h1

h2

h3

h4

h5
h6
http://join2-wiki.gsi.de/foswiki/pub/Main/Artwork/join2_logo100x88.png

Wireless channel modeling and estimation by artificial neural networks



VerantwortlichkeitsangabeSaeed Shojaee

Ausgabe1. Auflage

ImpressumAachen : Apprimus Verlag 2021

Umfang1 Online-Ressource : Illustrationen, Diagramme

ISBN978-3-86359-969-0

ReiheElektro- und Informationstechnik


Dissertation, RWTH Aachen University, 2020

Druckausgabe: 2021. Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University


Genehmigende Fakultät
Fak06

Hauptberichter/Gutachter
;

Tag der mündlichen Prüfung/Habilitation
2020-08-11

Online
DOI: 10.18154/RWTH-2021-05558
URL: https://publications.rwth-aachen.de/record/820357/files/820357.pdf

Einrichtungen

  1. Lehrstuhl und Institut für Kommunikationssysteme (613310)

Inhaltliche Beschreibung (Schlagwörter)
channel modeling (frei) ; machine learning (frei) ; wireless (frei)

Thematische Einordnung (Klassifikation)
DDC: 004

Kurzfassung
Umfassende und genaue Kanalmodellierung ist für die systematische Analyse von drahtlosen Netzwerken von größter Bedeutung. In aktuellen Arbeiten zur Anwendung von Deep Learning für die physikalische Schicht fehlen realistische Kanalmodelle (CMs) mit nachvollziehbarem Gradienten für den Backpropagation-Algorithmus. Diese Dissertation etabliert ein neuartiges Framework zur automatischen Erzeugung von standortspezifischen Wireless-CMs mittels Deep Neural Networks (DNNs). Dadurch wird die Notwendigkeit einer komplexen theoretischen Analyse und spezifischen Parameterschätzung vermieden. Außerdem erleichtert die Implementierung von CMs über DNNs die Berechnung des Gradienten, der für Sensitivitätsanalysen und maschinelles Lernen verwendet wird. Als erster Schritt wird eine realistische Kanalmodellierung betrachtet. DNNs werden verwendet, um die Geometrie der Ausbreitungsumgebung zu beschreiben und Ausbreitungspfade zu berechnen. Realistische CMs stützen sich hauptsächlich auf die Schätzung der Funkwellenausbreitung mittels Ray-Tracing (RT). Hochauflösende RT ist jedoch rechnerisch komplex und unpraktisch. Im Gegensatz dazu wird in dieser Arbeit ein mehrschichtiges neuronales Faltungsnetzwerk vorgeschlagen, um hoch- und niedrigauflösende geometrische Merkmale zu extrahieren. Diese werden als Eingabe für ein vollständig verbundenes neuronales Netz bereitgestellt, um die relevanten Parameter für die Kanalmodellierung zu schätzen. Weitere Beiträge behandeln die verteilungsfreie Kanalmodellierung durch generative adversarische Netze (GANs), die für Monte-Carlo-Simulationen geeignet sind. Die GANs generieren Stichproben aus der trainierten mehrdimensionalen Wahrscheinlichkeitsverteilung. Es wird gezeigt, dass GANs andere Schätzmethoden übertreffen, wenn nicht genügend Messproben zur Verfügung stehen. Wir bieten auch mehrere Schemata an, um statistisches Wissen aus anderen Umgebungsmessungen zu erhalten, bekannt als Transfer-Lernen, um die erforderliche Anzahl von Messdatenpunkten zu reduzieren. Die vorgeschlagenen CMs werden für verschiedene Anwendungen untersucht. Durch Emulation und Simulation von Funkkanälen für Hochgeschwindigkeitszüge wird ein Vergleich zwischen den konventionellen und den aktuellen Methoden der Kanalmodellierung. Die Ergebnisse sind nahe an der realen Empfangssignalstärke und dem Downlink-Durchsatz. Ebenso wird das anspruchsvolle End-to-End-Design von Transceivern durch Deep Learning-basiertes CM ermöglicht. Schließlich wird ein aus DNN-Transceivern bestehendes Kommunikationsnetzwerk für die nächste Generation der Kommunikation vorgeschlagen. Das vorgeschlagene Netzwerk kann sofort aktualisiert werden, indem die Gewichte der DNN-Transceiver aktualisiert werden. In diesem Netzwerk kann jede Basisstation einen DNN-Transceiver mit standortspezifischen CMs trainieren, um die lokale Kommunikation zu optimieren. Ein DNN-Transceiver optimiert die digitale Übertragungskette als Ganzes und übertrifft herkömmliche Methoden, die jede Stufe unabhängig voneinander optimieren. Die Ergebnisse zeigen, dass die vorgeschlagenen CMs DNN-Transceiver für praktische Anwendungen besser trainieren als bestehende Methoden.

Comprehensive and accurate channel modeling is paramount to the systematic analysis of wireless networks. Recent works on the application of deep learning for the physical layer lack realistic channel models (CMs) with tractable gradient for the backpropagation algorithm. This dissertation establishes a novel framework to automate site-specific wireless CM generation via Deep neural networks (DNNs). Thereby, the need for complex theoretical analysis and specific parameter estimation is avoided. Furthermore, the implementation of CMs via DNNs facilitates the calculation of the gradient that is used for sensitivity analysis and machine learning purposes. As the initial step, realistic channel modeling is considered. DNNs are used to describe the geometry of the propagation environment and to calculate propagation paths. Realistic CMs rely mainly on ray-tracing (RT) radio wave propagation estimation. However, high-resolution RT is computationally complex and impractical. In contrast, this work proposes a multilayered convolutional neural network to extract high and low-resolution geometrical features. They are provided as input to a fully connected neural network to estimate the relevant parameters for the channel modeling. Further contributions cover distribution-free channel modeling by generative adversarial networks (GANs) suitable for Monte-Carlo simulations. The GANs generate samples from the trained multi-dimensional probability distribution. It is shown that GANs outperform other estimation methods when insufficient measurement samples are available. We also provide multiple schemes to obtain statistical knowledge from other environment measurements, known as transfer learning, to reduce the required number of measurement data points. The proposed CMs are studied for different applications. Through emulation and simulation of wireless channels for high-speed trains, a comparison is made between the conventional and the present methods of channel modeling. The results are close to the real world received signal strength and downlink throughput. Likewise, the sophisticated end-to-end design of transceivers is enabled by deep learning-based CM. Finally, a communication network consist of DNN transceivers is proposed for the next generation of communication. The proposed network can be upgraded instantaneously by updating the DNN transceivers weights. In this network, each base station can train a DNN transceiver with site-specific CMs, to optimize the local communication. A DNN transceiver optimizes the digital transmission chain as a whole and outperforms conventional methods, which optimize each stage independently. The results show that, the proposed CMs train DNN transceivers for practical applications better than existing methods.

OpenAccess:
Download fulltext PDF
(additional files)

Dokumenttyp
Dissertation / PhD Thesis/Book

Format
online, print

Sprache
English

Externe Identnummern
HBZ: HT021002656

Interne Identnummern
RWTH-2021-05558
Datensatz-ID: 820357

Beteiligte Länder
Germany

 GO


OpenAccess

QR Code for this record

The record appears in these collections:
Document types > Theses > Ph.D. Theses
Document types > Books > Books
Faculty of Electrical Engineering and Information Technology (Fac.6)
Publication server / Open Access
Public records
Publications database
613310

 Record created 2021-06-10, last modified 2023-04-11


OpenAccess:
Download fulltext PDF
(additional files)
Rate this document:

Rate this document:
1
2
3
 
(Not yet reviewed)