Fugu-MT 論文翻訳(概要): DeepRx: Fully Convolutional Deep Learning Receiver

論文の概要: DeepRx: Fully Convolutional Deep Learning Receiver

arxiv url: http://arxiv.org/abs/2005.01494v2
Date: Tue, 12 Jan 2021 12:40:04 GMT
ステータス: 処理完了
システム内更新日: 2022-12-07 01:40:06.835150
Title: DeepRx: Fully Convolutional Deep Learning Receiver
Title（参考訳）: DeepRx: 完全な畳み込み型ディープラーニングレシーバー
Authors: Mikko Honkala, Dani Korpi, Janne M.J. Huttunen
Abstract要約: DeepRxは完全な畳み込みニューラルネットワークで、周波数領域信号ストリームから5G準拠の方法で未符号化ビットへのレシーバパイプライン全体を実行する。 DeepRxは従来の手法よりも優れています。
参考スコア（独自算出の注目度）: 8.739166282613118
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning has solved many problems that are out of reach of heuristic algorithms. It has also been successfully applied in wireless communications, even though the current radio systems are well-understood and optimal algorithms exist for many tasks. While some gains have been obtained by learning individual parts of a receiver, a better approach is to jointly learn the whole receiver. This, however, often results in a challenging nonlinear problem, for which the optimal solution is infeasible to implement. To this end, we propose a deep fully convolutional neural network, DeepRx, which executes the whole receiver pipeline from frequency domain signal stream to uncoded bits in a 5G-compliant fashion. We facilitate accurate channel estimation by constructing the input of the convolutional neural network in a very specific manner using both the data and pilot symbols. Also, DeepRx outputs soft bits that are compatible with the channel coding used in 5G systems. Using 3GPP-defined channel models, we demonstrate that DeepRx outperforms traditional methods. We also show that the high performance can likely be attributed to DeepRx learning to utilize the known constellation points of the unknown data symbols, together with the local symbol distribution, for improved detection accuracy.
Abstract（参考訳）: ディープラーニングは、ヒューリスティックなアルゴリズムに届かない多くの問題を解決した。現在の無線システムはよく理解されており、多くのタスクに最適なアルゴリズムが存在するにもかかわらず、無線通信にもうまく適用されている。受信機の個々の部分を学習することで得られる利得もあるが、受信機全体を共同で学習する方がよい。しかし、これはしばしば、最適解の実装が不可能な、難解な非線形問題をもたらす。そこで本研究では,周波数領域信号ストリームから符号化されていないビットへのレシーバパイプライン全体を実行する,完全畳み込みニューラルネットワークDeepRxを提案する。本研究では,畳み込みニューラルネットワークの入力を,データとパイロットシンボルの両方を用いて非常に特異的に構成することにより,正確なチャネル推定を容易にする。また、DeepRxは5Gシステムで使用されるチャネル符号化と互換性のあるソフトビットを出力する。 3GPP定義チャネルモデルを用いて、DeepRxが従来の手法より優れていることを示す。また,検出精度を向上させるために,未知のデータシンボルの既知の星座点と局所的なシンボル分布を利用するために,DeepRx学習による高い性能が期待できることを示す。

関連論文リスト

Channelformer: Attention based Neural Solution for Wireless Channel Estimation and Effective Online Training [1.0499453838486013]
本稿では,改良されたチャネル推定を実現するために,エンコーダ・デコーダニューラルアーキテクチャ(Channelformer)を提案する。我々は,復号器として,エンコーダと残差畳み込みニューラルアーキテクチャに多面的注意を払っている。また,現代通信システムにおける第5世代(5G)新しい無線(NR)構成に基づく効果的なオンライントレーニング手法を提案する。
論文参考訳（メタデータ） (2023-02-08T23:18:23Z)
NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文参考訳（メタデータ） (2022-09-29T04:06:00Z)
Graph Neural Networks for Channel Decoding [71.15576353630667]
低密度パリティチェック(LDPC)やBCH符号など、様々な符号化方式の競合復号性能を示す。ニューラルネットワーク(NN)は、与えられたグラフ上で一般化されたメッセージパッシングアルゴリズムを学習する。提案するデコーダを,従来のチャネル復号法および最近のディープラーニングに基づく結果と比較した。
論文参考訳（メタデータ） (2022-07-29T15:29:18Z)
DeepTx: Deep Learning Beamforming with Channel Prediction [8.739166282613118]
本研究では,送信機の機械学習アルゴリズムに着目した。ビームフォーミングを考慮し、所定のアップリンクチャネル推定を入力として、ビームフォーミングに使用するダウンリンクチャネル情報を出力するCNNを提案する。ニューラルネットワークの主なタスクは、アップリンクとダウンリンクスロットの間のチャネル進化を予測することだが、チェーン全体の非効率性とエラーを処理することも学べる。
論文参考訳（メタデータ） (2022-02-16T11:19:54Z)
Robust MIMO Detection using Hypernetworks with Learned Regularizers [28.917679125825]
本稿では,シンボル誤り率(SER)とチャネルの一般性とのバランスをとろうとする手法を提案する。提案手法は,特定のチャネル上で正常に動作するニューラルネットワークベースの検出器のパラメータを生成するハイパーネットワークに基づいている。
論文参考訳（メタデータ） (2021-10-13T22:07:13Z)
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)
Quantized Neural Networks via {-1, +1} Encoding Decomposition and Acceleration [83.84684675841167]
本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
論文参考訳（メタデータ） (2021-06-18T03:11:15Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
Decoding 5G-NR Communications via Deep Learning [6.09170287691728]
本稿では,Deep Neural Network(DNN)と共同で自動符号化ニューラルネットワーク(ANN)を用いて,デマッピングとデコードのための自動符号化ディープニューラルネットワーク(ADNN)を構築することを提案する。その結果、特定のBERターゲットに対して、AWGN(Additive White Gaussian Noise)チャネルにおいて、SNR(Signal to Noise Ratio)の$3$dBが要求されることが明らかになった。
論文参考訳（メタデータ） (2020-07-15T12:00:20Z)
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)
Deep HyperNetwork-Based MIMO Detection [10.433286163090179]
従来のアルゴリズムは複雑すぎて実用的すぎるか、パフォーマンスが悪いかのどちらかだ。最近のアプローチでは、ディープニューラルネットワークとして検出器を実装することで、これらの課題に対処しようとした。本研究では、チャネル行列を入力とし、ニューラルネットワークベースの検出器の重みを生成するハイパーネットワークと呼ばれる追加のニューラルネットワーク(NN)をトレーニングすることで、両方の問題に対処する。
論文参考訳（メタデータ） (2020-02-07T13:03:22Z)

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。