論文の概要: Fine Timing and Frequency Synchronization for MIMO-OFDM: An Extreme Learning Approach

• arxiv url: http://arxiv.org/abs/2007.09248v5
• Date: Wed, 1 Jun 2022 05:35:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 14:49:47.901067
• Title: Fine Timing and Frequency Synchronization for MIMO-OFDM: An Extreme Learning Approach
• Title（参考訳）: MIMO-OFDMの微細タイミングと周波数同期:極端学習アプローチ
• Authors: Jun Liu, Kai Mei, Xiaochen Zhang, Des McLernon, Dongtang Ma, Jibo Wei and Syed Ali Raza Zaidi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.432859469083951
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiple-input multiple-output orthogonal frequency-division multiplexing (MIMO-OFDM) is a key technology component in the evolution towards cognitive radio (CR) in next-generation communication in which the accuracy of timing and frequency synchronization significantly impacts the overall system performance. In this paper, we propose a novel scheme leveraging extreme learning machine (ELM) to achieve high-precision synchronization. Specifically, exploiting the preamble signals with synchronization offsets, two ELMs are incorporated into a traditional MIMO-OFDM system to estimate both the residual symbol timing offset (RSTO) and the residual carrier frequency offset (RCFO). The simulation results show that the performance of the proposed ELM-based synchronization scheme is superior to the traditional method under both additive white Gaussian noise (AWGN) and frequency selective fading channels. Furthermore, comparing with the existing machine learning based techniques, the proposed method shows outstanding performance without the requirement of perfect channel state information (CSI) and prohibitive computational complexity. Finally, the proposed method is robust in terms of the choice of channel parameters (e.g., number of paths) and also in terms of "generalization ability" from a machine learning standpoint.
• Abstract（参考訳）: 多入力多重出力直交周波数分割多重化(mimo-ofdm)は、タイミングと周波数同期の精度がシステム全体の性能に大きく影響する次世代通信における認知無線(cr)の発展における重要な技術要素である。 本稿では,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。 具体的には、同期オフセットによるプリアンブル信号を利用して、2つのEMMを従来のMIMO-OFDMシステムに組み込んで、残留シンボルタイミングオフセット(RSTO)と残留キャリア周波数オフセット(RCFO)の両方を推定する。 シミュレーションの結果,提案手法は付加的な白色ガウス雑音 (AWGN) と周波数選択型フェーディングチャネルの両方で従来の手法よりも優れていた。 さらに,提案手法は,既存の機械学習手法と比較して,完全チャネル状態情報(csi)や計算複雑性を必要とせず,優れた性能を示す。 最後に,提案手法は,チャネルパラメータ(パス数など)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。

関連論文リスト

• Deep Learning-Based Frequency Offset Estimation [7.143765507026541]
  残差ネットワーク(ResNet)を用いて信号の特徴を学習し抽出することで,CFO推定におけるディープラーニングの利用について述べる。 従来のCFO推定法と比較して,提案手法は様々なシナリオにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-11-08T13:56:22Z)
• 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)
• 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)
• Deep Reinforcement Learning for IRS Phase Shift Design in Spatiotemporally Correlated Environments [93.30657979626858]
  本稿では,チャネル相関と目的地動きを考慮したディープアクター批判アルゴリズムを提案する。 チャネルが時間的に相関している場合、コンバージェンスを抑制する方法において、関数近似を伴う状態表現にSNRを組み込むことが示される。
  論文  参考訳（メタデータ） (2022-11-02T22:07:36Z)
• Random Orthogonalization for Federated Learning in Massive MIMO Systems [85.71432283670114]
  大規模マルチインプット・マルチアウトプット(MIMO)無線システムにおいて,フェデレートラーニング(FL)のための新しい通信設計を提案する。 ランダム直交化の主な特徴は、FLの密結合と、チャネル硬化と良好な伝播の2つの特徴から生じる。 我々は、この原理をダウンリンク通信フェーズに拡張し、FLの簡易かつ高効率なモデル放送法を開発する。
  論文  参考訳（メタデータ） (2022-10-18T14:17:10Z)
• A Demonstration of Over-the-Air Computation for Federated Edge Learning [8.22379888383833]
  提案手法は受信方向と送信方向の同期波形の検出に依存する。 この同期手法を低コストのSDRに実装することにより、周波数シフトキー(FSK)ベースの多数決(MV)の性能を示す。
  論文  参考訳（メタデータ） (2022-09-20T19:08:49Z)
• 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)
• Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
  状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。 状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。 時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
  論文  参考訳（メタデータ） (2021-10-26T17:35:21Z)
• Enhancement of Spatial Clustering-Based Time-Frequency Masks using LSTM Neural Networks [3.730592618611028]
  我々はLSTMを用いて空間クラスタリングに基づく時間周波数マスクを強化する。 複数の単一チャネルLSTM-DNN音声強調器の信号モデリング性能と信号分離性能を両立させる。 カルディ自動音声認識装置の単語誤り率を用いて各システムの出力の可知性を評価する。
  論文  参考訳（メタデータ） (2020-12-02T22:29:29Z)
• Deep Learning Based Equalizer for MIMO-OFDM Systems with Insufficient Cyclic Prefix [11.11468231197267]
  特に、信号検出性能は、キャリア間干渉(ICI)とシンボル間干渉(ISI)によって著しく損なわれている。 この問題に対処するために,最大確率検出を近似するために,深層学習に基づく等化器を提案する。 その結果,提案手法は従来の2つのベースライン方式と比較して,大幅な性能向上を実現可能であることがわかった。
  論文  参考訳（メタデータ） (2020-07-23T02:21:24Z)
• Massive MIMO As an Extreme Learning Machine [83.12538841141892]
  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。
  論文  参考訳（メタデータ） (2020-07-01T04:15:20Z)

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。