論文の概要: Learning Based Hybrid Beamforming for Millimeter Wave Multi-User MIMO Systems

• arxiv url: http://arxiv.org/abs/2004.12917v1
• Date: Mon, 27 Apr 2020 16:31:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 06:05:58.241163
• Title: Learning Based Hybrid Beamforming for Millimeter Wave Multi-User MIMO Systems
• Title（参考訳）: ミリ波マルチユーザMIMOシステムのための学習型ハイブリッドビームフォーミング
• Authors: Shaocheng Huang, Yu Ye, Ming Xiao
• Abstract要約: 本稿では,ビームフォーマの送信と受信を協調的に最適化する極端学習機械(ELM)フレームワークを提案する。 FP-MM-HBF と ELM-HBF はどちらも,既存の手法に比べて高いシステム和率を提供できる。
• 参考スコア（独自算出の注目度）: 22.478350298755892
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hybrid beamforming (HBF) design is a crucial stage in millimeter wave (mmWave) multi-user multi-input multi-output (MU-MIMO) systems. However, conventional HBF methods are still with high complexity and strongly rely on the quality of channel state information. We propose an extreme learning machine (ELM) framework to jointly optimize transmitting and receiving beamformers. Specifically, to provide accurate labels for training, we first propose an factional-programming and majorization-minimization based HBF method (FP-MM-HBF). Then, an ELM based HBF (ELM-HBF) framework is proposed to increase the robustness of beamformers. Both FP-MM-HBF and ELM-HBF can provide higher system sum-rate compared with existing methods. Moreover, ELM-HBF cannot only provide robust HBF performance, but also consume very short computation time.
• Abstract（参考訳）: ハイブリッドビームフォーミング(HBF)設計は、ミリ波(mmWave)マルチユーザマルチインプットマルチアウトプット(MU-MIMO)システムにおいて重要な段階である。 しかし,従来のHBF法は依然として複雑であり,チャネル状態情報の品質に強く依存している。 本稿では,ビームフォーマーの送受信を共同で最適化するextreme learning machine(elm)フレームワークを提案する。 具体的には,まず,派閥プログラミングとメジャー化最小化に基づくhbf法(fp-mm-hbf)を提案する。 そして、ビームフォーマのロバスト性を高めるために、ELMベースのHBF(ELM-HBF)フレームワークを提案する。 FP-MM-HBF と ELM-HBF はどちらも,既存の手法に比べて高いシステム和率を提供できる。 さらに、EMM-HBFは堅牢なHBF性能を提供するだけでなく、非常に短い計算時間を消費する。

関連論文リスト

• Downlink MIMO Channel Estimation from Bits: Recoverability and Algorithm [47.7091447096969]
  主な課題は、ユーザ機器(UE)からの限られたフィードバックから基地局(BS)のダウンリンクチャネル状態情報(CSI)を取得することである。 本稿では、UE側で圧縮とガウスディザリングに基づく量子化戦略を採用し、BS側で最大極大推定器(MLE)を定式化する単純なフィードバックフレームワークを提案する。 このアルゴリズムは、高次高調波探索(HR)ソルバをサブルーチンとして統合するために慎重に設計されており、この難しいMLE問題に効果的に取り組む鍵であることが判明した。
  論文  参考訳（メタデータ） (2024-11-25T02:15:01Z)
• Deep Learning Based Joint Multi-User MISO Power Allocation and Beamforming Design [29.295165146832097]
  マルチユーザ・マルチインプット・シングルアウトプット(MU-MISO)システムのための非教師なし深層学習に基づくジョイントパワーアロケーションとビームフォーミング設計を提案する。 NNBF-Pとゼロ強制ビームフォーミング(ZFBF)、最小平均二乗誤差(MMSE)ビームフォーミング、NNBFの性能を比較するための多様な設定実験を行った。
  論文  参考訳（メタデータ） (2024-06-12T16:21:11Z)
• Deep Learning Assisted Multiuser MIMO Load Modulated Systems for Enhanced Downlink mmWave Communications [68.96633803796003]
  本稿では, マルチユーザ負荷変調アレイ (MU-LMA) に着目し, マイクロウェーブ (mmWave) マルチインプット・マルチアウトプット (MIMO) システムにおいて, マルチユーザ負荷変調アレイ (MU-LMA) の小型化とコスト削減を図っている。 ダウンリンクMU-LMAの既存のプリコーディングアルゴリズムは、自由度と複雑なシステム構成の低下に悩まされるサブアレイ構造化(SAS)送信機に依存している。 本稿では,FAS (Full-array Structured) 送信機を用いたMU-LMAシステムを提案し,それに応じて2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-08T08:54:56Z)
• AI-Empowered Hybrid MIMO Beamforming [85.48860461696417]
  ハイブリッドマルチインプット・マルチアウトプット(MIMO)システムは、アナログおよびデジタルのビームフォーミングの一部を実装している。 近年、ハイブリッドビームフォーミング設計にデータ支援人工知能(AI)ツールを使うことへの関心が高まっている。 本稿では、リアルタイムハイブリッドビームフォーミング設計を改善するために、データを活用するための候補戦略についてレビューする。
  論文  参考訳（メタデータ） (2023-03-03T06:04:20Z)
• DeMFI: Deep Joint Deblurring and Multi-Frame Interpolation with Flow-Guided Attentive Correlation and Recursive Boosting [50.17500790309477]
  DeMFI-Netは、共同でデブロアリングとマルチフレームのフレームワークである。 低フレームレートのぼやけたビデオを高フレームレートでシャープなビデオに変換する。 多様なデータセットに対して、最先端(SOTA)のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-11-19T00:00:15Z)
• GAN-MDF: A Method for Multi-fidelity Data Fusion in Digital Twins [82.71367011801242]
  Internet of Things(IoT)は、スマートファクトリ、インテリジェントロボット、ヘルスケアシステムなどの物理システムのリアルタイムデータを収集する。 高忠実度(HF)応答は、関心の系を正確に記述するが、コストがかかる。 低忠実性(LF)応答は計算コストが低いが、要求される精度を満たせなかった。 デジタル双生児(GAN-MDF)におけるMDFの新たな生成的対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-24T06:40:35Z)
• 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)
• Hybrid Beamforming for mmWave MU-MISO Systems Exploiting Multi-agent Deep Reinforcement Learning [27.29682248242345]
  DRLの探索効率問題を解決するために,マルチエージェントDRL法を提案する。 提案手法では,優先されたリプレイバッファとより情報的な報酬を適用し,コンバージェンスを高速化する。
  論文  参考訳（メタデータ） (2021-02-01T10:04:20Z)
• 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)
• MFES-HB: Efficient Hyperband with Multi-Fidelity Quality Measurements [34.75195640330286]
  MFES-HBは高忠実度と低忠実度の両方を有効活用できる高帯域法である。 我々は,MFES-HBが最先端アプローチであるBOHBよりも3.3～8.9倍の高速化を実現することを示す。
  論文  参考訳（メタデータ） (2020-12-05T11:51:15Z)
• Learning Based Hybrid Beamforming Design for Full-Duplex Millimeter Wave Systems [22.478350298755892]
  我々は、FD mmWaveシステムのためのHBF設計のための2つの学習スキーム、すなわち、極端な学習マシンベースのHBFと畳み込みニューラルネットワークベースのHBFを提案する。 その結果、どちらの学習ベーススキームもより堅牢なHBF性能を実現し、少なくとも22.1%のスペクトル効率が得られることが示された。
  論文  参考訳（メタデータ） (2020-04-16T15:48:57Z)

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。