論文の概要: Data-Driven Symbol Detection via Model-Based Machine Learning

• arxiv url: http://arxiv.org/abs/2002.07806v1
• Date: Fri, 14 Feb 2020 06:58:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 04:39:22.177233
• Title: Data-Driven Symbol Detection via Model-Based Machine Learning
• Title（参考訳）: モデルベース機械学習によるデータ駆動シンボル検出
• Authors: Nariman Farsad, Nir Shlezinger, Andrea J. Goldsmith and Yonina C. Eldar
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 117.58188185409904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The design of symbol detectors in digital communication systems has traditionally relied on statistical channel models that describe the relation between the transmitted symbols and the observed signal at the receiver. Here we review a data-driven framework to symbol detection design which combines machine learning (ML) and model-based algorithms. In this hybrid approach, well-known channel-model-based algorithms such as the Viterbi method, BCJR detection, and multiple-input multiple-output (MIMO) soft interference cancellation (SIC) are augmented with ML-based algorithms to remove their channel-model-dependence, allowing the receiver to learn to implement these algorithms solely from data. The resulting data-driven receivers are most suitable for systems where the underlying channel models are poorly understood, highly complex, or do not well-capture the underlying physics. Our approach is unique in that it only replaces the channel-model-based computations with dedicated neural networks that can be trained from a small amount of data, while keeping the general algorithm intact. Our results demonstrate that these techniques can yield near-optimal performance of model-based algorithms without knowing the exact channel input-output statistical relationship and in the presence of channel state information uncertainty.
• Abstract（参考訳）: デジタル通信システムにおけるシンボル検出器の設計は、従来、送信されたシンボルと受信機の観測信号の関係を記述する統計チャネルモデルに依存していた。 本稿では、機械学習(ml)とモデルに基づくアルゴリズムを組み合わせたシンボル検出設計のためのデータ駆動フレームワークについて述べる。 このハイブリッドアプローチでは、ビタビ法、BCJR検出、マルチインプット多重出力(MIMO)ソフトディフェクトキャンセリング(SIC)などのよく知られたチャネルモデルベースのアルゴリズムを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し、受信機がこれらのアルゴリズムをデータからのみ実装することを学ぶ。 データ駆動型受信機は、基礎となるチャネルモデルが十分に理解されていない、非常に複雑である、あるいは基礎となる物理を十分に捉えていないシステムに最も適している。 我々のアプローチは、チャネルモデルに基づく計算を、少数のデータからトレーニングできる専用ニューラルネットワークに置き換えるだけで、一般的なアルゴリズムはそのまま維持できるという点でユニークなものです。 これらの手法は, 正確なチャネル入出力統計関係やチャネル状態情報の不確かさを知らずに, モデルベースアルゴリズムの最適に近い性能が得られることを示す。

関連論文リスト

• Over-the-Air Design of GAN Training for mmWave MIMO Channel Estimation [35.62977046569772]
  我々は,ノイズを受信したパイロット測度を利用して深層生成モデルの訓練を行う,教師なしオーバー・ザ・エア(OTA)アルゴリズムを開発した。 次に、逆問題として、限られた数のパイロット測定値からチャネル推定を定式化する。 提案するフレームワークは,実雑音のパイロット測定を用いてオンライントレーニングを行うことが可能である。
  論文  参考訳（メタデータ） (2022-05-25T02:26:34Z)
• Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
  大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。 一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。 本稿では2つの新しい推定法を提案する。
  論文  参考訳（メタデータ） (2021-09-06T13:42:32Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Machine Learning for MU-MIMO Receive Processing in OFDM Systems [14.118477167150143]
  従来の線形最小平均二乗誤差(LMMSE)アーキテクチャ上に構築したML強化MU-MIMO受信機を提案する。 cnnはチャネル推定誤差の2次統計量の近似を計算するために用いられる。 CNNベースのデマッパーは、多数の周波数分割多重記号とサブキャリアを共同で処理する。
  論文  参考訳（メタデータ） (2020-12-15T09:55:37Z)
• Predicting the Path Loss of Wireless Channel Models Using Machine Learning Techniques in MmWave Urban Communications [13.026091318474785]
  従来の無線通信チャネルモデリングは、決定論的およびチャネル手法を用いて行われる。 機械学習(ML)は、5G以降のシステム設計に革命をもたらす。
  論文  参考訳（メタデータ） (2020-05-02T08:19:18Z)
• DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection [98.43451011898212]
  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。
  論文  参考訳（メタデータ） (2020-02-08T18:31:00Z)
• Data-Driven Factor Graphs for Deep Symbol Detection [107.63351413549992]
  本稿では,因子グラフ法をデータ駆動方式で実装することを提案する。 特に,機械学習(ML)ツールを用いて因子グラフの学習を提案する。 我々は,BCJRNetと呼ばれる提案システムにおいて,BCJRアルゴリズムを小さなトレーニングセットから実装することを実証した。
  論文  参考訳（メタデータ） (2020-01-31T09:23:52Z)

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。