Modelling PRACH signals in base station with neural network

Abstract

Neural networks are a hot topic in the field of machine learning right now. They are machine learning algorithms that are often used for image classification and big data problems. Neural networks consist of layers which are made of neurons, places where the computation happens. The activity in these neurons is loosely based on the function of human brain. Like most machine learning techniques, the goal of neural networks is to solve an optimisation problem. It is done by trying to minimise the loss function that measures the difference between the target output and the predicted output. Neural computing is based on a so-called back-propagation algorithm. It enables updating the neural network model each training loop, to make the predictions gradually better.

This master’s thesis presents neural networks as a method for modelling the PRACH signal in the base station receiver. PRACH is a physical channel where the signal comes first when a user tries to connect to the mobile network. The situation is a supervised learning regression problem. A neural network is trained to learn the correlation between the inputs, i.e. chosen parameters that describe the situation, and the output, i.e. the corresponding signal in I/Q format. In the end, the neural network is used to predict the PRACH data signal when the corresponding input features are provided.

Neuroverkkoalgoritmit ovat juuri nyt pinnalla koneoppimisen piireissä. Neuroverkot ovat koneoppimisen algoritmeja, joita usein käytetään kuvien luokitteluun ja suuren datan ongelmiin. Neuroverkot koostuvat kerroksista, jotka puolestaan koostuvat neuroneista, joissa laskenta tapahtuu. Neuronien toiminta perustuu löyhästi ihmisaivojen toimintaan. Kuten useimmissa koneoppimisen menetelmissä, myös neuroverkkojen tarkoituksena on ratkaista optimointiongelma. Se tehdään yrittämällä minimoida tappiofunktiota, joka laskee oikean vasteen ja ennustetun vasteen välistä eroa. Neuraalilaskenta perustuu niin kutsuttuun vastavirta-algoritmiin, joka mahdollistaa neuroverkkomallin päivittämisen joka opetuskierroksella, jotta ennusteita saisi parannettua vähitellen.

Tämä pro gradu -tutkielma esittelee neuroverkon metodina, jolla voidaan mallintaa PRACH-signaalia tukiaseman vastaanottimessa. PRACH on yksi tukiaseman fyysisistä kanavista, jonne signaali saapuu ensimmäiseksi, kun käyttäjä yrittää ottaa yhteyden mobiiliverkkoon. Tutkimusongelma on regressio-ongelma ohjatun oppimisen tilanteessa. Neuroverkolle opetetaan korrelaatio syötteen (input) ja vasteen (output) välillä, eli valittujen syöteparametrien ja vastaavan signaalin välinen korrelaatio. Lopuksi neuroverkkoa voidaan käyttää tukiaseman vastaanottaman PRACH-datasignaalin ennustamiseen, kun tiedetään vastaavat tilannetta kuvaavat syöteparametrit.