Ensemble extreme learning machine based ...
Type de document :
Communication dans un congrès avec actes
Titre :
Ensemble extreme learning machine based equalizers for OFDM systems
Auteur(s) :
Saideh, Michel [Auteur]
Institut d’Électronique, de Microélectronique et de Nanotechnologie - UMR 8520 [IEMN]
Simon, Eric [Auteur]
Institut d’Électronique, de Microélectronique et de Nanotechnologie - UMR 8520 [IEMN]
Télécommunication, Interférences et Compatibilité Electromagnétique - IEMN [TELICE - IEMN]
Farah, Joumana [Auteur]
Villain, Jonathan [Auteur]
Laboratoire Électronique Ondes et Signaux pour les Transports [COSYS-LEOST ]
Fleury, Anthony [Auteur]
Deniau, Virginie [Auteur]
Laboratoire Électronique Ondes et Signaux pour les Transports [COSYS-LEOST ]
Gransart, Christophe [Auteur]
Laboratoire Électronique Ondes et Signaux pour les Transports [COSYS-LEOST ]
Institut d’Électronique, de Microélectronique et de Nanotechnologie - UMR 8520 [IEMN]
Simon, Eric [Auteur]
Institut d’Électronique, de Microélectronique et de Nanotechnologie - UMR 8520 [IEMN]
Télécommunication, Interférences et Compatibilité Electromagnétique - IEMN [TELICE - IEMN]
Farah, Joumana [Auteur]
Villain, Jonathan [Auteur]
Laboratoire Électronique Ondes et Signaux pour les Transports [COSYS-LEOST ]
Fleury, Anthony [Auteur]
Deniau, Virginie [Auteur]
Laboratoire Électronique Ondes et Signaux pour les Transports [COSYS-LEOST ]
Gransart, Christophe [Auteur]
Laboratoire Électronique Ondes et Signaux pour les Transports [COSYS-LEOST ]
Titre de la manifestation scientifique :
2020 14th International Conference on Signal Processing and Communication Systems (ICSPCS)
Ville :
Adelaide (en ligne)
Pays :
Australie
Date de début de la manifestation scientifique :
2020-12-14
Titre de l’ouvrage :
14th International Conference on Signal Processing and Communication Systems (ICSPCS 2020)
Titre de la revue :
Proceedings of the 14th International Conference on Signal Processing and Communication Systems, ICSPCS 2020
Mot(s)-clé(s) en anglais :
Extreme Learning Machine
Ensemble Learning
OFDM
Equalization
Ensemble Learning
OFDM
Equalization
Discipline(s) HAL :
Sciences de l'ingénieur [physics]
Informatique [cs]
Informatique [cs]/Intelligence artificielle [cs.AI]
Informatique [cs]/Réseaux et télécommunications [cs.NI]
Sciences de l'ingénieur [physics]/Traitement du signal et de l'image [eess.SP]
Sciences de l'ingénieur [physics]/Electronique
Informatique [cs]
Informatique [cs]/Intelligence artificielle [cs.AI]
Informatique [cs]/Réseaux et télécommunications [cs.NI]
Sciences de l'ingénieur [physics]/Traitement du signal et de l'image [eess.SP]
Sciences de l'ingénieur [physics]/Electronique
Résumé en anglais : [en]
Extreme Learning Machine (ELM) technology has started gaining interest in the channel estimation and equalization aspects of wireless communications systems. This is due to its fast training and global optimization ...
Lire la suite >Extreme Learning Machine (ELM) technology has started gaining interest in the channel estimation and equalization aspects of wireless communications systems. This is due to its fast training and global optimization capabilities that might allow the ELM-based receivers to be deployed in an online mode while facing the channel scenario at hand. However, ELM still needs a relatively large amount of training samples, thus causing important losses in spectral resources. In this work, we make use of the ensemble learning theory to propose different ensemble learning-based ELM equalizers that need much less spectral resources, while achieving better performance accuracy. Also, we verify the robustness of our proposed equalizers within different communication settings and channel scenarios by conducting different Monte Carlo simulations.Lire moins >
Lire la suite >Extreme Learning Machine (ELM) technology has started gaining interest in the channel estimation and equalization aspects of wireless communications systems. This is due to its fast training and global optimization capabilities that might allow the ELM-based receivers to be deployed in an online mode while facing the channel scenario at hand. However, ELM still needs a relatively large amount of training samples, thus causing important losses in spectral resources. In this work, we make use of the ensemble learning theory to propose different ensemble learning-based ELM equalizers that need much less spectral resources, while achieving better performance accuracy. Also, we verify the robustness of our proposed equalizers within different communication settings and channel scenarios by conducting different Monte Carlo simulations.Lire moins >
Langue :
Anglais
Comité de lecture :
Oui
Audience :
Internationale
Vulgarisation :
Non
Commentaire :
ISBN 978-1-7281-9973-3 ; e-ISBN 978-1-7281-9971-9
Source :
Fichiers
- https://hal.archives-ouvertes.fr/hal-03213651/document
- Accès libre
- Accéder au document
- https://hal.archives-ouvertes.fr/hal-03213651/document
- Accès libre
- Accéder au document
- https://hal.archives-ouvertes.fr/hal-03213651/document
- Accès libre
- Accéder au document
- document
- Accès libre
- Accéder au document
- PID6689067.pdf
- Accès libre
- Accéder au document
- PID6689067.pdf
- Accès libre
- Accéder au document