論文の概要: PR-NN: RNN-based Detection for Coded Partial-Response Channels
- arxiv url: http://arxiv.org/abs/2007.15695v1
- Date: Thu, 30 Jul 2020 19:15:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-05 15:08:46.005498
- Title: PR-NN: RNN-based Detection for Coded Partial-Response Channels
- Title(参考訳): PR-NN:符号化部分応答チャネルのRNNに基づく検出
- Authors: Simeng Zheng, Yi Liu and Paul H. Siegel
- Abstract要約: シンボル間干渉(ISI)を用いた磁気記録チャネルのリカレントニューラルネットワーク(RNN)による検出について検討する。
我々は、ノイズチャネル出力シーケンスからISIチャネル入力を回復するために双方向ゲート再帰ユニット(bi-GRU)を訓練する。
PR-NNは、MMSE等化ローレンツ信号を持つより現実的な磁気記録チャネルに適用した場合、堅牢な性能を示す。
- 参考スコア(独自算出の注目度): 21.97711641359013
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we investigate the use of recurrent neural network (RNN)-based
detection of magnetic recording channels with inter-symbol interference (ISI).
We refer to the proposed detection method, which is intended for recording
channels with partial-response equalization, as Partial-Response Neural Network
(PR-NN). We train bi-directional gated recurrent units (bi-GRUs) to recover the
ISI channel inputs from noisy channel output sequences and evaluate the network
performance when applied to continuous, streaming data. The computational
complexity of PR-NN during the evaluation process is comparable to that of a
Viterbi detector. The recording system on which the experiments were conducted
uses a rate-2/3, (1,7) runlength-limited (RLL) code with an E2PR4
partial-response channel target. Experimental results with ideal PR signals
show that the performance of PR-NN detection approaches that of Viterbi
detection in additive white gaussian noise (AWGN). Moreover, the PR-NN detector
outperforms Viterbi detection and achieves the performance of Noise-Predictive
Maximum Likelihood (NPML) detection in additive colored noise (ACN) at
different channel densities. A PR-NN detector trained with both AWGN and ACN
maintains the performance observed under separate training. Similarly, when
trained with ACN corresponding to two different channel densities, PR-NN
maintains its performance at both densities. Experiments confirm that this
robustness is consistent over a wide range of signal-to-noise ratios (SNRs).
Finally, PR-NN displays robust performance when applied to a more realistic
magnetic recording channel with MMSE-equalized Lorentzian signals.
- Abstract(参考訳): 本稿では,リカレントニューラルネットワーク(RNN)を用いたシンボル間干渉(ISI)による磁気記録チャネルの検出について検討する。
提案手法は,部分応答等化チャネルを部分応答ニューラルネットワーク(pr-nn)として記録することを目的としている。
我々は、双方向ゲート再帰ユニット(bi-GRU)を訓練し、ノイズチャネル出力シーケンスからISIチャネル入力を復元し、連続的なストリーミングデータに適用した場合のネットワーク性能を評価する。
評価過程におけるPR-NNの計算複雑性は、ビタビ検出器と同等である。
実験を行った記録システムは、E2PR4部分応答チャネルターゲットを持つレート2/3 (1,7) ラン長制限符号を使用する。
理想的なpr信号を用いた実験の結果,添加白色ガウス雑音 (awgn) におけるpr-nn検出の性能はビタビ検出に近いことがわかった。
さらに、PR-NN検出器は、ビタビ検出より優れ、異なるチャネル密度の付加色雑音(ACN)におけるノイズ予測最大公約(NPML)検出の性能を達成する。
AWGNとACNの両方で訓練されたPR-NN検出器は、別個の訓練で観察された性能を維持している。
同様に、2つの異なるチャネル密度に対応するACNで訓練すると、PR-NNは両方の密度でその性能を維持する。
実験により、このロバスト性は幅広い信号-雑音比(SNRs)で一致していることを確認した。
最後に、MMSE等化ローレンツ信号を用いたより現実的な磁気記録チャネルに適用した場合、PR-NNは堅牢な性能を示す。
関連論文リスト
- Use of Parallel Explanatory Models to Enhance Transparency of Neural Network Configurations for Cell Degradation Detection [18.214293024118145]
我々は,ニューラルネットワークの内部動作を照らし,理解するための並列モデルを構築している。
RNNの各層が入力分布を変換して検出精度を高める方法を示す。
同時に、精度の向上を制限するために作用する副作用も発見する。
論文 参考訳(メタデータ) (2024-04-17T12:22:54Z) - A Universal Deep Neural Network for Signal Detection in Wireless Communication Systems [35.07773969966621]
無線通信におけるチャネル推定と信号検出のための有望なアプローチとして,Deep Learning (DL) が登場している。
無線チャネルの動的性質に対処するためには、新しい非老化データに基づいてDL手法を再訓練する必要がある。
本稿では,モデルを再学習することなく,様々な無線環境において高い検出性能を達成できる,新しいユニバーサルディープニューラルネットワーク(Uni-DNN)を提案する。
論文 参考訳(メタデータ) (2024-04-03T11:21:10Z) - 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 Learning Based Channel Estimation in High Mobility Communications
Using Bi-RNN Networks [7.310043452300738]
本稿では,2重選択チャネルを正確に推定する最適化された双方向リカレントニューラルネットワーク (Bi-RNN) を用いたチャネル推定手法を提案する。
開発されたBi-GRU推定器は、最近提案されたCNNベースの推定器を、異なる移動シナリオで大幅に上回っている。
論文 参考訳(メタデータ) (2023-04-29T09:20:28Z) - Spiking Neural Network Decision Feedback Equalization [70.3497683558609]
決定フィードバック等化器(DFE)に似たフィードバック構造を持つSNNベースの等化器を提案する。
提案手法は,3種類の模範チャネルに対して,従来の線形等化器よりも明らかに優れていることを示す。
決定フィードバック構造を持つSNNは、競合エネルギー効率の良いトランシーバへのパスを可能にする。
論文 参考訳(メタデータ) (2022-11-09T09:19:15Z) - 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) - Deep Convolutional Learning-Aided Detector for Generalized Frequency
Division Multiplexing with Index Modulation [0.0]
提案手法は、まずゼロフォース検出器(ZF)を用いて受信信号を前処理し、その後、畳み込みニューラルネットワーク(CNN)と完全連結ニューラルネットワーク(FCNN)からなるニューラルネットワークを用いる。
FCNN部は2つの完全に接続された層しか使用せず、複雑さとBER(bit error rate)パフォーマンスのトレードオフをもたらすことができる。
提案したディープ畳み込みニューラルネットワークに基づく検出・復調方式は,ZF検出器よりも高いBER性能を示し,複雑性が増大することが実証されている。
論文 参考訳(メタデータ) (2022-02-06T22:18:42Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳(メタデータ) (2020-11-17T12:52:18Z) - Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by
Spiking Neural Network [68.43026108936029]
雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。
このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。
実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
論文 参考訳(メタデータ) (2020-07-07T08:22:56Z) - 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。