論文の概要: DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection

• arxiv url: http://arxiv.org/abs/2002.03214v2
• Date: Sun, 14 Jun 2020 12:02:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 22:46:29.633573
• Title: DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection
• Title（参考訳）: DeepSIC:マルチユーザMIMO検出のための深部ソフト干渉キャンセラ
• Authors: Nir Shlezinger, Rong Fu, and Yonina C. Eldar
• Abstract要約: 複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。 本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
• 参考スコア（独自算出の注目度）: 98.43451011898212
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital receivers are required to recover the transmitted symbols from their observed channel output. In multiuser multiple-input multiple-output (MIMO) setups, where multiple symbols are simultaneously transmitted, accurate symbol detection is challenging. A family of algorithms capable of reliably recovering multiple symbols is based on interference cancellation. However, these methods assume that the channel is linear, a model which does not reflect many relevant channels, as well as require accurate channel state information (CSI), which may not be available. In this work we propose a multiuser MIMO receiver which learns to jointly detect in a data-driven fashion, without assuming a specific channel model or requiring CSI. In particular, we propose a data-driven implementation of the iterative soft interference cancellation (SIC) algorithm which we refer to as DeepSIC. The resulting symbol detector is based on integrating dedicated machine-learning (ML) methods into the iterative SIC algorithm. DeepSIC learns to carry out joint detection from a limited set of training samples without requiring the channel to be linear and its parameters to be known. Our numerical evaluations demonstrate that for linear channels with full CSI, DeepSIC approaches the performance of iterative SIC, which is comparable to the optimal performance, and outperforms previously proposed ML-based MIMO receivers. Furthermore, in the presence of CSI uncertainty, DeepSIC significantly outperforms model-based approaches. Finally, we show that DeepSIC accurately detects symbols in non-linear channels, where conventional iterative SIC fails even when accurate CSI is available.
• Abstract（参考訳）: デジタル受信機は、送信されたシンボルを観測されたチャネル出力から回収する必要がある。 複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。 複数のシンボルを確実に復元できるアルゴリズムのファミリーは、干渉キャンセルに基づいている。 しかし、これらの手法は、チャネルが線形であり、多くの関連するチャネルを反映しないモデルであり、使用できないかもしれない正確なチャネル状態情報(CSI)を必要とする。 本研究では、特定のチャネルモデルやCSIを必要とすることなく、データ駆動方式で共同検出を学習するマルチユーザMIMO受信機を提案する。 特に,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 得られたシンボル検出器は、専用機械学習(ML)メソッドを反復SICアルゴリズムに統合することに基づいている。 DeepSICは、チャネルが線形であることやパラメータを知っていなくても、限られたトレーニングサンプルから共同検出を行うことを学ぶ。 数値評価により, 完全CSIの線形チャネルに対してDeepSICは, 最適性能に匹敵する反復SICの性能にアプローチし, 従来提案されていたMLベースのMIMO受信機よりも優れた性能を示した。 さらに、CSIの不確実性の存在下では、DeepSICはモデルベースのアプローチよりも大幅に優れている。 最後に,DeepSICが非線形チャネルのシンボルを正確に検出し,CSIが正確な場合にも従来の反復SICが失敗することを示す。

関連論文リスト

• Data-Driven Symbol Detection for Intersymbol Interference Channels with Bursty Impulsive Noise [1.9462217839524345]
  我々は,シンボル間干渉(ISI)チャネルを経由した符号化伝送におけるデータ駆動トレリスに基づくソフトシンボル検出のための機械学習手法を開発した。 これにより、Bahl-Cocke-Jelinek-Raviv (BCJR)アルゴリズムに基づいて最適化された検出器を得ることができた。 我々は,HMMによる状態遷移を最適化しながら,NNが可能性の学習に使用されるハイブリッドNNとHMM BCJRの検出の可能性を実証した。
  論文  参考訳（メタデータ） (2024-05-17T14:35:09Z)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
  再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。 しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。 本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
  論文  参考訳（メタデータ） (2022-09-18T03:07:37Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Bit-Metric Decoding Rate in Multi-User MIMO Systems: Theory [13.848471206858617]
  リンク適応(LA)は、無線通信における最も重要な側面の1つである。 LAは受信機における非等化後信号-干渉-雑音比(SINR)を計算する。 非線形受信機を持つMU-MIMOシステムでは、スフィアデコーダアルゴリズムの変種を使用するような、ポスト等化SINRの等価性は知られていない。 BMDRは任意の検出器に対する非等化後のSINRと同値である。
  論文  参考訳（メタデータ） (2022-03-11T22:43:37Z)
• Deep Denoising Neural Network Assisted Compressive Channel Estimation for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
  本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。 我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。 完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
  論文  参考訳（メタデータ） (2020-06-03T12:18:57Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)
• Deep HyperNetwork-Based MIMO Detection [10.433286163090179]
  従来のアルゴリズムは複雑すぎて実用的すぎるか、パフォーマンスが悪いかのどちらかだ。 最近のアプローチでは、ディープニューラルネットワークとして検出器を実装することで、これらの課題に対処しようとした。 本研究では、チャネル行列を入力とし、ニューラルネットワークベースの検出器の重みを生成するハイパーネットワークと呼ばれる追加のニューラルネットワーク(NN)をトレーニングすることで、両方の問題に対処する。
  論文  参考訳（メタデータ） (2020-02-07T13:03:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。