論文の概要: Deep Learning for Massive MIMO Channel State Acquisition and Feedback
- arxiv url: http://arxiv.org/abs/2002.06945v3
- Date: Mon, 13 Apr 2020 18:30:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-31 12:43:47.176677
- Title: Deep Learning for Massive MIMO Channel State Acquisition and Feedback
- Title（参考訳）: 大規模MIMOチャネル状態取得とフィードバックのための深層学習
- Authors: Mahdi Boloursaz Mashhadi, and Deniz G\"und\"uz
- Abstract要約: 大規模マルチインプット・マルチアウトプット(MIMO)システムは、5Gおよび次世代無線ネットワークにおける過度なスループット要求を実現する主要な手段である。
トレーニングプロセスによって取得される正確でタイムリーなチャネル状態情報(CSI)が必要である。
本稿では、CSI取得オーバーヘッドを減らし、複雑さを減らし、ニューラルネットワーク(NN)をトレーニングプロセスでどのように使用できるかを概説する。
- 参考スコア（独自算出の注目度）: 7.111650988432555
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Massive multiple-input multiple-output (MIMO) systems are a main enabler of
the excessive throughput requirements in 5G and future generation wireless
networks as they can serve many users simultaneously with high spectral and
energy efficiency. To achieve this, massive MIMO systems require accurate and
timely channel state information (CSI), which is acquired by a training process
that involves pilot transmission, CSI estimation and feedback. This training
process incurs a training overhead, which scales with the number of antennas,
users and subcarriers. Reducing this training overhead in massive MIMO systems
has been a major topic of research since the emergence of the concept.
Recently, deep learning (DL)-based approaches for massive MIMO training have
been proposed and showed significant improvements compared to traditional
techniques. This paper provides an overview of how neural networks (NNs) can be
used in the training process of massive MIMO systems to improve the performance
by reducing the CSI acquisition overhead and to reduce complexity.
- Abstract（参考訳）: 大規模マルチインプット・マルチアウトプット(MIMO)システムは、5Gおよび将来の無線ネットワークにおける過大なスループット要件を実現し、多くのユーザが高いスペクトルとエネルギー効率で同時に利用できる。
これを実現するために、大規模なMIMOシステムは、パイロットトランスミッション、CSI推定、フィードバックを含むトレーニングプロセスによって取得される正確でタイムリーなチャネル状態情報(CSI)を必要とする。
このトレーニングプロセスでは、アンテナ、ユーザ、サブキャリアの数に応じてスケールするトレーニングオーバーヘッドが発生する。
大規模MIMOシステムにおけるこのトレーニングオーバーヘッドの削減は、この概念の出現以来、主要な研究課題となっている。
近年,大規模なMIMOトレーニングのためのディープラーニング(DL)ベースのアプローチが提案され,従来の手法と比較して大幅に改善されている。
本稿では,大規模MIMOシステムのトレーニングプロセスにおけるニューラルネットワーク(NN)の利用方法の概要について述べる。
関連論文リスト
- A Low-Overhead Incorporation-Extrapolation based Few-Shot CSI Feedback Framework for Massive MIMO Systems [45.22132581755417]
周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおけるダウンリンクプリコーディングには、正確なチャネル状態情報(CSI)が不可欠である。
しかし,アンテナやサブキャリアの規模が大きくなると,ユーザ機器(UE)からのフィードバックによるCSI取得が困難になる。
CSIを圧縮するために深層学習に基づく手法が登場したが、これらの方法はかなりの収集サンプルを必要とする。
既存のディープラーニング手法は、フル次元のCSIフィードバックに重点を置いているため、フィードバックオーバーヘッドが劇的に増加することにも悩まされる。
低オーバーヘッド抽出に基づくFew-Shot CSIを提案する。
論文 参考訳（メタデータ） (2023-12-07T06:01:47Z) - Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
大規模空間問題に対する学習効率を向上させるために移動学習を用いる。
畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
論文 参考訳（メタデータ） (2023-06-14T01:24:42Z) - Training Spiking Neural Networks with Local Tandem Learning [96.32026780517097]
スパイキングニューラルネットワーク(SNN)は、前者よりも生物学的に可塑性でエネルギー効率が高いことが示されている。
本稿では,局所タンデム学習(Local Tandem Learning, LTL)と呼ばれる一般化学習規則を提案する。
CIFAR-10データセット上の5つのトレーニングエポック内に高速なネットワーク収束を示すとともに,計算複雑性が低い。
論文 参考訳（メタデータ） (2022-10-10T10:05:00Z) - Enhancing Deep Learning Performance of Massive MIMO CSI Feedback [7.63185216082836]
我々は,深層学習に基づくMIMO(Massive multiple-input multiple-output)CSIフィードバックアプローチを強化するために,JPTS(JPTS)を利用したジグソーパズルを提案する。
実験結果から, 室内環境および屋外環境において, 精度を平均12.07%, 7.01%向上させることができることがわかった。
論文 参考訳（メタデータ） (2022-08-24T07:08:31Z) - Overview of Deep Learning-based CSI Feedback in Massive MIMO Systems [77.0986534024972]
ディープラーニング(DL)ベースのCSIフィードバックは、DLベースのオートエンコーダによるCSI圧縮と再構築を指し、フィードバックオーバーヘッドを大幅に削減することができる。
その焦点は、CSIフィードバックの正確性を改善するために、新しいニューラルネットワークアーキテクチャとコミュニケーション専門家の知識の利用である。
論文 参考訳（メタデータ） (2022-06-29T03:28:57Z) - CSI Feedback with Model-Driven Deep Learning of Massive MIMO Systems [0.0]
モデル駆動深層学習に基づく2段階低ランクCSIフィードバック方式を提案する。
さらに、より効率的なCSIフィードバックを実現するために、高速反復収縮しきい値アルゴリズム(FISTA)を展開させることにより、FISTA-Netというディープ反復ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2021-12-13T03:50:43Z) - Binarized Aggregated Network with Quantization: Flexible Deep Learning
Deployment for CSI Feedback in Massive MIMO System [22.068682756598914]
アグリゲートチャネル再構築ネットワーク(ACRNet)と呼ばれる新しいネットワークは、フィードバックパフォーマンスを高めるように設計されています。
異なる資源制約を満たすために,ネットワークを柔軟に適応させる弾性フィードバック方式を提案する。
実験の結果、提案したACRNetは従来の最先端ネットワークの負荷よりも優れていた。
論文 参考訳（メタデータ） (2021-05-01T22:50:25Z) - A Meta-Learning Approach to the Optimal Power Flow Problem Under
Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。
開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文 参考訳（メタデータ） (2020-12-21T17:39:51Z) - A Markovian Model-Driven Deep Learning Framework for Massive MIMO CSI
Feedback [32.442094263278605]
前向きチャネル状態情報(CSI)は、MIMO(Multiple-input multiple-output)通信システムにおける送信最適化において重要な役割を果たす。
リカレントニューラルネットワーク(RNN)の使用に関する最近の研究は、計算とメモリのコストは高いが、強い確証を示している。
本研究では,フィードバック効率を大幅に向上させるために,チャネルコヒーレンスを時間内に活用する。
論文 参考訳（メタデータ） (2020-09-20T16:26:12Z) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-07-27T12:38:37Z)
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。