基于人工神经网络学习模型 (ANN-LMS) 的5G和固定卫星服务地球站 (FSS-ES) 下链干扰的评估
Abdulmajeed Al-Jumaily1,2, Aduwati Sali1, Víctor P Gil Jiménez2
1Wireless and Photonic Networks Research Centre of Excellence (WiPNET), Department of Computer and Communication Systems Engineering, Universiti Putra Malaysia, Serdang 43400, Selangor, Malaysia.
Sensors (Basel, Switzerland)
|July 14, 2023
概括
第五代 (5G) 网络可能会干扰现有的无线电系统. 这项研究使用人工神经网络来对固定卫星服务地球站进行5G干扰的分类和最小化.
科学领域:
- 电信工程 电信工程 电信工程
- 人工智能的人工智能
- 电磁学 电磁学 电磁学 电磁学
背景情况:
- 第五代 (5G) 网络使用毫米波和低于6 GHz的C频段,与现有无线电系统相邻和在共同通道上运行.
- 5G信号和诸如固定卫星服务地球站 (FSS-ES) 等服务之间的潜在干扰需要紧急的缓解策略.
研究的目的:
- 调查和最大限度地减少5G基站 (5G-BS) 和FSS-ES之间的干扰.
- 开发和评估人工神经网络学习模型 (ANN-LMs) 用于分类干扰事件.
主要方法:
- 利用5G-BS和FSS-ES的测量,模拟分析和ANN-LMs进行干扰预测.
- 实施辐射基函数神经网络 (RBFNN) 和一般回归神经网络 (GRNN) 来分类相邻和共同通道干扰.
- 使用马来西亚现实世界测量的验证模型.
主要成果:
- ANN-LMs成功地将干扰事件分为相邻和共同通道类别.
- 与GRNN相比,RBFNN在干扰分类中表现出更高的准确性.
- 来自马来西亚的实证数据证实了开发模型的有效性.
结论:
- 该研究提供了一种可行的方法,以最大限度地减少5G与FSS-ES的干扰.
- 开发的ANN-LMs,特别是RBFNN,提供干扰类型的准确分类.
- 这些发现为未来无线通信系统的共存和缓解技术奠定了基础.
