論文の概要: On Deep Learning Solutions for Joint Transmitter and Noncoherent
Receiver Design in MU-MIMO Systems
- arxiv url: http://arxiv.org/abs/2004.06599v1
- Date: Tue, 14 Apr 2020 15:27:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 10:15:34.478486
- Title: On Deep Learning Solutions for Joint Transmitter and Noncoherent
Receiver Design in MU-MIMO Systems
- Title（参考訳）: MU-MIMOシステムにおける共振器・非コヒーレント受信器設計のためのディープラーニング解について
- Authors: Songyan Xue, Yi Ma, Na Yi and Rahim Tafazolli
- Abstract要約: 本稿では,Multiuser Multi-Input Multi-MIMO(MU-MIMO)システムにおける共同送信機と非コヒーレント受信機の設計をディープラーニングにより処理することを目的とする。
ディープニューラルネットワーク(DNN)ベースの非コヒーレント受信機を考えると、この研究の新規性は主に送信側におけるマルチユーザ波形設計にある。
- 参考スコア（独自算出の注目度）: 27.204307615068544
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper aims to handle the joint transmitter and noncoherent receiver
design for multiuser multiple-input multiple-output (MU-MIMO) systems through
deep learning. Given the deep neural network (DNN) based noncoherent receiver,
the novelty of this work mainly lies in the multiuser waveform design at the
transmitter side. According to the signal format, the proposed deep learning
solutions can be divided into two groups. One group is called pilot-aided
waveform, where the information-bearing symbols are time-multiplexed with the
pilot symbols. The other is called learning-based waveform, where the multiuser
waveform is partially or even completely designed by deep learning algorithms.
Specifically, if the information-bearing symbols are directly embedded in the
waveform, it is called systematic waveform. Otherwise, it is called
non-systematic waveform, where no artificial design is involved. Simulation
results show that the pilot-aided waveform design outperforms the conventional
zero forcing receiver with least squares (LS) channel estimation on small-size
MU-MIMO systems. By exploiting the time-domain degrees of freedom (DoF), the
learning-based waveform design further improves the detection performance by at
least 5 dB at high signal-to-noise ratio (SNR) range. Moreover, it is found
that the traditional weight initialization method might cause a training
imbalance among different users in the learning-based waveform design. To
tackle this issue, a novel weight initialization method is proposed which
provides a balanced convergence performance with no complexity penalty.
- Abstract（参考訳）: 本稿では,Multiuser Multi-Input Multi-MIMO(MU-MIMO)システムにおける共同送信機と非コヒーレント受信機の設計を扱うことを目的とする。
ディープニューラルネットワーク(DNN)ベースの非コヒーレント受信機を考えると、この研究の新規性は主に送信側におけるマルチユーザ波形設計にある。
信号形式により、提案したディープラーニングソリューションは2つのグループに分けられる。
あるグループはパイロット支援波形と呼ばれ、情報を持つシンボルはパイロットシンボルと時間多重化される。
もう1つは学習に基づく波形と呼ばれ、マルチユーザー波形はディープラーニングアルゴリズムによって部分的にあるいは完全に設計されている。
具体的には、情報保持シンボルが波形に直接埋め込まれている場合は、体系波形と呼ばれる。
それ以外は、人工的な設計が関与しない非システム波形(non-systematic waveform)と呼ばれる。
シミュレーションの結果,小型MU-MIMOシステムにおいて,パイロット支援波形設計は最小二乗 (LS) チャネル推定による従来のゼロ強制受信機よりも優れていた。
時間領域自由度(DoF)を利用して、学習ベースの波形設計により、高信号対雑音比(SNR)範囲で少なくとも5dBの検出性能が向上する。
また, 従来の重み初期化手法は, 学習に基づく波形設計において, 異なるユーザ間でのトレーニング不均衡を引き起こす可能性がある。
この問題に対処するために,複雑性を伴わない平衡収束性能を提供する新しい重み初期化手法を提案する。
関連論文リスト
- MIMO-DBnet: Multi-channel Input and Multiple Outputs DOA-aware
Beamforming Network for Speech Separation [55.533789120204055]
混合信号のみを用いた方向案内音声分離のためのエンドツーエンドビームフォーミングネットワークを提案する。
具体的には,複数チャネルの入力と複数出力アーキテクチャを設計し,各ソースの指向性に基づく埋め込みとビームフォーミング重みを推定する。
論文 参考訳（メタデータ） (2022-12-07T01:52:40Z) - 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) - Deep Learning for Multi-User MIMO Systems: Joint Design of Pilot,
Limited Feedback, and Precoding [28.53535169241923]
本稿では、パイロットシーケンス、限られたフィードバック、プリコーディングを含むダウンリンクMU-MIMOシステムのエンドツーエンド設計について検討する。
本稿では,ユーザによるフィードバック情報生成と基地局でのプリコーダ設計を協調的に最適化する新しいディープラーニング(DL)フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-21T13:02:06Z) - Knowledge Graph Based Waveform Recommendation: A New Communication
Waveform Design Paradigm [10.223169932738042]
本稿では,知識グラフに基づくインテリジェントレコメンデーションシステムを用いた新しい波形設計パラダイムを提案する。
提案手法は,既存の波形の構造的特徴と表現による設計効率の向上を目的としている。
提案したCWKGベースのCWRSは,信頼性の高い波形候補を自動的に推薦できることを示す。
論文 参考訳（メタデータ） (2022-01-24T08:39:03Z) - Joint Superposition Coding and Training for Federated Learning over
Multi-Width Neural Networks [52.93232352968347]
本稿では,2つの相乗的技術,フェデレートラーニング(FL)と幅調整可能なスリムブルニューラルネットワーク(SNN)を統合することを目的とする。
FLは、ローカルに訓練されたモバイルデバイスのモデルを交換することによって、データのプライバシを保護している。しかしながら、SNNは、特に時間変化のあるチャネル条件との無線接続下では、非自明である。
局所モデル更新のためのグローバルモデル集約と重ね合わせ訓練(ST)に重ね合わせ符号化(SC)を併用した通信およびエネルギー効率の高いSNNベースFL(SlimFL)を提案する。
論文 参考訳（メタデータ） (2021-12-05T11:17:17Z) - Learning OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
達成可能な情報レートを最大化しつつ,選択した制約を満たすOFDMベースの波形を設計するための学習ベース手法を提案する。
エンドツーエンドシステムは,PAPRとACLRの制約を満たすことができ,スループットを著しく向上させることができることを示す。
論文 参考訳（メタデータ） (2021-10-21T08:58:59Z) - Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、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)システムにおいて重要な役割を果たす。
受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。
エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文 参考訳（メタデータ） (2021-08-03T14:26:14Z) - Federated Dropout Learning for Hybrid Beamforming With Spatial Path
Index Modulation In Multi-User mmWave-MIMO Systems [19.10321102094638]
SPIM-MIMOシステムにおけるビームフォーマー設計のためのモデルベースおよびモデルフリーフレームワークを紹介します。
提案手法は,最新のSPIM-MIMO法やmmWave-MIMO法よりも高いスペクトル効率を示す。
論文 参考訳（メタデータ） (2021-02-15T10:49:26Z) - 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) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
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。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z) - 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)
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。