電子情報通信学会 研究会発表申込システム
講演論文 詳細
技報閲覧サービス
技報オンライン
‥‥ (ESS/通ソ/エレソ/ISS)
技報アーカイブ
‥‥ (エレソ/通ソ)
 トップに戻る 前のページに戻る   [Japanese] / [English] 

講演抄録/キーワード
講演名 2019-10-18 13:00
深層学習を用いた電波伝搬推定手法に適した入力データの種類とサイズについて
林 高弘長尾竜也伊藤智史KDDI総合研究所
抄録 (和) 近年,モバイルトラヒックの急激な増加に加えて,IoT,コネクティッドカーなど多種多様なサービスを高速かつ高品質に実現することが求められ,複雑な電波伝搬特性の解明が不可欠となっている.本稿では,複雑な関数形の導出を必要とせず,任意の非線形関数への回帰が可能な深層学習による電波伝搬推定手法について述べる.深層学習は,入力データから問題解決に必要となる特徴量そのものが学習できることが特徴であり,電波伝搬推定においては,地図等の空間情報の入力データから伝搬推定に必要となる環境パラメータを学習することと考えられる.都市部で取得した実測データを用いて,電波伝搬推定に深層学習を適用した際の入力データの種類とサイズの関係を演算量と推定精度の観点から明らかにした. 
(英) Not only has the volume of mobile traffic been increasing exponentially in recent years, making various services available, such as IoT and connected cars moving at high speed, has also become necessity; moreover, the quality of these services has to be extremely high. As a result, it is necessary to clarify the complicated characteristic of radio propagation. In this paper, we describe radio propagation prediction using a deep neural network (DNN) that can regress to non-linear functions without having to derive complex functions. DNN can learn the features needed for problem solving from input data, in other words, in radio propagation predictions, it is able to learn the environment parameters required for propagation prediction from spatial information that is input such as map data. Based on the evaluation results of propagation prediction with DNN using measurement data in urban area, we clarify the relationship between the variety and size of input data from the viewpoint of estimation accuracy and computational complexity.
キーワード (和) 電波伝搬推定 / 機械学習 / 深層学習 / ディープニューラルネットワーク / / / /  
(英) Radio propagation prediction / Machine learning / Deep learning / Deep neural network / / / /  
文献情報 信学技報, vol. 119, no. 228, AP2019-102, pp. 119-124, 2019年10月.
資料番号 AP2019-102 
発行日 2019-10-10 (AP) 
ISSN Print edition: ISSN 0913-5685  Online edition: ISSN 2432-6380

研究会情報
研究会 AP  
開催期間 2019-10-17 - 2019-10-18 
開催地(和) 大阪大学 
開催地(英) Osaka Univ. 
テーマ(和) 学生特集, 一般 
テーマ(英) Student Session, Antennas and Propagation 
講演論文情報の詳細
申込み研究会 AP 
会議コード 2019-10-AP 
本文の言語 日本語 
タイトル(和) 深層学習を用いた電波伝搬推定手法に適した入力データの種類とサイズについて 
サブタイトル(和)  
タイトル(英) A study on variety and size of input data for radio propagation prediction using a deep neural network 
サブタイトル(英)  
キーワード(1)(和/英) 電波伝搬推定 / Radio propagation prediction  
キーワード(2)(和/英) 機械学習 / Machine learning  
キーワード(3)(和/英) 深層学習 / Deep learning  
キーワード(4)(和/英) ディープニューラルネットワーク / Deep neural network  
キーワード(5)(和/英) /  
キーワード(6)(和/英) /  
キーワード(7)(和/英) /  
キーワード(8)(和/英) /  
第1著者 氏名(和/英/ヨミ) 林 高弘 / Takahiro Hayashi / ハヤシ タカヒロ
第1著者 所属(和/英) 株式会社KDDI総合研究所 (略称: KDDI総合研究所)
KDDI Research, Inc (略称: KDDI Research, Inc)
第2著者 氏名(和/英/ヨミ) 長尾 竜也 / Tatsuya Nagao / ナガオ タツヤ
第2著者 所属(和/英) 株式会社KDDI総合研究所 (略称: KDDI総合研究所)
KDDI Research, Inc (略称: KDDI Research, Inc)
第3著者 氏名(和/英/ヨミ) 伊藤 智史 / Satoshi Ito / イトウ サトシ
第3著者 所属(和/英) 株式会社KDDI総合研究所 (略称: KDDI総合研究所)
KDDI Research, Inc (略称: KDDI Research, Inc)
第4著者 氏名(和/英/ヨミ) / /
第4著者 所属(和/英) (略称: )
(略称: )
第5著者 氏名(和/英/ヨミ) / /
第5著者 所属(和/英) (略称: )
(略称: )
第6著者 氏名(和/英/ヨミ) / /
第6著者 所属(和/英) (略称: )
(略称: )
第7著者 氏名(和/英/ヨミ) / /
第7著者 所属(和/英) (略称: )
(略称: )
第8著者 氏名(和/英/ヨミ) / /
第8著者 所属(和/英) (略称: )
(略称: )
第9著者 氏名(和/英/ヨミ) / /
第9著者 所属(和/英) (略称: )
(略称: )
第10著者 氏名(和/英/ヨミ) / /
第10著者 所属(和/英) (略称: )
(略称: )
第11著者 氏名(和/英/ヨミ) / /
第11著者 所属(和/英) (略称: )
(略称: )
第12著者 氏名(和/英/ヨミ) / /
第12著者 所属(和/英) (略称: )
(略称: )
第13著者 氏名(和/英/ヨミ) / /
第13著者 所属(和/英) (略称: )
(略称: )
第14著者 氏名(和/英/ヨミ) / /
第14著者 所属(和/英) (略称: )
(略称: )
第15著者 氏名(和/英/ヨミ) / /
第15著者 所属(和/英) (略称: )
(略称: )
第16著者 氏名(和/英/ヨミ) / /
第16著者 所属(和/英) (略称: )
(略称: )
第17著者 氏名(和/英/ヨミ) / /
第17著者 所属(和/英) (略称: )
(略称: )
第18著者 氏名(和/英/ヨミ) / /
第18著者 所属(和/英) (略称: )
(略称: )
第19著者 氏名(和/英/ヨミ) / /
第19著者 所属(和/英) (略称: )
(略称: )
第20著者 氏名(和/英/ヨミ) / /
第20著者 所属(和/英) (略称: )
(略称: )
講演者
発表日時 2019-10-18 13:00:00 
発表時間 25 
申込先研究会 AP 
資料番号 IEICE-AP2019-102 
巻番号(vol) IEICE-119 
号番号(no) no.228 
ページ範囲 pp.119-124 
ページ数 IEICE-6 
発行日 IEICE-AP-2019-10-10 


[研究会発表申込システムのトップページに戻る]

[電子情報通信学会ホームページ]


IEICE / 電子情報通信学会