論文の概要: A Modular Neural Network Based Deep Learning Approach for MIMO Signal
Detection
- arxiv url: http://arxiv.org/abs/2004.00404v1
- Date: Wed, 1 Apr 2020 12:56:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 19:37:44.690343
- Title: A Modular Neural Network Based Deep Learning Approach for MIMO Signal
Detection
- Title（参考訳）: モジュール型ニューラルネットワークを用いたMIMO信号検出のためのディープラーニング手法
- Authors: Songyan Xue, Yi Ma, Na Yi, and Terence E. Dodgson
- Abstract要約: 人工ニューラルネットワーク(ANN)支援多重出力多重出力(MIMO)信号検出は、ANN支援損失ベクトル量子化(VQ)としてモデル化できる
我々は、MNNetと呼ばれる新しいモジュラーニューラルネットワークベースのアプローチを提案し、ネットワーク全体が事前に定義されたANNモジュールの集合によって形成される。
シミュレーションの結果、MNNetアプローチは、様々なケースにおいて、ほぼ最適性能でディープラーニング能力を大幅に改善することが示された。
- 参考スコア（独自算出の注目度）: 12.769554897969307
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we reveal that artificial neural network (ANN) assisted
multiple-input multiple-output (MIMO) signal detection can be modeled as
ANN-assisted lossy vector quantization (VQ), named MIMO-VQ, which is basically
a joint statistical channel quantization and signal quantization procedure. It
is found that the quantization loss increases linearly with the number of
transmit antennas, and thus MIMO-VQ scales poorly with the size of MIMO.
Motivated by this finding, we propose a novel modular neural network based
approach, termed MNNet, where the whole network is formed by a set of
pre-defined ANN modules. The key of ANN module design lies in the integration
of parallel interference cancellation in the MNNet, which linearly reduces the
interference (or equivalently the number of transmit-antennas) along the
feed-forward propagation; and so as the quantization loss. Our simulation
results show that the MNNet approach largely improves the deep-learning
capacity with near-optimal performance in various cases. Provided that MNNet is
well modularized, the learning procedure does not need to be applied on the
entire network as a whole, but rather at the modular level. Due to this reason,
MNNet has the advantage of much lower learning complexity than other
deep-learning based MIMO detection approaches.
- Abstract（参考訳）: 本稿では,人工ニューラルネットワーク(ANN)を用いたマルチインプット多重出力(MIMO)信号検出が,基本的には連成統計チャネル量子化と信号量子化の手順であるMIMO-VQと呼ばれるANN支援損失ベクトル量子化(VQ)としてモデル化できることを明らかにする。
量子化損失は送信アンテナ数とともに直線的に増加し,MIMO-VQはMIMOの規模に劣る。
この発見に動機づけられ、mnnetと呼ばれる新しいモジュラーニューラルネットワークベースのアプローチを提案し、ネットワーク全体が事前定義されたannモジュールのセットで形成される。
annモジュールの設計の鍵は、mnnetにおける並列干渉キャンセルの統合にある。これは、フィードフォワード伝播に沿った干渉(または、同等数の送信アンテナ)を量子化損失として線形に減少させる。
シミュレーションの結果,mnnetアプローチは様々なケースにおいて,ほぼ最適に近い性能でディープラーニング能力を大幅に向上させることがわかった。
mnnetは高度にモジュール化されているため、学習手順はネットワーク全体に適用される必要はなく、モジュールレベルで適用される。
このため、MNNetは、他のディープラーニングベースのMIMO検出アプローチよりもはるかに低い学習複雑性の利点がある。
関連論文リスト
- Paths towards time evolution with larger neural-network quantum states [17.826631514127012]
我々は、傾斜したイジングモデルにおいて、常磁性から反強磁性相への量子クエンチを考える。
両タイプのネットワークに対して、予測時間依存変動モンテカルロ法(p-tVMC)は、非計画的手法よりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2024-06-05T15:32:38Z) - Coherent Feed Forward Quantum Neural Network [2.1178416840822027]
量子ニューラルネットワーク(QNN)に焦点をあてた量子機械学習は、いまだに膨大な研究分野である。
適応可能な中間層とノードの観点から,従来のFFNNの汎用性とシームレスに整合するボナフェイドQNNモデルを提案する。
本研究では,診断乳がん(Wisconsin)やクレジットカード不正検出データセットなど,さまざまなベンチマークデータセットを用いて提案モデルを検証した。
論文 参考訳（メタデータ） (2024-02-01T15:13:26Z) - Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth
Soft-Thresholding [57.71603937699949]
我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。
トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
論文 参考訳（メタデータ） (2023-09-12T13:03:47Z) - Signal Detection in MIMO Systems with Hardware Imperfections: Message
Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。
パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。
我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文 参考訳（メタデータ） (2022-10-08T04:32:58Z) - Neural Network-based OFDM Receiver for Resource Constrained IoT Devices [44.8697473676516]
モノのインターネット(IoT)のための新しいモジュール型機械学習(ML)ベースのレシーバチェーンの設計について検討する。
MLブロックはOFDM受信機の個々の処理ブロックを置換し,従来のチャネル推定,シンボルデマッピング,デコードブロックをニューラルネットワーク(NN)で置き換える。
提案手法は,従来の非MLレシーバのビット誤り率を,シミュレーションとオーバー・ザ・エアで平均61%,10%向上させるものである。
論文 参考訳（メタデータ） (2022-05-12T15:32:35Z) - Deep Convolutional Learning-Aided Detector for Generalized Frequency
Division Multiplexing with Index Modulation [0.0]
提案手法は、まずゼロフォース検出器(ZF)を用いて受信信号を前処理し、その後、畳み込みニューラルネットワーク(CNN)と完全連結ニューラルネットワーク(FCNN)からなるニューラルネットワークを用いる。
FCNN部は2つの完全に接続された層しか使用せず、複雑さとBER(bit error rate)パフォーマンスのトレードオフをもたらすことができる。
提案したディープ畳み込みニューラルネットワークに基づく検出・復調方式は,ZF検出器よりも高いBER性能を示し,複雑性が増大することが実証されている。
論文 参考訳（メタデータ） (2022-02-06T22:18:42Z) - Low-bit Quantization of Recurrent Neural Network Language Models Using
Alternating Direction Methods of Multipliers [67.688697838109]
本稿では、乗算器の交互方向法(ADMM)を用いて、スクラッチから量子化RNNLMを訓練する新しい手法を提案する。
2つのタスクの実験から、提案されたADMM量子化は、完全な精度ベースライン RNNLM で最大31倍のモデルサイズ圧縮係数を達成したことが示唆された。
論文 参考訳（メタデータ） (2021-11-29T09:30:06Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳（メタデータ） (2021-10-28T08:14:57Z) - Joint Deep Reinforcement Learning and Unfolding: Beam Selection and
Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。
本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
論文 参考訳（メタデータ） (2021-01-05T03:55:04Z) - 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。