Fugu-MT 論文翻訳(概要): Massive MIMO As an Extreme Learning Machine

論文の概要: Massive MIMO As an Extreme Learning Machine

arxiv url: http://arxiv.org/abs/2007.00221v2
Date: Mon, 28 Dec 2020 22:56:44 GMT
ステータス: 処理完了
システム内更新日: 2022-11-14 23:47:06.169882
Title: Massive MIMO As an Extreme Learning Machine
Title（参考訳）: 極端学習マシンとしてのMIMO
Authors: Dawei Gao, Qinghua Guo and Yonina C. Eldar
Abstract要約: 低分解能アナログ・デジタルコンバータ(ADC)を用いたMIMOシステムによる自然極端学習機械(ELM)の試作受信した信号にランダムなバイアスを加え、ELM出力の重みを最適化することにより、システムはハードウェアの障害に効果的に取り組むことができる。
参考スコア（独自算出の注目度）: 83.12538841141892
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work shows that a massive multiple-input multiple-output (MIMO) system with low-resolution analog-to-digital converters (ADCs) forms a natural extreme learning machine (ELM). The receive antennas at the base station serve as the hidden nodes of the ELM, and the low-resolution ADCs act as the ELM activation function. By adding random biases to the received signals and optimizing the ELM output weights, the system can effectively tackle hardware impairments, such as the nonlinearity of power amplifiers and the low-resolution ADCs. Moreover, the fast adaptive capability of ELM allows the design of an adaptive receiver to address time-varying effects of MIMO channels. Simulations demonstrate the promising performance of the ELM-based receiver compared to conventional receivers in dealing with hardware impairments.
Abstract（参考訳）: この研究は、低分解能アナログ-デジタル変換器(ADC)を備えたMIMO(Multiple-input multiple-output)システムが自然極端学習機械(ELM)を形成することを示す。基地局の受信アンテナはELMの隠れノードとして機能し、低解像度のADCはELM活性化機能として機能する。受信した信号にランダムバイアスを加えてELM出力の重みを最適化することにより、パワーアンプの非線形性や低分解能ADCなどのハードウェア障害に効果的に取り組むことができる。さらに、EMMの高速適応機能により、MIMOチャネルの時間変化に対処する適応受信機の設計が可能となる。シミュレーションにより,従来の受信機と比較して,EMMベースの受信機の性能が期待できることを示す。

関連論文リスト

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)
Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文参考訳（メタデータ） (2023-09-16T11:37:23Z)
An ML-assisted OTFS vs. OFDM adaptable modem [1.8492669447784602]
OTFSおよびOFDM波形は、レガシーアーキテクチャの再利用、レシーバ設計の単純さ、低複雑さ検出の利点を享受する。本稿では,送信機におけるOTFSまたはOFDM信号処理チェーンと受信機とを切り替えて,平均二乗誤差(MSE)性能を最適化するディープニューラルネットワーク(DNN)に基づく適応方式を提案する。
論文参考訳（メタデータ） (2023-09-04T02:33:44Z)
A system design approach toward integrated cryogenic quantum control systems [0.3182204845791219]
大規模量子システムのための制御エレクトロニクスの設計に関するシステムレベルの視点を提供する。低温CMOSはスケーラブル量子コンピュータの実現において重要な役割を担っている。
論文参考訳（メタデータ） (2022-11-03T18:24:27Z)
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)
Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文参考訳（メタデータ） (2022-05-02T12:23:55Z)
Waveform Learning for Reduced Out-of-Band Emissions Under a Nonlinear Power Amplifier [15.615546727945501]
送信機電力増幅器が非線形に動作しているシナリオを考察し,帯域外放出を最小限に抑えるために波形の最適化にMLを用いる。シミュレーション結果から,このようなエンドツーエンド最適化システムにより,帯域外エミッションがより正確かつ少ないデータ通信が可能であることが示唆された。これらの知見は6Gのビルディングブロックの1つであるMLネイティブのエアインターフェースへの道を開いた。
論文参考訳（メタデータ） (2022-01-14T15:51:07Z)
HybridDeepRx: Deep Learning Receiver for High-EVM Signals [13.678714245633596]
機械学習(ML)を用いたOFDM信号の復調のための物理層レシーバソリューションを提案する。時間領域と周波数領域の両方に層を含む、新しいディープラーニングベースの畳み込みニューラルネットワークレシーバが考案された。
論文参考訳（メタデータ） (2021-06-30T14:10:01Z)
Fine Timing and Frequency Synchronization for MIMO-OFDM: An Extreme Learning Approach [8.432859469083951]
極端学習機械(ELM)を用いて高精度同期を実現する手法を提案する。提案手法は,チャネルパラメータの選択や,機械学習の観点からの「一般化能力」の観点からも頑健である。
論文参考訳（メタデータ） (2020-07-17T21:41:38Z)
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。