Spelling suggestions: "subject:"apatial ehannel model"" "subject:"apatial ehannel godel""
1 |
Applying Machine Learning for Generating Radio Channel Coefficients : Practical insights into the process of selectingand implementing machine learning algorithms for spatial channel modellingZander, Adrian January 2021 (has links)
One cornerstone in building future 5G and beyond wireless systems is to mimic the real-world environment using a simulator. The simulator needs to reflect the experienced propagation environment by the device in different scenarios. Today, the methods used to generate such an environment and finding the signal qualities at certain locations can be time-consuming for large cities with many base stations and devices. The objective of this project is speed up an existing SCM channel generator by replacing certain time-critical numerical formulas with a machine learning (ML) model that can generate the channel coefficients directly. The expectation is that this setup will provide much faster generations than any existing solution. A machine learning paradigm is suggested and implemented. The results suggests that a model can learn and generalize from the training data, and that provided solution is a possible configuration for modelling radio channels. Conclusions regarding the implementational considerations are made as guidance for future work. / En av hörnstenarna för att kunna bygga framtida trådlösa 5G system är att kunna efterlikna den verkliga miljön med hjälp av en simulator. Simulatorn måste återspegla enhetens upplevda propageringsmiljö i olika scenarier. I dagens läge kan metoderna som används för att skapa en sådan miljö, och hitta signalkvaliteterna på vissa platser vara tidskrävande för scenarier med stora städer med många basstationer och enheter. Målet med detta projekt är att påskynda en befintlig SCM-kanalgenerator genom att ersätta vissa tidskritiska numeriska formler med en maskininlärningsmodell (ML) som kan generera kanalkoefficienterna direkt. Förväntningen är att denna lösning kommer att generera data mycket snabbare än någon befintlig lösning. En sådan lösning föreslås och implementeras. Resultaten tyder på att en modell kan lära sig och generalisera av träningsdatat, och att den tillhandahållna lösningen är en möjlig konfiguration för modellering av radiokanaler. Slutsatser gällande övervägningarna vid implementeringen dras som vägledning för framtida arbete.
|
2 |
Sparse Approximation of Spatial Channel Model with Dictionary Learning / Sparse approximation av Spatial Channel Model med Dictionary LearningZhou, Matilda January 2022 (has links)
In large antenna systems, traditional channel estimation is costly and infeasible in some situations. Compressive sensing was proposed to estimate the channel with fewer measurements. Most of the previous work uses a predefined discrete Fourier transform matrix or overcomplete Fourier transform matrix to approximate the channel. Then, a learned dictionary trained by K-singular value decomposition (K-SVD) was proposed and was proved superiority using orthogonal matching pursuit (OMP) to reconstruct the sparse channel. However, with the development of compressive sensing, there are plenty of dictionary learning algorithms and sparse recovery algorithms. It is important to identify the effect and the performance of different algorithms when transforming the high dimensional channel vectors to low dimensional representations. In this thesis, we use a spatial channel model to generate channel vectors. Dictionaries are trained by K-SVD and method of optimal directions (MOD). Several sparse recovery algorithms are used to find the sparse approximation of the channel like OMP and gradient descent with sparsification (GraDeS). We present simulation results and discuss the performance of the various algorithms in terms of accuracy, sparsity, and complexity. We find that predefined dictionaries works with most of the algorithms in sparse recovery but learned dictionaries only work with pursuit algorithms, and only show superiority when the algorithm coincides with the algorithm in the sparse coding stage. / I stora antennsystem är traditionell kanaluppskattning kostsam och omöjlig i vissa situationer. Kompressionsavkänning föreslogs för att uppskatta kanalen med färre mätningar. Det mesta av det tidigare arbetet använder en fördefinierad diskret Fourier transformmatris eller överkompletterad Fourier -transformmatris för att approximera kanalen. Därefter föreslogs en inlärd ordbok som utbildats av K-SVD och bevisades överlägsen med hjälp av OMP för att rekonstruera den glesa kanalen. Men med utvecklingen av komprimerad avkänning finns det gott om algoritmer för inlärning av ordlistor och glesa återställningsalgoritmer. Det är viktigt att identifiera effekten och prestandan hos olika algoritmer när de högdimensionella kanalvektorerna omvandlas till lågdimensionella representationer. I denna avhandling använder vi en rumslig kanalmodell för att generera kanalvektorer. Ordböcker tränas av K-SVD och MOD. Flera glesa återställningsalgoritmer används för att hitta den glesa approximationen av kanalen som OMP och GraDeS. Vi presenterar simuleringsresultat och diskuterar prestanda för de olika algoritmerna när det gäller noggrannhet, sparsamhet och komplexitet. Vi finner att fördefinierade ordböcker fungerar med de flesta algoritmerna i gles återhämtning, men inlärda ordböcker fungerar bara med jaktalgoritmer och visar bara överlägsenhet när algoritmen sammanfaller med algoritmen i det glesa kodningsstadiet.
|
Page generated in 0.0459 seconds