論文の概要: Jointly Sparse Signal Recovery and Support Recovery via Deep Learning
with Applications in MIMO-based Grant-Free Random Access
- arxiv url: http://arxiv.org/abs/2008.01992v3
- Date: Tue, 8 Sep 2020 07:10:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 18:59:14.798034
- Title: Jointly Sparse Signal Recovery and Support Recovery via Deep Learning
with Applications in MIMO-based Grant-Free Random Access
- Title（参考訳）: MIMOをベースとしたグラントフリーランダムアクセスを用いた深層学習による信号の分離と支援
- Authors: Ying Cui, Shuaichao Li, Wanqing Zhang
- Abstract要約: 本稿では,実数に対する標準オートエンコーダ構造に基づく2つのモデル駆動手法を提案する。
1つは、共通測定行列と共同スパース信号回復法を共同設計することである。
もうひとつは,共用測定行列と連用スパース支持回収法を共同設計することを目的としている。
- 参考スコア（独自算出の注目度）: 9.709229853995991
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we investigate jointly sparse signal recovery and jointly
sparse support recovery in Multiple Measurement Vector (MMV) models for complex
signals, which arise in many applications in communications and signal
processing. Recent key applications include channel estimation and device
activity detection in MIMO-based grant-free random access which is proposed to
support massive machine-type communications (mMTC) for Internet of Things
(IoT). Utilizing techniques in compressive sensing, optimization and deep
learning, we propose two model-driven approaches, based on the standard
auto-encoder structure for real numbers. One is to jointly design the common
measurement matrix and jointly sparse signal recovery method, and the other
aims to jointly design the common measurement matrix and jointly sparse support
recovery method. The proposed model-driven approaches can effectively utilize
features of sparsity patterns in designing common measurement matrices and
adjusting model-driven decoders, and can greatly benefit from the underlying
state-of-the-art recovery methods with theoretical guarantee. Hence, the
obtained common measurement matrices and recovery methods can significantly
outperform the underlying advanced recovery methods. We conduct extensive
numerical results on channel estimation and device activity detection in
MIMO-based grant-free random access. The numerical results show that the
proposed approaches provide pilot sequences and channel estimation or device
activity detection methods which can achieve higher estimation or detection
accuracy with shorter computation time than existing ones. Furthermore, the
numerical results explain how such gains are achieved via the proposed
approaches.
- Abstract（参考訳）: 本稿では,通信や信号処理の多くの応用において,複合信号の多重計測ベクトル(mmv)モデルにおいて,協調的にスパース信号の回復とスパース支持の回復について検討する。
最近の主要な応用としては、IoT(Internet of Things)のための大規模な機械型通信(mMTC)をサポートするために提案されているMIMOベースの無許可ランダムアクセスにおけるチャネル推定とデバイスアクティビティ検出がある。
圧縮センシング,最適化,深層学習の手法を用いて,実数に対する標準オートエンコーダ構造に基づく2つのモデル駆動手法を提案する。
1つは共用測定行列と共用分離信号回収法を共同設計し、もう1つは共用測定行列と共用分離支持回収法を共同設計することを目的とする。
提案するモデル駆動アプローチは,共通の計測行列の設計やモデル駆動デコーダの調整において,スパーシティパターンの特徴を効果的に活用することができる。
これにより、得られた共通測定行列および回収方法が、基礎となる高度な回収方法を大幅に上回ることができる。
提案手法は,MIMOに基づく無許可ランダムアクセスにおけるチャネル推定とデバイスアクティビティ検出に関する広範な数値計算を行う。
シミュレーションの結果,提案手法は,既存の手法よりも短い計算時間で高い推定精度や検出精度を達成できるパイロットシーケンスやチャネル推定,デバイスアクティビティ検出手法を提供することが示された。
さらに,提案手法により得られた成果を数値的に示す。
関連論文リスト
- Downlink MIMO Channel Estimation from Bits: Recoverability and Algorithm [47.7091447096969]
主な課題は、ユーザ機器(UE)からの限られたフィードバックから基地局(BS)のダウンリンクチャネル状態情報(CSI)を取得することである。
本稿では、UE側で圧縮とガウスディザリングに基づく量子化戦略を採用し、BS側で最大極大推定器(MLE)を定式化する単純なフィードバックフレームワークを提案する。
このアルゴリズムは、高次高調波探索(HR)ソルバをサブルーチンとして統合するために慎重に設計されており、この難しいMLE問題に効果的に取り組む鍵であることが判明した。
論文 参考訳（メタデータ） (2024-11-25T02:15:01Z) - Deep Learning-Based Approach for User Activity Detection with Grant-Free Random Access in Cell-Free Massive MIMO [0.8520624117635328]
本稿では,アクティビティ検出問題への教師付き機械学習モデルの適用について検討する。
本研究では, セルフリー・マス・マルチ入力多重出力(CF-mMIMO)ネットワークにおいて, ユーザアクティビティ検出に特化して設計されたデータ駆動アルゴリズムを提案する。
このアルゴリズムは99%の精度を達成し、実世界のアプリケーションで有効性を確認します。
論文 参考訳（メタデータ） (2024-06-11T11:08:33Z) - Weakly supervised covariance matrices alignment through Stiefel matrices
estimation for MEG applications [64.20396555814513]
本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。
我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。
MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
論文 参考訳（メタデータ） (2024-01-24T19:04:49Z) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳（メタデータ） (2021-09-06T13:42:32Z) - Deep Learning-Based Active User Detection for Grant-free SCMA Systems [12.565459084483045]
グループベースのディープニューラルネットワークアクティブユーザ検出方式を2つ提案する。
スキームは非線形マッピング、すなわち多次元コードブック構造とチャネル特性を学ぶ。
オフラインで事前訓練されたモデルは、チャネル状態情報なしでアクティブなデバイスを検出することができる。
論文 参考訳（メタデータ） (2021-06-21T15:34:14Z) - LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。
LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。
無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文 参考訳（メタデータ） (2021-02-05T04:26:05Z) - 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) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z)
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。