilisant des réseaux de neurones profonds
EP1925105A1 (fr) Procede de transmission d&#39;un signal a porteuses multiples et a etalement de spectre, procede de reception, dispositif d&#39;emission, dispositif de reception et signal correspondants
EP3709590A1 (fr) Méthode d&#39;adaptation de liaison utilisant une constellation de modulation polaire
EP2763340B1 (fr) Méthode d&#39;adaptation de liaison dirigée par un choix de régime d&#39;interférence
EP3900199A1 (fr) Système de communication par rétrodiffusion ambiante, appareil et procédé associés
EP1864391A1 (fr) Procede et dispositif de selection de trajets
EP2276209B1 (fr) Procédé de détermination de la taille d&#39;un champ d&#39;entête
WO2011141666A1 (fr) Procedes d&#39;emission et de reception d&#39;un signal multiporteuse, emetteur, recepteur, signal de retour et programme d&#39;ordinateur correspondants
FR2981233A1 (fr) Procede et systeme permettant l&#39;allocation dynamique de puissance et/ou de modulation dans un systeme comprenant n canaux
Matsumoto et al. Intelligent Constellation Generation based on Autoencoder Communication System
EP1107528A1 (fr) Methode de detection de blocs pour canal soumis à evanouissement
WO2007090995A2 (fr) Procede de reception d&#39; un signal mettant en oeuvre une estimation d&#39; un canal de propagation, dispositif de reception et produit programme d&#39; ordinateur corres pondants
EP3062455A1 (fr) Procédé de prise de décision d&#39;un transfert de communication dans un contexte interférentiel intra-bande
WO2009000995A1 (fr) Procédé de réception d&#39;un signal transmis multiplexe en fréquence
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
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23792990

Country of ref document: EP

Kind code of ref document: A1