2022 Fiscal Year Annual Research Report
Data-Driven Design of Deep Unfolding-Aided Belief Propagation for Asynchronous Random Access
| Project/Area Number |
21H01332
|
|---|
| Allocation Type | Single-year Grants |
|---|
| Research Institution | Doshisha University |
|---|
Principal Investigator |
衣斐 信介 同志社大学, 理工学部, 教授 (10448087)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
高橋 拓海 大阪大学, 大学院工学研究科, 助教 (40844204)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Keywords | 統計信号処理 / 信念伝搬法 / 深層展開 / 深層学習 / データ駆動最適化 |
|---|
| Outline of Annual Research Achievements |
本研究課題は、時間・周波数同期誤差が誘発する干渉成分を効率的に抑圧するBP検出法の確立とその理論限界の解明を目的としている。効率的な干渉抑圧のために、非同期に起因して散乱する信号成分をかき集める構造としてOTFS (Orthogonal Time Frequency and Space) 変調の構造が有効であると判断し、OFDMの代わりにこれを利用する。2022年度は下記の2課題のサブテーマを実施した。
・[課題1] 非同期ランダムアクセスのためのBP検出器の開発-(b)「セミブラインド通信路推定」
・[課題2] 深層展開型BP検出器のデータ駆動設計-(b)「非直交OTFSのBP検出器」
[課題1]-(b)では、パラメトリック双線形推論に基づく通信路とデータの同時推定法を提案し、高い信号検出精度を実現できることを明らかにした。また、独立成分分析のセミブラインド信号処理を導入することで、パイロット系列長をさらに削減することが可能となることを明らかにした。
[課題2]-(b)では、非直交OTFSのBP検出器の繰り返し構造を、深層展開により複数の線形層と活性化層から成る深層ニューラルネットワークと解釈し、深層学習技術を利用して最適化困難であったパラメータのデータ駆動最適化を行ったBP検出器を設計した。また、自己符号化器の構造をOTFSに取り入れ、送信信号の最適化に関しても検討を行った。さらに、独立成分分析に深層展開を導入し、データ駆動最適化を施すことで、信号検出精度の改善に有効であることも明らかにした。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
2022年度実施予定であった[課題1]-(b)と[課題2]-(b)に関して期待していた結果が得られ、多くの研究成果を報告した。また、2023年度に実施予定である[課題2]-(c)「繰り返し復号・復号器」で必要となる基礎検討もすでに実施済みであり、2023年度も計画通りに研究を遂行できる見込みが立っている。上記を理由に、おおむね順調に進展していると判断する。
|
| Strategy for Future Research Activity |
当初の計画通り、2023年度は、
・[課題2] 深層展開型BP検出器のデータ駆動設計-(c)「繰り返し復号・復号器」
・[課題3] BP検出器の収束性解析による理論的枠組みの解明-(a)「EXIT解析を拡張した収束性解析」
の検討を行う。また2024年度には、得られた基礎検討の結果に基づき、総合評価を行う予定である。
|
Research Products
(26 results)
