研究課題/領域番号 |
22K04106
|
研究種目 |
基盤研究(C)
|
配分区分 | 基金 |
応募区分 | 一般 |
審査区分 |
小区分21020:通信工学関連
|
研究機関 | 大阪公立大学 |
研究代表者 |
太田 正哉 大阪公立大学, 大学院情報学研究科, 教授 (70288786)
|
研究期間 (年度) |
2022-04-01 – 2026-03-31
|
研究課題ステータス |
交付 (2022年度)
|
配分額 *注記 |
3,770千円 (直接経費: 2,900千円、間接経費: 870千円)
2025年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2024年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2023年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2022年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
|
キーワード | OFDM / PAPR / OOBE / Deep Learning / FPGA / 深層学習 |
研究開始時の研究の概要 |
OFDMは第5世代移動通信システム(5G)の基盤技術であり,第6世代移動通信システム(6G)でも中心的な役割を果たす考えられている.OFDM信号にはピーク電力対平均電力比(PAPR)や帯域外漏洩電力(OOBE)が高いという課題があり,これを解決する手段として,近年深層学習を用いた手法が提案された.しかし,その有効性と実装可能性について十分な検討がなされていない. そこで本研究ではOOBEとPAPRの抑圧手段として,深層学習モデルを利用した手法の可能性について実験的に検討し,有効かつ実装可能な解決手段の開発指針を明らかにすることを目的とする.
|
研究実績の概要 |
本年度の計画は,現在考案中の深層学習モデルの層数,ニューロン数,出力関数等,無数のパラメータと性能の関係を,高性能な計算機を購入し,計算機シミュレーションを通して明らかにことであった.必要な性能を考えてCPU,GPUその他諸元を選定したが,購入予定時期に予算に見合う調達が困難となり,年度末にようやく調達することができた. 近年pythonによる深層学習モデルの公開が広く一般的となってきており,最新のモデルもほとんどがpythonで公開されている.計画では市販のシミュレーション用専用ソフトウェア(MATLAB)を使用する予定であったが,上述の状況を勘案し,これまでの実験用シミュレーションコードをpythonにより書き換え,これに合わせたシミュレーション環境を整えた. 現在考案中の深層学習モデルの元となる先行研究のモデルの実験用pythonコードが公開されたため,今回整えた実験環境により性能評価実験を実施した.実験の結果,QPSK変調では論文通りの性能となったが,16QAM変調の場合誤り率が極めて悪くなることが明らかとなった.これは受信データをモデル(decoder)から出力する際,深層学習で一般的に使用されるonehotベクトルを用いていることが原因と考えられる.本研究で考案中のモデルではonehotベクトルではなく通常のQAMによる複素マッピングを用いるため,16QAMにおいても妥当な誤り率の性能が得られており,この点で考案中モデルの有用性が明らかとなった.本結果は現在論文投稿の準備中である.
|
現在までの達成度 (区分) |
現在までの達成度 (区分)
3: やや遅れている
理由
計算機の調達時期に予算に見合う製品の調達が困難となり,年度末にようやく調達することができた.これにより計画していた実験環境の整備が遅れた.また先行研究のモデルのコードが公開され,先行研究論文に記載のないパラメータにおける性能評価が可能となったため,これを優先して実施した.以上2点により本研究は,当初計画より若干遅れている.
|
今後の研究の推進方策 |
今年度の研究により,先行研究で提案されたモデルの問題点が明らかとなり,また考案中のモデルの有効性も明確になった.次年度はこの結果を基準として,当初計画していた考案中のモデルの性能評価をさらに進める.また近年注目を集めている深層学習モデルのアイデアを取り入れられるか検討し,より高性能なモデルの開発に向けて努力する.さらにモデルの回路化に向けて実験環境の整備および基本的な性能評価実験を行う.
|