論文の概要: Antenna Selection for Improving Energy Efficiency in XL-MIMO Systems
- arxiv url: http://arxiv.org/abs/2009.02542v1
- Date: Sat, 5 Sep 2020 14:43:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-21 21:13:48.175529
- Title: Antenna Selection for Improving Energy Efficiency in XL-MIMO Systems
- Title（参考訳）: XL-MIMOシステムにおけるエネルギー効率向上のためのアンテナ選択
- Authors: Jos\'e Carlos Marinello, Taufik Abr\~ao, Abolfazl Amiri, Elisabeth de
Carvalho, Petar Popovski
- Abstract要約: 本稿では,最近提案された大規模大規模マルチインプット多重出力(XL-MIMO)システムについて考察する。
緑の視点では、数百から数千のアンテナを同時に起動することは効果的ではない。
総エネルギー効率(EE)の最大化を目的とした,XL-MIMOシステムに展開する4つのアンテナ選択(AS)手法を提案する。
- 参考スコア（独自算出の注目度）: 31.497083605792685
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the recently proposed extra-large scale massive multiple-input
multiple-output (XL-MIMO) systems, with some hundreds of antennas serving a
smaller number of users. Since the array length is of the same order as the
distance to the users, the long-term fading coefficients of a given user vary
with the different antennas at the base station (BS). Thus, the signal
transmitted by some antennas might reach the user with much more power than
that transmitted by some others. From a green perspective, it is not effective
to simultaneously activate hundreds or even thousands of antennas, since the
power-hungry radio frequency (RF) chains of the active antennas increase
significantly the total energy consumption. Besides, a larger number of
selected antennas increases the power required by linear processing, such as
precoding matrix computation, and short-term channel estimation. In this paper,
we propose four antenna selection (AS) approaches to be deployed in XL-MIMO
systems aiming at maximizing the total energy efficiency (EE). Besides,
employing some simplifying assumptions, we derive a closed-form analytical
expression for the EE of the XL-MIMO system, and propose a straightforward
iterative method to determine the optimal number of selected antennas able to
maximize it. The proposed AS schemes are based solely on long-term fading
parameters, thus, the selected antennas set remains valid for a relatively
large time/frequency intervals. Comparing the results, we find that the
genetic-algorithm based AS scheme usually achieves the best EE performance,
although our proposed highest normalized received power AS scheme also achieves
very promising EE performance in a simple and straightforward way.
- Abstract（参考訳）: 最近提案されている超大規模多重入力多重出力(xl-mimo)システムについて検討し,数百台のアンテナが少数のユーザを対象にしている。
配列長はユーザとの距離と同じ順序であるため、基地局(BS)の異なるアンテナによって、所定のユーザの長期フェーディング係数が変化する。
したがって、一部のアンテナが送信する信号は、他のアンテナが送信する信号よりもはるかに多くの電力でユーザーに届く可能性がある。
グリーンの観点からは、アクティブアンテナの電波周波数(RF)チェーンが総エネルギー消費を著しく増加させるため、数百から数千のアンテナを同時に活性化することは効果的ではない。
さらに、プリコーディング行列計算や短期チャネル推定などの線形処理に必要な電力も、選択されたアンテナの数が多いほど増大する。
本稿では,全エネルギー効率(EE)の最大化を目的とした,XL-MIMOシステムに展開する4つのアンテナ選択(AS)手法を提案する。
さらに,XL-MIMOシステムにおける脳波のクローズドフォーム解析式を導出し,それを最大化できる選択アンテナの最適数を決定するための簡単な反復法を提案する。
提案手法は長期化パラメータのみに基づいており、選択したアンテナセットは比較的大きな時間/周波数間隔で有効である。
結果と比較すると、遺伝アルゴリズムに基づくAS方式は、通常、最高のEE性能を達成するが、提案した最高の正規化受信パワーAS方式は、単純で簡単な方法で非常に有望なEE性能を達成する。
関連論文リスト
- Sum-Rate Maximization of RSMA-based Aerial Communications with Energy
Harvesting: A Reinforcement Learning Approach [5.35414932422173]
自給自足の航空基地局は、収穫されたエネルギーを利用して複数の利用者にサービスを提供する。
長期的観点からの総和率の最大化を考慮し、深層強化学習(DRL)アプローチを用いる。
提案手法は,平均和レート性能において,いくつかの基本手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-06-22T15:38:22Z) - 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) - Two-step Machine Learning Approach for Channel Estimation with Mixed
Resolution RF Chains [19.0581196881206]
機械学習(ML)アルゴリズムを適用し,効率的なアップリンクチャネル推定手法を提案する。
第1ステップでは、条件付き生成逆転ネットワーク(cGAN)は、フル解像度RFチェーンの限られたセットから低解像度RFチェーンアンテナ要素の残りの部分まで、無線チャネルを予測します。
長期長期メモリ(LSTM)ニューラルネットワークは、低分解能RFチェーンアンテナ要素からさらなる位相情報を抽出します。
論文 参考訳（メタデータ） (2021-01-24T12:33:54Z) - Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。
本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-08T12:48:06Z) - Distributional Reinforcement Learning for mmWave Communications with
Intelligent Reflectors on a UAV [119.97450366894718]
無人航空機(UAV)搭載のインテリジェントリフレクタ(IR)を用いた新しい通信フレームワークを提案する。
ダウンリンク和率を最大化するために、最適プリコーディング行列(基地局)と反射係数(IR)を共同で導出する。
論文 参考訳（メタデータ） (2020-11-03T16:50:37Z) - Deep Learning Based Antenna Selection for Channel Extrapolation in FDD
Massive MIMO [54.54508321463112]
大規模なマルチインプット多重出力(MIMO)システムでは、多数のアンテナが正確なチャネル状態情報を取得する上で大きな課題となる。
ニューラルネットワーク(NN)を用いて、アップリンクとダウンリンクチャネルデータセット間の固有の接続を捕捉し、アップリンクチャネル状態情報のサブセットからダウンリンクチャネルを外挿する。
アンテナサブセット選択問題について検討し、最高のチャネル外挿を実現し、NNのデータサイズを小さくする。
論文 参考訳（メタデータ） (2020-09-03T13:38:52Z) - Deep Learning Optimized Sparse Antenna Activation for Reconfigurable
Intelligent Surface Assisted Communication [54.72880662623178]
再構成可能なインテリジェントサーフェス(RIS)は通常、パッシブモードで動作する。
カスケードチャネル構造と信号処理能力の欠如により、RISが個々のチャネル状態情報を取得することは困難である。
本稿では、RISのアンテナの一部に信号処理ユニットを追加し、チャネルを部分的に取得する。
論文 参考訳（メタデータ） (2020-09-03T12:27:22Z) - Deep Learning for DOA Estimation in MIMO Radar Systems via Emulation of
Large Antenna Arrays [15.180687831560174]
我々は,小型アンテナアレイを用いたMUSICに基づくアリーバル推定手法を提案する。
我々は,仮想大アンテナアレイの信号再構成にディープラーニングを用いる。
論文 参考訳（メタデータ） (2020-07-27T19:33:57Z)
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。