論文の概要: Data-Driven Deep Learning to Design Pilot and Channel Estimator For Massive MIMO

• arxiv url: http://arxiv.org/abs/2003.05875v1
• Date: Thu, 12 Mar 2020 16:09:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 16:00:02.230948
• Title: Data-Driven Deep Learning to Design Pilot and Channel Estimator For Massive MIMO
• Title（参考訳）: 大規模MIMOのための設計パイロットとチャネル推定のためのデータ駆動ディープラーニング
• Authors: Xisuo Ma, Zhen Gao
• Abstract要約: 広帯域マルチインプット多重出力(MIMO)システムのためのパイロット信号とチャネル推定器を協調設計するためのデータ駆動型ディープラーニング手法を提案する。 具体的には、次元減少ネットワークと再構成ネットワークからなるエンドツーエンドのディープニューラルネットワークアーキテクチャを設計する。
• 参考スコア（独自算出の注目度）: 2.2188785994930043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a data-driven deep learning (DL) approach to jointly design the pilot signals and channel estimator for wideband massive multiple-input multiple-output (MIMO) systems. By exploiting the angular-domain compressibility of massive MIMO channels, the conceived DL framework can reliably reconstruct the high-dimensional channels from the under-determined measurements. Specifically, we design an end-to-end deep neural network (DNN) architecture composed of dimensionality reduction network and reconstruction network to respectively mimic the pilot signals and channel estimator, which can be acquired by data-driven deep learning. For the dimensionality reduction network, we design a fully-connected layer by compressing the high-dimensional massive MIMO channel vector as input to low-dimensional received measurements, where the weights are regarded as the pilot signals. For the reconstruction network, we design a fully-connected layer followed by multiple cascaded convolutional layers, which will reconstruct the high-dimensional channel as the output. By defining the mean square error between input and output as loss function, we leverage Adam algorithm to train the end-to-end DNN aforementioned with extensive channel samples. In this way, both the pilot signals and channel estimator can be simultaneously obtained. The simulation results demonstrate that the superiority of the proposed solution over state-of-the-art compressive sensing approaches.
• Abstract（参考訳）: 本稿では,広帯域マルチインプットマルチアウトプット(MIMO)システムのためのパイロット信号とチャネル推定器を共同設計するための,データ駆動型ディープラーニング(DL)アプローチを提案する。 大規模MIMOチャネルの角度領域圧縮性を利用することで、その下決定された測定値から高次元チャネルを確実に再構築することができる。 具体的には、次元減少ネットワークと再構成ネットワークからなるエンドツーエンドのディープニューラルネットワーク(DNN)アーキテクチャを設計し、それぞれがデータ駆動型ディープラーニングによって取得可能なパイロット信号とチャネル推定器を模倣する。 次元低減ネットワークでは, 重みをパイロット信号と見なす低次元受信測定への入力として, 高次元大容量mimoチャネルベクトルを圧縮することにより, 完全連結層を設計する。 再構成ネットワークでは,完全連結層と複数のカスケード畳み込み層を設計し,高次元チャネルを出力として再構成する。 入力と出力間の平均二乗誤差を損失関数として定義することにより、Adamアルゴリズムを利用して、上記のチャネルサンプルでトレーニングする。 これにより、パイロット信号とチャネル推定器とを同時に得ることができる。 シミュレーションの結果,提案手法が最先端の圧縮センシング手法よりも優れていることが示された。

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)
• Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid Precoding [94.40747235081466]
  本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。 我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2021-10-22T20:49:02Z)
• Channel Estimation Based on Machine Learning Paradigm for Spatial Modulation OFDM [0.0]
  ディープニューラルネットワーク(DNN)は、レイリーフェディングチャネル上のエンドツーエンドデータ検出のための空間変調直交周波数分割多重化(SM-OFDM)技術と統合されている。 提案システムは受信したシンボルを直接復調し,チャネル推定を暗黙的に行う。
  論文  参考訳（メタデータ） (2021-09-15T10:54:56Z)
• Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
  そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。 推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。 提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
  論文  参考訳（メタデータ） (2021-07-27T06:57:56Z)
• Model-Driven Deep Learning Based Channel Estimation and Feedback for Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
  本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。 無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。 MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-22T13:34:53Z)
• Deep Learning Based Antenna Selection for Channel Extrapolation in FDD Massive MIMO [54.54508321463112]
  大規模なマルチインプット多重出力(MIMO)システムでは、多数のアンテナが正確なチャネル状態情報を取得する上で大きな課題となる。 ニューラルネットワーク(NN)を用いて、アップリンクとダウンリンクチャネルデータセット間の固有の接続を捕捉し、アップリンクチャネル状態情報のサブセットからダウンリンクチャネルを外挿する。 アンテナサブセット選択問題について検討し、最高のチャネル外挿を実現し、NNのデータサイズを小さくする。
  論文  参考訳（メタデータ） (2020-09-03T13:38:52Z)
• Pruning the Pilots: Deep Learning-Based Pilot Design and Channel Estimation for MIMO-OFDM Systems [8.401473551081748]
  本稿では,ニューラルネットワークを用いた共同パイロット設計とダウンリンクチャネル推定手法を提案する。 提案したNNアーキテクチャは、周波数対応のパイロット設計に完全連結層を使用し、線形最小二乗誤差(LMMSE)推定に優れる。 また、トレーニング中に高密度のNN層から少ない有意なニューロンを徐々に刈り取ることにより、効果的なパイロットリダクション手法を提案する。
  論文  参考訳（メタデータ） (2020-06-21T13:10:26Z)
• 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)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)

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。