Kernekoncepter
過去の受信メトリクス履歴に基づいて、次のパケット受信時に最適なAGCインデックスを予測し、干渉に対する耐性を高める革新的な手法を提案する。
Resumé
本論文は、受信機が過去の受信メトリクス(パケットロス/正常受信など)の履歴に基づいて、次のパケット受信時に最適なAGC(自動利得制御)インデックスまたは最適な可変利得範囲を予測する革新的な手法を説明している。これにより、ペイロード受信期間中に干渉が発生した場合でも、受信機の干渉耐性が向上する。その結果、受信感度と干渉耐性のバランスを最適化することができる。
論文では以下の内容を説明している:
- 受信機のブロック図
- MLアルゴリズムの学習方法
- パケット処理とML学習/テスト/検証のフローチャート
- 受信状態の定義
- 最適なAGCゲインインデックスの算出クラスの定義
- 個別パケットデータセットの定義
- バースト干渉プロファイルを含む信号データセットの定義
- 学習/テストサブデータセットの定義
- 前述のサブデータセットのスライディングウィンドウによる前処理
- 学習シーケンスによるMLモデルの生成
- 機能モードでのML支援AGC
- AGCゲイン選択のためのMLデータ処理フローチャート
- パケット受信中のメトリクス(データ)値収集/スライディングウィンドウ
- ラジオへの統合シナリオ(シナリオ4)
- 実験結果: 干渉電力レベルに対するPER(パケット誤り率)- 12MHz周波数オフセットのシナリオ4
Statistik
干渉電力レベルが-29dBmから-17dBmの範囲では、シナリオ4のPERが標準要件(30.8%)以下となる。
シナリオ4では、-29dBm、-23dBm、-17dBmの干渉電力レベルでネイティブAGCの不安定性がなくなる。
Citater
"過去の受信メトリクス履歴に基づいて、次のパケット受信時に最適なAGCインデックスを予測し、干渉に対する耐性を高める革新的な手法を提案する。"
"MLモデルを使用して予測したAGCインデックス(上限)を、ネイティブAGCインデックスの代わりに使用することで、受信機の性能が向上する。"