การปรับปรุงสมรรถนะตัวตรวจหา MIMO-SCMA ด้วยการเรียนรู้เชิงลึก
Article Sidebar
Main Article Content
บทคัดย่อ
บทความนี้นำเสนอการเรียนรู้เชิงลึกมาใช้เป็นตัวตรวจหาสัญญาณ สำหรับระบบหลายสัญญาณนำเข้านำออก - การเข้าถึงหลายทางแบบแบ่งรหัสเบาบาง (multiple input multiple output - sparse code multiple access : MIMO-SCMA) โดยใช้โครงข่ายประสาทเทียมแบบลึกที่มีการแผ่ขั้นตอนวิธีการส่งผ่านข้อความ (message passing algorithm : MPA) โดย MPA สามารถแปลงกระบวนการทำงานให้กระจายเข้าไปในโครงข่ายประสาทเทียมได้ โครงข่ายประสาทเทียมนี้สามารถฝึกฝนแบบออฟไลน์ และนำไปใช้เป็นการตรวจหาแบบออนไลน์ได้ นอกจากนี้โครงข่ายประสาทเทียมที่ได้ผ่านการฝึกฝนสามารถปรับค่าถ่วงน้ำหนักให้สอดคล้องกับขอบของกราฟปัจจัย (factor graph) ได้ จากผลการจำลองระบบ MIMO-SCMA เหนือช่องสัญญาณเฟดดิงแบบเรย์ลี กึ่ง-สถิตย์ พบว่าการตรวจหาโดยใช้โครงข่ายประสาทเทียมมีประสิทธิภาพเหนือกว่า MPA แบบดั้งเดิม
Article Details
นโยบายการรับบทความ
กองบรรณาธิการวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น มีความยินดีรับบทความจากอาจารย์ประจำ และผู้ทรงคุณวุฒิในสาขาวิศวกรรมศาสตร์และเทคโนโลยี ที่เขียนเป็นภาษาไทยหรือภาษาอังกฤษ ซึ่งผลงานวิชาการที่ส่งมาขอตีพิมพ์ต้องไม่เคยเผยแพร่ในสิ่งพิมพ์อื่นใดมาก่อน และต้องไม่อยู่ในระหว่างการพิจารณาของวารสารอื่นที่นำส่ง ดังนั้นผู้สนใจที่จะร่วมเผยแพร่ผลงานและความรู้ที่ศึกษามาสามารถนำส่งบทความได้ที่กองบรรณาธิการเพื่อเสนอต่อคณะกรรมการกลั่นกรองบทความพิจารณาจัดพิมพ์ในวารสารต่อไป ทั้งนี้บทความที่สามารถเผยแพร่ได้ประกอบด้วยบทความวิจัย ผู้สนใจสามารถศึกษาและจัดเตรียมบทความจากคำแนะนำสำหรับผู้เขียนบทความ
การละเมิดลิขสิทธิ์ถือเป็นความรับผิดชอบของผู้ส่งบทความโดยตรง บทความที่ได้รับการตีพิมพ์ต้องผ่านการพิจารณากลั่นกรองคุณภาพจากผู้ทรงคุณวุฒิและได้รับความเห็นชอบจากกองบรรณาธิการ
ข้อความที่ปรากฏภายในบทความของแต่ละบทความที่ตีพิมพ์ในวารสารวิชาการเล่มนี้ เป็น ความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่าน ไม่เกี่ยวข้องกับสถาบันเทคโนโลยีไทย-ญี่ปุ่น และคณาจารย์ท่านอื่น ๆ ในสถาบัน แต่อย่างใด ความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความแต่ละบทความเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะต้องรับผิดชอบบทความของตนเองแต่ผู้เดียว
กองบรรณาธิการขอสงวนสิทธิ์มิให้นำเนื้อหา ทัศนะ หรือข้อคิดเห็นใด ๆ ของบทความในวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น ไปเผยแพร่ก่อนได้รับอนุญาตจากผู้นิพนธ์ อย่างเป็นลายลักษณ์อักษร ผลงานที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
ผู้ประสงค์จะส่งบทความเพื่อตีพิมพ์ในวารสารวิชาการ สถาบันเทคโนโลยีไทย-ญี่ปุ่น สามารถส่ง Online ที่ https://www.tci-thaijo.org/index.php/TNIJournal/ โปรดสมัครสมาชิก (Register) โดยกรอกรายละเอียดให้ครบถ้วนหากต้องการสอบถามข้อมูลเพิ่มเติมที่
- กองบรรณาธิการ วารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
- ฝ่ายวิจัยและนวัตกรรม สถาบันเทคโนโลยีไทย-ญี่ปุ่น
เลขที่ 1771/1 สถาบันเทคโนโลยีไทย-ญี่ปุ่น ซอยพัฒนาการ 37-39 ถนนพัฒนาการ แขวงสวนหลวง เขตสวนหลวง กรุงเทพมหานคร 10250 ติดต่อกับคุณพิมพ์รต พิพัฒนกุล (02) 763-2752 , คุณจุฑามาศ ประสพสันติ์ (02) 763-2600 Ext. 2402 Fax. (02) 763-2754 หรือ E-mail: JEDT@tni.ac.th
References
[2] Fabio Giust, Luca Cominardi, and Carlos J Bernardos, “Distributed mobility management for future 5G networks:overview and analysis of existing approaches,” IEEE Communications Magazine, Vol. 53, No. 1, pp. 142–149, 2015.
