| 講演抄録／キーワード |
| 講演名 |
2021-11-18 11:40
ガウス過程を用いた無線チャネル予測手法
○オウ イト（NTT）・仲地孝之（琉球大）・井上 武・間野 暢・工藤理一（NTT） |
| 抄録 |
（和） |
将来のチャネル状態情報（CSI）を高精度に予測することで、無線リソースをプロアクティブに制御でき、高品質な無線伝送サービスの提供が可能となる。しかし、モバイル環境の中で、CSIの特性は非常に動的になっているので、高精度な予測技術が求められている。
本稿では，チャネル内およびチャネル間の空間的な相関性を発見・利用して，ガウス過程（GP）に基づく予測方式を提案する。ガウス過程は、非線形なデータ構造に対応するとともに少ないデータ量で学習が可能な特徴があり、観測信号の特性の変動に素早く追従することができる。提案法では、周波数領域で混合ガウス分布を用いて、現在のCSIに関連する最適なカーネル関数を近似するだけでなく、パスロスとユーザー機器（UE）の動きの複合効果を捕捉できる。さらにコリージョナライゼーションの線形モデル（LMC）を採用し、チャネル間の相関性を活用することで、より高い予測精度を達成する。シミュレーションにより、確率過程論に基づくARIMAや深層学習に基づくLSTMなどの従来法と比較して、予測性能が高いことを示す。 |
| （英） |
With accurate knowledge of future Channel State Information (CSI), it becomes possible to better manipulate the wireless resources in a proactive manner, so as to provide solid support to smart and high quality wireless transmission. However, in mobile environment, the evolving correlation patterns in CSI series challenge the existing data-driven algorithms to adaptively learn and predict its behavior. In this article, an adaptive learning algorithm is proposed based on Gaussian Process (GP), to discover and utilize the spatial correlation within a channel and across channels, and produce accurate CSI prediction. Specifically,
1). To track the evolving correlation of a channel, we tailor Spectrum Mixture (SM) kernel to not only approximate the optimal kernel adapting to the current CSI, but also capture the combined effect of path loss and User Equipment (UE) motion.
2). The correlation across channels is encoded into the GP-based learning framework through Linear Model of Co-regionalization (LMC).
Finally, our proposed algorithm is evaluated by simulation to show its superiority over the conventional schemes such as stochastic based ARIMA, deep learning based LSTM, etc. |
| キーワード |
（和） |
チャネル状態情報 / 予測手法 / ガウス過程 / コリージョナライゼーションの線形モデル / / / / |
| （英） |
Channel State Information / Prediction Algorithm / Gaussian Process / Linear model of coreginalization / / / / |
| 文献情報 |
映情学技報 |
| 資料番号 |
|
| 発行日 |
|
| ISSN |
|
| PDFダウンロード |
|
|