Fugu-MT 論文翻訳(概要): RCNet: Incorporating Structural Information into Deep RNN for MIMO-OFDM Symbol Detection with Limited Training

論文の概要: RCNet: Incorporating Structural Information into Deep RNN for MIMO-OFDM Symbol Detection with Limited Training

arxiv url: http://arxiv.org/abs/2003.06923v1
Date: Sun, 15 Mar 2020 21:06:40 GMT
ステータス: 処理完了
システム内更新日: 2022-12-23 09:13:01.393002
Title: RCNet: Incorporating Structural Information into Deep RNN for MIMO-OFDM Symbol Detection with Limited Training
Title（参考訳）: RCNet:MIMO-OFDMシンボル検出のための深部RNNへの構造情報の導入
Authors: Zhou Zhou, Lingjia Liu, Shashank Jere, Jianzhong (Charlie) Zhang, and Yang Yi
Abstract要約: 我々は、OFDM信号に固有の構造情報を活用するために、時間周波数RCを導入する。 RCNetは、浅いRC構造よりも高速な学習収束と最大20%のビット誤り率を提供できることを示す。
参考スコア（独自算出の注目度）: 26.12840500767443
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we investigate learning-based MIMO-OFDM symbol detection strategies focusing on a special recurrent neural network (RNN) -- reservoir computing (RC). We first introduce the Time-Frequency RC to take advantage of the structural information inherent in OFDM signals. Using the time domain RC and the time-frequency RC as the building blocks, we provide two extensions of the shallow RC to RCNet: 1) Stacking multiple time domain RCs; 2) Stacking multiple time-frequency RCs into a deep structure. The combination of RNN dynamics, the time-frequency structure of MIMO-OFDM signals, and the deep network enables RCNet to handle the interference and nonlinear distortion of MIMO-OFDM signals to outperform existing methods. Unlike most existing NN-based detection strategies, RCNet is also shown to provide a good generalization performance even with a limited training set (i.e, similar amount of reference signals/training as standard model-based approaches). Numerical experiments demonstrate that the introduced RCNet can offer a faster learning convergence and as much as 20% gain in bit error rate over a shallow RC structure by compensating for the nonlinear distortion of the MIMO-OFDM signal, such as due to power amplifier compression in the transmitter or due to finite quantization resolution in the receiver.
Abstract（参考訳）: 本稿では,特殊リカレントニューラルネットワーク(RNN)に着目した学習型MIMO-OFDMシンボル検出戦略について検討する。まず,ofdm信号に固有の構造情報を活用するために,時間周波数rcを導入する。時間領域rcと時間周波数rcを構成要素として、浅層rcからrcnetへの2つの拡張を提供する。 1) 複数の時間領域rcsを積み重ねること 2)複数の時間周波数RCを深い構造に積み重ねる。 RNNダイナミックス、MIMO-OFDM信号の時間周波数構造、ディープネットワークの組み合わせにより、RCNetはMIMO-OFDM信号の干渉および非線形歪みを処理し、既存の手法より優れている。既存のNNベースの検出戦略とは異なり、RCNetは限られたトレーニングセット(標準モデルベースアプローチと同様の量の参照信号/トレーニング)でも優れた一般化性能を提供する。数値実験により、送信機におけるパワーアンプ圧縮や受信機における有限量子化分解によるMIMO-OFDM信号の非線形歪みを補償することにより、導入したRCNetは、浅いRC構造よりも高速な学習収束と最大20%のビット誤り率が得られることを示した。

関連論文リスト

TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文参考訳（メタデータ） (2024-04-15T06:01:48Z)
Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN [63.90647197249949]
6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。本稿では,GAN(Generative Adversarial Network)による協調的無線地図推定手法を提案する。
論文参考訳（メタデータ） (2024-02-05T05:01:28Z)
Embedding Theory of Reservoir Computing and Reducing Reservoir Network Using Time Delays [6.543793376734818]
貯留層計算(Reservoir Computing, RC)は、複雑な物理系の再構築や予測において、その異常な有効性と高い性能のために爆発的な発展を遂げている。ここでは、RCがもともと入力された非線形力学系の高次元埋め込みであることを厳密に証明する。我々は、いくつかの代表的な物理系を再構成し予測するためにRCのネットワークサイズを著しく削減し、より驚くべきことに、時間遅延のある単一ニューロン貯水池のみを用いることで、これらのタスクを達成するのに十分な場合がある。
論文参考訳（メタデータ） (2023-03-16T02:25:51Z)
On Neural Architectures for Deep Learning-based Source Separation of Co-Channel OFDM Signals [104.11663769306566]
周波数分割多重化(OFDM)信号を含む単一チャネル音源分離問題について検討する。我々はOFDM構造からの洞察に基づいて、ネットワークパラメータ化に対する重要なドメインインフォームド修正を提案する。
論文参考訳（メタデータ） (2023-03-11T16:29:13Z)
Learning Reservoir Dynamics with Temporal Self-Modulation [3.2548794659022393]
Reservoir Computing(RC)は、入力信号をランダムに接続されたニューラルネットワーク(RNN)に転送することで、時系列データを効率的に処理することができる。しかし、RCの学習性能は他の最先端のRNNモデルよりも劣っている。自己変調機構を付加してRCを拡張する自己変調RC(SM-RC)を提案する。
論文参考訳（メタデータ） (2023-01-23T00:44:05Z)
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)
Detect to Learn: Structure Learning with Attention and Decision Feedback for MIMO-OFDM Receive Processing [25.66317464603635]
本稿では、パイロットシンボルを効率的に利用し、検出されたペイロードデータで動的に更新できるオンラインアテンションベースのアプローチであるRC-AttStructNet-DFを提案する。 DF機構は、検出されたデータシンボルを介してチャネル変化を動的に追跡することにより、検出性能をさらに向上する。
論文参考訳（メタデータ） (2022-08-17T20:01:05Z)
Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文参考訳（メタデータ） (2022-05-22T12:16:43Z)
RC-Struct: A Structure-based Neural Network Approach for MIMO-OFDM Detection [33.414673669107906]
信号検出のための構造ベースニューラルネットワークアーキテクチャであるRC-Structを導入する。 RC構造は貯水池計算(RC)を通して信号の時間構造を利用する紹介されたRC-Structは、5Gと5G Beyondの通信ドメイン知識と学習ベースの受信処理の組み合わせに光を当てている。
論文参考訳（メタデータ） (2021-10-03T19:39:21Z)
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)
Harnessing Tensor Structures -- Multi-Mode Reservoir Computing and Its Application in Massive MIMO [39.46260351352041]
新しいニューラルネットワーク(NN)構造、マルチモード貯留層コンピューティング(マルチモードRC)を紹介します。マルチモードRCベースの学習フレームワークは、無線システムの実用的制約を効果的に効果的に対処することができる。
論文参考訳（メタデータ） (2021-01-25T20:30:22Z)

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。