面向 5G 非地面网络的基于机器学习的 PBCH 符号检测与均衡
信号处理
2023-09-27 v1
摘要
本文深入探讨机器学习（ML）技术在 5G 非地面网络（5G-NTN）领域的应用，特别关注物理广播信道（PBCH）的符号检测与均衡。随着 5G-NTN 在 3GPP 生态系统中日益重要，ML 为提升无线通信性能提供了显著潜力。为研究这些可能性，我们提出了基于合成数据与来自真实 5G 卫星测试台的实测数据训练的 ML 模型。我们的分析包括考察这些模型在不同信噪比（SNR）场景下的性能，并评估它们在符号增强与信道均衡任务中的有效性。结果凸显了 ML 在受控环境中的性能及其对现实世界挑战的适应性，揭示了 ML 在 5G-NTN 中应用的潜在益处。
引用
@article{arxiv.2309.14923,
title = {ML-based PBCH symbol detection and equalization for 5G Non-Terrestrial Networks},
author = {Inés Larráyoz-Arrigote and Marcele O. K. Mendonca and Alejandro Gonzalez-Garrido and Jevgenij Krivochiza and Sumit Kumar and Jorge Querol and Joel Grotz and Stefano Andrenacci and Symeon Chatzinotas},
journal= {arXiv preprint arXiv:2309.14923},
year = {2023}
}