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
|
