論文の概要: A Deep Learning Framework for Hybrid Beamforming Without Instantaneous
CSI Feedback
- arxiv url: http://arxiv.org/abs/2006.10971v2
- Date: Sun, 16 Aug 2020 11:44:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 05:18:12.395864
- Title: A Deep Learning Framework for Hybrid Beamforming Without Instantaneous
CSI Feedback
- Title（参考訳）: 瞬時CSIフィードバックのないハイブリッドビームフォーミングのためのディープラーニングフレームワーク
- Authors: Ahmet M. Elbir
- Abstract要約: 本稿では,ハイブリッドビームフォーミングとチャネル推定の両方を扱うためのディープラーニング(DL)フレームワークを提案する。
提案手法は,従来の最適化手法に比べて,少なくとも10倍の計算複雑性を示す。
- 参考スコア（独自算出の注目度）: 4.771833920251869
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hybrid beamformer design plays very crucial role in the next generation
millimeter-wave (mm-Wave) massive MIMO (multiple-input multiple-output)
systems. Previous works assume the perfect channel state information (CSI)
which results heavy feedback overhead. To lower complexity, channel statistics
can be utilized such that only infrequent update of the channel information is
needed. To reduce the complexity and provide robustness, in this work, we
propose a deep learning (DL) framework to deal with both hybrid beamforming and
channel estimation. For this purpose, we introduce three deep convolutional
neural network (CNN) architectures. We assume that the base station (BS) has
the channel statistics only and feeds the channel covariance matrix into a CNN
to obtain the hybrid precoders. At the receiver, two CNNs are employed. The
first one is used for channel estimation purposes and the another is employed
to design the hybrid combiners. The proposed DL framework does not require the
instantaneous feedback of the CSI at the BS. We have shown that the proposed
approach has higher spectral efficiency with comparison to the conventional
techniques. The trained CNN structures do not need to be re-trained due to the
changes in the propagation environment such as the deviations in the number of
received paths and the fluctuations in the received path angles up to 4
degrees. Also, the proposed DL framework exhibits at least 10 times lower
computational complexity as compared to the conventional optimization-based
approaches.
- Abstract（参考訳）: ハイブリッドビームフォーマの設計は、次世代ミリ波(mm波)大規模MIMO(multiple-input multiple-output)システムにおいて非常に重要な役割を果たす。
これまでの研究では、完全なチャネル状態情報(CSI)を前提としていた。
複雑さを低減するために、チャネル情報の頻繁な更新のみが必要なチャネル統計を利用することができる。
複雑さを低減し、堅牢性を提供するため、本研究では、ハイブリッドビームフォーミングとチャネル推定の両方を扱うディープラーニング(DL)フレームワークを提案する。
この目的のために,3つのディープ畳み込みニューラルネットワーク(CNN)アーキテクチャを導入する。
基地局(bs)はチャネル統計のみを持ち、チャネル共分散行列をcnnに供給してハイブリッドプリコーダを得ると仮定する。
受信機には2つのCNNが使用される。
1つはチャネル推定に使われ、もう1つはハイブリッドコンバインダの設計に使用される。
提案するDLフレームワークは,BSにおけるCSIの即時フィードバックを必要としない。
提案手法は従来の手法と比較してスペクトル効率が高いことを示した。
訓練されたcnn構造は、受信経路数の偏差や4度までの受信経路角のゆらぎなどの伝播環境の変化により、再訓練する必要がなくなる。
また,提案するDLフレームワークは,従来の最適化手法に比べて,少なくとも10倍の計算複雑性を示す。
関連論文リスト
- Towards Efficient Subarray Hybrid Beamforming: Attention Network-based
Practical Feedback in FDD Massive MU-MIMO Systems [9.320559153486885]
本稿では,チャネル推定とフィードバックのための協調最適化ネットワークを提案する。
実験の結果,提案するネットワークは,リソースに敏感なユーザ機器において10倍以上軽量であることがわかった。
論文 参考訳（メタデータ） (2023-02-05T15:12:07Z) - 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) - Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid
Precoding [94.40747235081466]
本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。
我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
論文 参考訳（メタデータ） (2021-10-22T20:49:02Z) - 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) - Group Fisher Pruning for Practical Network Compression [58.25776612812883]
本稿では,様々な複雑な構造に応用可能な汎用チャネルプルーニング手法を提案する。
我々は、単一チャネルと結合チャネルの重要性を評価するために、フィッシャー情報に基づく統一されたメトリクスを導出する。
提案手法は,結合チャネルを含む任意の構造をプルークするために利用できる。
論文 参考訳（メタデータ） (2021-08-02T08:21:44Z) - End-to-End Learning for Uplink MU-SIMO Joint Transmitter and
Non-Coherent Receiver Design in Fading Channels [11.182920270301304]
JTRD-Netと呼ばれる新しいエンドツーエンド学習手法が提案され、マルチユーザシングルインプットマルチ出力(MU-SIMO)ジョイントトランスミッタとフェーディングチャネルにおける非コヒーレントレシーバー設計(JTRD)をアップリンクする。
送信側は、マルチユーザー波形設計を担当する並列線形層のグループとしてモデル化されています。
非コヒーレント受信機は、マルチユーザ検出(MUD)機能を提供するために、ディープフィードフォワードニューラルネットワーク(DFNN)によって形成される。
論文 参考訳（メタデータ） (2021-05-04T02:47:59Z) - Deep Learning-based Compressive Beam Alignment in mmWave Vehicular
Systems [75.77033270838926]
車両用チャネルは、より少ないチャネル測定でビームアライメントに活用できる構造を示す。
構造化圧縮センシング(CS)行列を設計するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-02-27T04:38:12Z) - Machine Learning for MU-MIMO Receive Processing in OFDM Systems [14.118477167150143]
従来の線形最小平均二乗誤差(LMMSE)アーキテクチャ上に構築したML強化MU-MIMO受信機を提案する。
cnnはチャネル推定誤差の2次統計量の近似を計算するために用いられる。
CNNベースのデマッパーは、多数の周波数分割多重記号とサブキャリアを共同で処理する。
論文 参考訳（メタデータ） (2020-12-15T09:55:37Z) - Deep Denoising Neural Network Assisted Compressive Channel Estimation
for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。
我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。
完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
論文 参考訳（メタデータ） (2020-06-03T12:18:57Z) - Channel Equilibrium Networks for Learning Deep Representation [63.76618960820138]
この研究は正規化と正則線型関数の組み合わせがチャネルを阻害することを示している。
阻害されたチャネルを単に取り除いた先行技術とは異なり、我々は、新しいニューラルネットワークビルディングブロックを設計することで、トレーニング中に「目を覚ます」ことを提案する。
Channel Equilibrium (CE) ブロックは、同じレイヤのチャネルが学習した表現に等しく寄与することを可能にする。
論文 参考訳（メタデータ） (2020-02-29T09:02:31Z) - Millimeter Wave Communications with an Intelligent Reflector:
Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。
チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。
最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
論文 参考訳（メタデータ） (2020-02-24T22:18:54Z)
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。