2019 Fiscal Year Annual Research Report
A study on applications of artificial intelligence techniques to control systems for mobile communications
Project/Area Number |
18H01437
|
Research Institution | Tokyo Institute of Technology |
Principal Investigator |
府川 和彦 東京工業大学, 工学院, 教授 (00323775)
|
Co-Investigator(Kenkyū-buntansha) |
張 裕淵 東京工業大学, 工学院, 助教 (00725616)
|
Project Period (FY) |
2018-04-01 – 2023-03-31
|
Keywords | 移動通信 / へトロジーニアス・ネットワーク / 干渉抑圧 / 送信電力制御 / 送信ビームフォーミング制御 / Deep Learning / 誤差逆伝搬法 / Dropout |
Outline of Annual Research Achievements |
次世代移動通信のへトロジーニアス・ネットワークにおいて,干渉抑圧問題を解決するため,基地局の送信電力制御並びに送信ビームフォーミング制御を検討した. 簡単のため,3セルのMIMO-OFDM (Multiple-Input Multiple-Output Orthogonal Frequency-Division Multiplexing) 伝送を想定し,受信端末はMRC (Maximum Ratio Combining) 合成することを前提に,Deep Learning による基地局の送信電力制御と送信ビームフォーミング制御を検討した.ニューラルネットワークの学習には誤差逆伝搬法を用いて,トレーニングデータとしての最適解をGreedy Searchにより求める.また,Deep LearningのPretraining技術を用いて,ニューラルネットワークの重み係数の初期化を行い,Dropout技術を導入して過学習を回避するよう工夫した. 到来角モデルを導入した周波数選択性フェージング伝送路において計算機シミュレーションを行い,Deep Learningによる送信電力制御と送信ビームフォーミング制御は,最適解に近い受信SINR (Signal to Interference plus Noise Ratio) を達成できることを明らかにした.また,演算量についても評価し,Deep Learningによる制御は,最初の学習にこそ多大な演算量を必要とするものの,学習後の演算量を,最適解が得られるGreedy Searchに較べ,1桁から2桁削減できることを明らかにした.また,Dropout技術のパラメータを最適化し,過学習を回避できることを定量的に示し,加えてPretraining技術の有効性についても定量的に評価した.
|
Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
現実に近い伝搬状況をシミュレーションするため,到来角モデルを導入せざるを得なくなり,そのため計算機シミュレーションが複雑化し,当初予想した計算時間よりも大分長くなり,研究遅延の大きな理由となっている.
|
Strategy for Future Research Activity |
セル数を増やすと,現在の制御システムでは明らかに限界があるので,当初の予定通り,自律分散制御とセルのグループ化を導入して,演算量を削減しつつ最適に近いシステム制御を目指す.
|
Remarks |
Fukawa LaboratoryのHP内
|
Research Products
(18 results)