Deep Learning-based Signal Detection for ...
Type de document :
Communication dans un congrès avec actes
Titre :
Deep Learning-based Signal Detection for Uplink in LoRa-like Networks
Auteur(s) :
Tesfay, Angesom Ataklity [Auteur]
Institut de Recherche sur les Composants logiciels et matériels pour l'Information et la Communication Avancé - UAR 3380 [IRCICA]
Institut d’Électronique, de Microélectronique et de Nanotechnologie - UMR 8520 [IEMN]
Université de Lille
Circuits Systèmes Applications des Micro-ondes - IEMN [CSAM - IEMN ]
Simon, Eric [Auteur]
Université de Lille
Institut d’Électronique, de Microélectronique et de Nanotechnologie - UMR 8520 [IEMN]
Télécommunication, Interférences et Compatibilité Electromagnétique - IEMN [TELICE - IEMN]
Kharbech, Sofiane [Auteur]
Institut d’Électronique, de Microélectronique et de Nanotechnologie - UMR 8520 [IEMN]
Ecole nationale supérieure Mines-Télécom Lille Douai [IMT Nord Europe]
Clavier, Laurent [Auteur]
Institut d’Électronique, de Microélectronique et de Nanotechnologie - UMR 8520 [IEMN]
Ecole nationale supérieure Mines-Télécom Lille Douai [IMT Nord Europe]
Circuits Systèmes Applications des Micro-ondes - IEMN [CSAM - IEMN ]
Institut de Recherche sur les Composants logiciels et matériels pour l'Information et la Communication Avancé - UAR 3380 [IRCICA]
Institut d’Électronique, de Microélectronique et de Nanotechnologie - UMR 8520 [IEMN]
Université de Lille
Circuits Systèmes Applications des Micro-ondes - IEMN [CSAM - IEMN ]
Simon, Eric [Auteur]
Université de Lille
Institut d’Électronique, de Microélectronique et de Nanotechnologie - UMR 8520 [IEMN]
Télécommunication, Interférences et Compatibilité Electromagnétique - IEMN [TELICE - IEMN]
Kharbech, Sofiane [Auteur]
Institut d’Électronique, de Microélectronique et de Nanotechnologie - UMR 8520 [IEMN]
Ecole nationale supérieure Mines-Télécom Lille Douai [IMT Nord Europe]
Clavier, Laurent [Auteur]
Institut d’Électronique, de Microélectronique et de Nanotechnologie - UMR 8520 [IEMN]
Ecole nationale supérieure Mines-Télécom Lille Douai [IMT Nord Europe]
Circuits Systèmes Applications des Micro-ondes - IEMN [CSAM - IEMN ]
Titre de la manifestation scientifique :
IEEE 32nd Annual International Symposium on Personal, Indoor and Mobile Radio Communications, PIMRC 2021
Ville :
Helsinki
Pays :
Finlande
Date de début de la manifestation scientifique :
2021-09-13
Mot(s)-clé(s) en anglais :
neural networks
deep learning
IoT
LoRa
capture effect
deep learning
IoT
LoRa
capture effect
Discipline(s) HAL :
Informatique [cs]/Apprentissage [cs.LG]
Résumé en anglais : [en]
The increasing number of devices together with uncoordinated transmissions result in a major challenge of scalability in the Internet of things. This paper deals with signal detection in the uplink of a LoRa network through ...
Lire la suite >The increasing number of devices together with uncoordinated transmissions result in a major challenge of scalability in the Internet of things. This paper deals with signal detection in the uplink of a LoRa network through a deep learning-based approach. Two strategies are proposed: regression for bit detection based on a deep feedforward neural network and classification for symbol detection based on a convolutional neural network. These receivers can decode a selected user's signals when multiple users simultaneously transmit over the same frequency band with the same spreading factor. Simulation results show that both receivers outperform the classical LoRa one in the presence of interference. The results show that the introduced approach is relevant to deal with the scalability issue.Lire moins >
Lire la suite >The increasing number of devices together with uncoordinated transmissions result in a major challenge of scalability in the Internet of things. This paper deals with signal detection in the uplink of a LoRa network through a deep learning-based approach. Two strategies are proposed: regression for bit detection based on a deep feedforward neural network and classification for symbol detection based on a convolutional neural network. These receivers can decode a selected user's signals when multiple users simultaneously transmit over the same frequency band with the same spreading factor. Simulation results show that both receivers outperform the classical LoRa one in the presence of interference. The results show that the introduced approach is relevant to deal with the scalability issue.Lire moins >
Langue :
Anglais
Comité de lecture :
Oui
Audience :
Internationale
Vulgarisation :
Non
Source :
Fichiers
- https://hal.archives-ouvertes.fr/hal-03373813/document
- Accès libre
- Accéder au document
- https://hal.archives-ouvertes.fr/hal-03373813/document
- Accès libre
- Accéder au document
- https://hal.archives-ouvertes.fr/hal-03373813/document
- Accès libre
- Accéder au document
- document
- Accès libre
- Accéder au document
- Deep_Learning_based_Signal_Detection_for_Uplink_in_LoRa_like_Network.pdf
- Accès libre
- Accéder au document