Estimation of the Direction of Arrival of Sounding Reference Signal with Neural Networks
Loading...
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Author
Date
2020-03-19
Department
Major/Subject
Communications Engineering
Mcode
ELEC3029
Degree programme
CCIS - Master’s Programme in Computer, Communication and Information Sciences (TS2013)
Language
en
Pages
71
Series
Abstract
The fifth generation of cellular network technology, 5G, will be the next step in performance for wireless devices. The need for 5G technology is obvious since the ever-increasing demands for higher performance in terms of data rate and latency have brought pressure for the current technologies. Hence, 5G brings new technology solutions to the networks such as beamforming to increase the performance of the network. However, the new solutions might require more computational resources from the network, which need to be taken into account when designing the network. This thesis examines if a neural network can be used in sounding reference signal (SRS) beamforming. SRS beamforming corresponds to the signal processing technique done in the physical layer in the base station of the network. SRS beamforming can be done with multiple different methods, where one of the methods requires a calculation of the direction of arrival (DOA) of a SRS from a user. The thesis aims to search for the optimal structure of a neural network for the estimation of the DOA in terms of accuracy and computational complexity. The results of the thesis indicate, if a neural network is a feasible solution for the DOA estimation in SRS beamforming and how well the network performs compared to a traditional DOA estimation method. The implemented neural network in this thesis is compared to one of the traditional DOA estimation algorithm, ESPRIT. The comparison was done by using different channel properties to test the neural network in different scenarios. The observed results for the neural network were moderate compared to ESPRIT. The neural network was able to estimate the DOA confidently to some point. The network was robust against changes in the channel but was not able to yield as accurate estimations as assumed. Also, the generalization of the network was not satisfying. However, the results indicated that a neural network can be a feasible solution for the DOA estimation problem, but it needs further research.Viidennen sukupolven matkapuhelinverkko 5G tulee olemaan seuraava askel tehokkuudessa langattomille laitteille. Tarve 5G-teknologialle on selvä, sillä jatkuvasti kasvava tarve nopeammalle siirtokapasiteetille ja lyhyemmälle viiveille on tuonut paineita nykyisille matkapuhelinverkoille. Tämän takia 5G-tekniikka pyrkii tuomaan uusia tekniikoita, kuten keilanmuodostusksen nostamaan verkon tehokkuutta. Uudet tekniikat voivat kuitenkin olla laskennallisesti kalliita, mikä tulee huomioida verkon suunnittelussa. Tämä diplomityö tutkii mahdollisuutta käyttää neuroverkkoa SRS (Sounding reference signal) keilanmuodostusksessa. SRS keilanmuodostus tarkoittaa signaalinkäsittelytekniikkaa, joka tehdään verkon fyysisessä kerroksessa tukiasemassa. SRS keilanmuodostus voidaan tehdä monella eri tavalla. Yhdessä tavassa joudutaan laskemaan käyttäjältä saadun signaalin tulokulma (DOA). Työn tavoitteena oli löytää paras mahdollinen neuroverkko tulokulman estimoimiseen tarkkuuden ja laskennan raskauden suhteen. Tavoitteen kautta oli mahdollista tutkia, onko neuroverkon käyttö tulokulman estimoimisessa järkevää. Neuroverkko, joka luotiin käytännön toteutuksessa, verrattiin yhteen perinteiseen algoritmiin (ESRPIT), jolla tulokulma voidaan myös estimoida. Vertailu tehtiin käyttämällä erilaisia kanavaparametrejä, jotta neuroverkkoa voitiin testata erilaisissa olosuhteissa. Saadut tulokset osoittivat, että neuroverkko oli kykenevä estimoimaan signaalin tulokulman tyydyttävästi verrattuna perinteiseen algoritmiin. Neuroverkko pystyi estimoimaan tulokulman luotettavasti tiettyyn pisteeseen asti, mutta ei pystynyt antamaan yhtä tarkkoja tuloksia, kun olisi haluttu. Lisäksi neuroverkon yleistyminen ei ollut tyydyttävällä tasolla. Tulokset kuitenkin antoivat ymmärtää, että neuroverkko voisi olla mahdollinen ratkaisu tulokulman estimoimisessa, mutta tämä tarvitsee enemmän tutkimusta.Description
Supervisor
Tirkkonen, OlavThesis advisor
Hassinen, MarkoKeywords
neural network, machine learning, digital signal processing, mobile networks, direction of arrival, sounding reference signa
