論文の概要: mpNet: variable depth unfolded neural network for massive MIMO channel
estimation
- arxiv url: http://arxiv.org/abs/2008.04088v3
- Date: Thu, 9 Dec 2021 09:47:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 01:04:18.785666
- Title: mpNet: variable depth unfolded neural network for massive MIMO channel
estimation
- Title（参考訳）: mpNet:大容量MIMOチャネル推定のための可変深度展開ニューラルネットワーク
- Authors: Taha Yassine (IRT b-com, Hypermedia), Luc Le Magoarou (IRT b-com,
Hypermedia)
- Abstract要約: データレートとエネルギー効率の両面で、MIMO(Multiple-input multiple-output)通信システムは大きな可能性を秘めている。
物理モデルを使用することで、伝播の物理に基づいて事前情報を注入することで、問題を緩和することができる。
しかし、そのようなモデルは仮定の単純化に頼っており、実際には非現実的なシステムの構成を正確に知る必要がある。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Massive multiple-input multiple-output (MIMO) communication systems have a
huge potential both in terms of data rate and energy efficiency, although
channel estimation becomes challenging for a large number of antennas. Using a
physical model allows to ease the problem by injecting a priori information
based on the physics of propagation. However, such a model rests on simplifying
assumptions and requires to know precisely the configuration of the system,
which is unrealistic in practice.In this paper we present mpNet, an unfolded
neural network specifically designed for massive MIMO channel estimation. It is
trained online in an unsupervised way. Moreover, mpNet is computationally
efficient and automatically adapts its depth to the signal-to-noise ratio
(SNR). The method we propose adds flexibility to physical channel models by
allowing a base station (BS) to automatically correct its channel estimation
algorithm based on incoming data, without the need for a separate offline
training phase.It is applied to realistic millimeter wave channels and shows
great performance, achieving a channel estimation error almost as low as one
would get with a perfectly calibrated system. It also allows incident detection
and automatic correction, making the BS resilient and able to automatically
adapt to changes in its environment.
- Abstract（参考訳）: mimo(massive multi-input multiple-output)通信システムは、データレートとエネルギー効率の両方において大きな可能性を秘めているが、多くのアンテナではチャネル推定が難しい。
物理モデルを用いることで、伝播の物理に基づく事前情報を注入することで問題を緩和することができる。
しかし,このようなモデルは仮定の単純化に重きを置き,実際には非現実的なシステム構成を正確に把握する必要がある。本論文では,大規模mimoチャネル推定用に設計された,未解決のニューラルネットワークmpnetを提案する。
オンラインでは教師なしで訓練されている。
さらにmpnetは計算効率が良く、信号対雑音比(snr)に自動的に適応する。
そこで本提案手法では,受信したデータに基づいてチャネル推定アルゴリズムを自動修正することで,物理チャネルモデルに柔軟性を付与し,実際のミリ波チャネルに適用し,完全に校正されたシステムとほぼ同等の精度でチャネル推定誤差を実現する。
また、インシデント検出と自動修正が可能で、BSは弾力性があり、環境の変化に自動的に適応できる。
関連論文リスト
- An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳（メタデータ） (2022-01-09T09:31:50Z) - CONet: Channel Optimization for Convolutional Neural Networks [33.58529066005248]
畳み込みニューラルネットワーク(CNN)におけるチャネルサイズ最適化の検討
ネットワーク層をまたいだCNNのチャネルサイズを自動的に最適化する,効率的な動的スケーリングアルゴリズムであるConetを導入します。
CIFAR10/100およびImageNetデータセット上で実験を行い、ConetがResNet、DARTS、DARTS+空間で探索された効率的で正確なアーキテクチャを見つけることができることを示す。
論文 参考訳（メタデータ） (2021-08-15T21:48:25Z) - Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。
受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。
エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文 参考訳（メタデータ） (2021-08-03T14:26:14Z) - 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) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳（メタデータ） (2021-06-02T07:36:27Z) - Machine Learning for MU-MIMO Receive Processing in OFDM Systems [14.118477167150143]
従来の線形最小平均二乗誤差(LMMSE)アーキテクチャ上に構築したML強化MU-MIMO受信機を提案する。
cnnはチャネル推定誤差の2次統計量の近似を計算するために用いられる。
CNNベースのデマッパーは、多数の周波数分割多重記号とサブキャリアを共同で処理する。
論文 参考訳（メタデータ） (2020-12-15T09:55:37Z) - AutoPruning for Deep Neural Network with Dynamic Channel Masking [28.018077874687343]
深層ニューラルネットワークのための学習に基づくオートプルーニングアルゴリズムを提案する。
まず、各層に対する重みと最良チャネルを目的とする2つの目的の問題を定式化する。
次に、最適なチャネル数と重みを同時に導出するために、別の最適化手法を提案する。
論文 参考訳（メタデータ） (2020-10-22T20:12:46Z) - Harnessing Wireless Channels for Scalable and Privacy-Preserving
Federated Learning [56.94644428312295]
無線接続は、フェデレートラーニング(FL)の実現に有効である
Channel randomnessperturbs 各ワーカはモデル更新をインバージョンし、複数のワーカはバンド幅に大きな干渉を発生させる。
A-FADMMでは、すべてのワーカーがモデル更新をアナログ送信を介して単一のチャンネルを使用してパラメータサーバにアップロードする。
これは通信帯域幅を節約するだけでなく、各ワーカーの正確なモデル更新軌跡を任意の盗聴者から隠蔽する。
論文 参考訳（メタデータ） (2020-07-03T16:31:15Z) - Online unsupervised deep unfolding for MIMO channel estimation [0.0]
チャネル推定のためのオンライン学習を大規模に行うことを提案する。
これにより、不完全なモデルでオンラインにトレーニングできる計算効率のよいニューラルネットワークが実現される。
現実的なチャネルに適用され、優れた性能を示し、完全に校正されたシステムで得られるチャネル推定誤差をほぼ低くする。
論文 参考訳（メタデータ） (2020-04-30T07:32:58Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2020-04-06T15:51:00Z) - 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。