[3] Mamta Agiwal, Abhishek Roy, and Navrati Saxena, “Next generation 5G wireless networks: A comprehensive survey, IEEE Communications Surveys & Tutorials, Vol. 18, No. 3, pp. 1617–1655, 2016.
[4] F. Wei and W. Chen, “A low complexity SCMA decoder based on list sphere decoding,” in Proc. IEEE GLOBECOM, Washington, DC, USA, Dec. 2016, pp. 1–6.
[5] M. Alam and Q. Zhang, “Performance study of SCMA codebook design,” in Proc. IEEE WCNC, San Francisco, CA, Mar. 2017, pp. 1–5.
[6] F. R. Kschischang, B. J. Frey, and H. A. Loeliger, “Factor graphs and the sum-product algorithm,” IEEE Trans. Inf.Theory, Vol. 47, No. 2, pp.498–519, Feb. 2001.
[7] Chaoyun Zhang, Pan Zhou, Chenghua Li, and Lijun Liu, “A convolutional neural network for leaves recognition using data augmentation,” In Proc. 2015 IEEE Int.Conference on Computer and Information ; Ubiquitous Computing and Communications; Dependable, Autonomic and Secure Computing; Pervasive Intelligence and Computing, Liverpool, UK, Dec. 2015, pp. 2143–2150, DOI: 10.1109/CIT/IUCC/DASC/PICOM.2015.318
[8] Richard Socher, Yoshua Bengio, and Christopher D Manning,“Deep learning for NLP (without magic),” In Proc. 50th AnnualMeeting of the Association for Computational Linguistics:Tutorial Abstracts, Jeju Island, Korea, Jul. 2012, p. 5.
[9] Chaoyun Zhang, Paul Patras and Hamed Haddadi, “Deep Learning in Mobile and Wireless Networking: A Survey,” IEEECommunications Surveys & Tutorials, Vol. 21, No. 3, pp.2224 - 2287, Mar. 2019, DOI: 10.1109/COMST.2019.2904897
[10] Akhil Gupta and Rakesh Kumar Jha, “A survey of 5G network: Architecture and emerging technologies,” IEEEAccess, vol. 3, pp. 1206–1232, 2015.
[11] Chunxiao Jiang, Haijun Zhang, Yong Ren, Zhu Han, Kwang-Cheng Chen, and Lajos Hanzo, “Machine learning paradigmsfor next generation wireless networks,” IEEE WirelessCommunications, Vol. 24, No. 2, pp. 98–105, 2017.
[12] Duong D Nguyen, Hung X Nguyen, and Langford B White,“Reinforcement learning with network-assisted feedback for heterogeneous rat selection,” IEEE Transactions onWireless Communications, Vol. 16, No. 9, pp. 6062 – 6076, Sept. 2017, DOI: 10.1109/TWC.2017.2718526
[13] Fairuz Amalina Narudin, Ali Feizollah, Nor Badrul Anuar, and Abdullah Gani, “Evaluation of machine learningclassifiers for mobile malware detection,” Soft Computing,Vol. 20, No. 1, pp. 343–357, 2016.
[14] Wencong Xiao, Jilong Xue, Youshan Miao, Zhen Li, Cheng Chen, Ming Wu, Wei Li, and Lidong Zhou, “Tux2: Distributedgraph computation for machine learning,” in Proc. 14thUSENIX Symposium on Networked Systems Design andImplementation (NSDI ’17), Boston, MA, USA, Mar. 2017, pp.669–682.
[15] Timothy J O’Shea, Tugba Erpek, and T Charles Clancy,“Deep learning based MIMO communications,” Accessed: Jul. 2017. [Online]. Available: https://arxiv.org/abs/1707.07980
[16] Minhoe Kim, Nam-I Kim, Woongsup Lee and Dong-Ho Cho,“Deep Learning-Aided SCMA,” IEEE Communications Letters,Vol. 22, No. 4, pp. 720 – 723, 2018
[17] Chao Lu, Wei Xu, Hong Shen, Hua Zhang, and Xiaohu You, “An Enhanced SCMA Detector Enabled by Deep Neural Network,” Accessed: Aug, 2018. [Online]. Available: https://arxiv.org/abs/1808.08015
[18] M. Abadi et al., “Tensorflow: Large-scale machine learning on heterogeneous systems,” Accessed: Aug, 2018. [Online].Available: https://arxiv.org/abs/1603.04467
[19] D. P. Kingma and J. Ba, “Adam: A method for stochastic optimization,” in Proc. 3rd International Conference for Learning Representations, San Diego, 2015, [Online]. Available: https://arxiv.org/abs/1412.6980
[20] Triratana Metkarunchit, “SCMA codebook design base on circular-QAM,” in Proc. Integrated Communication Navigation and Surveillance Conference (ICNS), Virginia,USA, May. 2017, DOI: 10.1109/ICNSURV.2017.8011917
[21] Triratana Metkarunchit, “Achieving Higher Full-diversity Gain of Downlink STBC-MIMO SCMA System,” Journal ofCommunications, Vol. 13, No. 9, pp. 535-539, Sep. 2018.