論文の概要: Pruning the Pilots: Deep Learning-Based Pilot Design and Channel
Estimation for MIMO-OFDM Systems
- arxiv url: http://arxiv.org/abs/2006.11796v3
- Date: Mon, 12 Apr 2021 22:38:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 12:43:53.165079
- Title: Pruning the Pilots: Deep Learning-Based Pilot Design and Channel
Estimation for MIMO-OFDM Systems
- Title(参考訳): MIMO-OFDMシステムにおける深層学習に基づくパイロット設計とチャネル推定
- Authors: Mahdi Boloursaz Mashhadi and Deniz Gunduz
- Abstract要約: 本稿では,ニューラルネットワークを用いた共同パイロット設計とダウンリンクチャネル推定手法を提案する。
提案したNNアーキテクチャは、周波数対応のパイロット設計に完全連結層を使用し、線形最小二乗誤差(LMMSE)推定に優れる。
また、トレーニング中に高密度のNN層から少ない有意なニューロンを徐々に刈り取ることにより、効果的なパイロットリダクション手法を提案する。
- 参考スコア(独自算出の注目度): 8.401473551081748
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the large number of antennas and subcarriers the overhead due to pilot
transmission for channel estimation can be prohibitive in wideband massive
multiple-input multiple-output (MIMO) systems. This can degrade the overall
spectral efficiency significantly, and as a result, curtail the potential
benefits of massive MIMO. In this paper, we propose a neural network (NN)-based
joint pilot design and downlink channel estimation scheme for frequency
division duplex (FDD) MIMO orthogonal frequency division multiplex (OFDM)
systems. The proposed NN architecture uses fully connected layers for
frequency-aware pilot design, and outperforms linear minimum mean square error
(LMMSE) estimation by exploiting inherent correlations in MIMO channel matrices
utilizing convolutional NN layers. Our proposed NN architecture uses a
non-local attention module to learn longer range correlations in the channel
matrix to further improve the channel estimation performance. We also propose
an effective pilot reduction technique by gradually pruning less significant
neurons from the dense NN layers during training. This constitutes a novel
application of NN pruning to reduce the pilot transmission overhead. Our
pruning-based pilot reduction technique reduces the overhead by allocating
pilots across subcarriers non-uniformly and exploiting the inter-frequency and
inter-antenna correlations in the channel matrix efficiently through
convolutional layers and attention module.
- Abstract(参考訳): アンテナやサブキャリアの数が多ければ、広帯域マルチインプットマルチアウトプット(MIMO)システムでは、チャネル推定のパイロット送信によるオーバーヘッドが禁止される可能性がある。
これにより、スペクトル全体の効率が大幅に低下し、その結果、大規模なMIMOの潜在的な利益が減少する。
本稿では,周波数分割倍数(FDD)MIMO直交周波数分割多重(OFDM)システムのためのニューラルネットワークを用いた共同パイロット設計とダウンリンクチャネル推定手法を提案する。
提案したNNアーキテクチャは、周波数対応のパイロット設計に完全連結層を用いており、畳み込みNN層を用いたMIMOチャネル行列の固有相関を利用して線形平均二乗誤差(LMMSE)推定に優れる。
提案するNNアーキテクチャでは,非局所アテンションモジュールを用いてチャネル行列の長い範囲相関を学習し,チャネル推定性能をさらに向上する。
また,訓練中に密集したnn層から有意なニューロンを徐々に刈り取ることで,効果的なパイロット削減手法を提案する。
これは、パイロットトランスミッションオーバーヘッドを減らすためにNNプルーニングの新たな応用となる。
プルーニングに基づくパイロット低減手法は, サブキャリア間でパイロットを不均一に割り当て, 畳み込み層とアテンションモジュールを介してチャネルマトリクスの周波数間およびアンテナ間相関を効率的に活用することにより, オーバーヘッドを削減する。
関連論文リスト
- Low-Overhead Channel Estimation via 3D Extrapolation for TDD mmWave Massive MIMO Systems Under High-Mobility Scenarios [41.213515826100696]
本稿では,パイロットオーバヘッドを体系的に低減する空間的,周波数的,時間的領域(3D)チャネル外挿フレームワークを提案する。
数値計算の結果,提案手法はパイロット訓練のオーバーヘッドを16倍以上に抑えることができた。
論文 参考訳(メタデータ) (2024-06-13T07:42:25Z) - Joint Channel Estimation and Feedback with Masked Token Transformers in
Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。
エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。
提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文 参考訳(メタデータ) (2023-06-08T06:15:17Z) - Over-the-Air Split Machine Learning in Wireless MIMO Networks [56.27831295707334]
スプリット機械学習(ML)では、ニューラルネットワーク(NN)の異なるパーティションが異なる計算ノードによって実行される。
通信負担を軽減するため、OAC(Over-the-air calculation)は通信と同時に計算の全てまたは一部を効率的に実装することができる。
論文 参考訳(メタデータ) (2022-10-07T15:39:11Z) - Over-the-Air Design of GAN Training for mmWave MIMO Channel Estimation [35.62977046569772]
我々は,ノイズを受信したパイロット測度を利用して深層生成モデルの訓練を行う,教師なしオーバー・ザ・エア(OTA)アルゴリズムを開発した。
次に、逆問題として、限られた数のパイロット測定値からチャネル推定を定式化する。
提案するフレームワークは,実雑音のパイロット測定を用いてオンライントレーニングを行うことが可能である。
論文 参考訳(メタデータ) (2022-05-25T02:26:34Z) - Low Complexity Channel estimation with Neural Network Solutions [1.0499453838486013]
我々は、ダウンリンクシナリオでチャネル推定を実現するために、一般的な残差畳み込みニューラルネットワークをデプロイする。
チャネル推定における他のディープラーニング手法と比較して,平均二乗誤差計算の改善が示唆された。
論文 参考訳(メタデータ) (2022-01-24T19:55:10Z) - Channel Estimation Based on Machine Learning Paradigm for Spatial
Modulation OFDM [0.0]
ディープニューラルネットワーク(DNN)は、レイリーフェディングチャネル上のエンドツーエンドデータ検出のための空間変調直交周波数分割多重化(SM-OFDM)技術と統合されている。
提案システムは受信したシンボルを直接復調し,チャネル推定を暗黙的に行う。
論文 参考訳(メタデータ) (2021-09-15T10:54:56Z) - 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) - Model-Driven Deep Learning Based Channel Estimation and Feedback for
Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。
無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。
MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-04-22T13:34:53Z) - Deep Learning Based Antenna Selection for Channel Extrapolation in FDD
Massive MIMO [54.54508321463112]
大規模なマルチインプット多重出力(MIMO)システムでは、多数のアンテナが正確なチャネル状態情報を取得する上で大きな課題となる。
ニューラルネットワーク(NN)を用いて、アップリンクとダウンリンクチャネルデータセット間の固有の接続を捕捉し、アップリンクチャネル状態情報のサブセットからダウンリンクチャネルを外挿する。
アンテナサブセット選択問題について検討し、最高のチャネル外挿を実現し、NNのデータサイズを小さくする。
論文 参考訳(メタデータ) (2020-09-03T13:38:52Z) - 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)
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。