2023 Fiscal Year Research-status Report
Communication Environment Estimation by Deep Learning for Improving Frequency Utilization Efficiency and its Application to Adaptive Modulation Coding
| Project/Area Number |
22K14253
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
小島 駿 東京大学, 生産技術研究所, 特任助教 (10907695)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Keywords | 通信環境推定 / 深層学習 / 適応変調符号化 / スペクトル有効周波数分割多重 |
|---|
| Outline of Annual Research Achievements |
無線通信網は現代および将来のインフラとしてますます重要性を増しており，周波数資源の逼迫は喫緊かつ重大な社会課題である．近年では効率的な周波数資源の活用方式として，スペクトル有効周波数分割多重（SEFDM）が注目されている．この方式では信号を圧縮し送受信を行うため，圧縮信号間で干渉が生じる問題がある．従来ではこの干渉除去に莫大な計算量を要するため，適応的な制御に必要とされる通信環境情報の高速・高精度な取得が困難であった．そこで本研究では，干渉が与える影響の理論解析を通し，深層学習への最適なSEFDM信号の入力形式の同定を行い，信号に内包される特徴を最大限に抽出することで，干渉除去を行わずに低計算量でかつ高速・高精度な通信環境情報推定手法の創出を目指す．さらにSEFDMとOFDMとの併用を可能にする適応変調符号化制御への応用を行い，高効率な通信方式の確立を図る.
本課題の2年目である2023年度は，SEFDMにおける圧縮による干渉の影響の理論解析結果を基に，通信環境情報としてSNR，ドップラーシフト，Kファクタに着目した場合における最適な深層学習構造の検討を行った．抽出する特徴量の特性の異なる複数の入力形式を組み合わせたマルチモーダルネットワークを新規に提案し，その詳細な適用領域（分類可能範囲，未知の通信路に対する有効性）を検証した．シミュレーション結果より，従来法と比較した場合で提案法は最大で約12%の推定精度の性能改善効果を示した．また学習データセットが限定されるような環境における評価では，従来法では学習不足による精度の劣化が生じるのに対し，提案法を用いることでその劣化を大幅に抑制可能なことも明らかにした．
これらの成果の一部をまとめたものを国際会議，IEEEジャーナルへ投稿している．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
第二年度の主なテーマであったSEFDM信号の特質に適った深層学習構造の提案とその初期的な性能評価を完了し，その成果を国際会議で発表し，論文誌投稿を行った．これらのことを踏まえ本年度は当初の計画通りに進展していると評価した．
|
| Strategy for Future Research Activity |
次年度は，本年度の結果を踏まえ，SEFDM信号を用いた実機実験系を構築しデータ収集を行い，そのデータセットを用いた場合の提案法の有効性の評価を実施する．
|
| Causes of Carryover |
2023年度は，提案ネットワークの理論検討・シミュレーション評価を主に行ったため使用予定額を下回った．2024年度は，前年度の残額を利用して，現実環境に即した実機実験系の構築と積極的な対外発表を行う予定である．
|
