論文の概要: A Markovian Model-Driven Deep Learning Framework for Massive MIMO CSI
Feedback
- arxiv url: http://arxiv.org/abs/2009.09468v1
- Date: Sun, 20 Sep 2020 16:26:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 13:15:51.504709
- Title: A Markovian Model-Driven Deep Learning Framework for Massive MIMO CSI
Feedback
- Title（参考訳）: 大規模MIMO CSIフィードバックのためのマルコフモデル駆動ディープラーニングフレームワーク
- Authors: Zhenyu Liu, Mason del Rosario, and Zhi Ding
- Abstract要約: 前向きチャネル状態情報(CSI)は、MIMO(Multiple-input multiple-output)通信システムにおける送信最適化において重要な役割を果たす。
リカレントニューラルネットワーク(RNN)の使用に関する最近の研究は、計算とメモリのコストは高いが、強い確証を示している。
本研究では,フィードバック効率を大幅に向上させるために,チャネルコヒーレンスを時間内に活用する。
- 参考スコア（独自算出の注目度）: 32.442094263278605
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forward channel state information (CSI) often plays a vital role in
scheduling and capacity-approaching transmission optimization for massive
multiple-input multiple-output (MIMO) communication systems. In frequency
division duplex (FDD) massive MIMO systems, forwardlink CSI reconstruction at
the transmitter relies critically on CSI feedback from receiving nodes and must
carefully weigh the tradeoff between reconstruction accuracy and feedback
bandwidth. Recent studies on the use of recurrent neural networks (RNNs) have
demonstrated strong promises, though the cost of computation and memory remains
high, for massive MIMO deployment. In this work, we exploit channel coherence
in time to substantially improve the feedback efficiency. Using a Markovian
model, we develop a deep convolutional neural network (CNN)-based framework
MarkovNet to differentially encode forward CSI in time to effectively improve
reconstruction accuracy. Furthermore, we explore important physical insights,
including spherical normalization of input data and convolutional layers for
feedback compression. We demonstrate substantial performance improvement and
complexity reduction over the RNN-based work by our proposed MarkovNet to
recover forward CSI estimates accurately. We explore additional practical
consideration in feedback quantization, and show that MarkovNet outperforms
RNN-based CSI estimation networks at a fraction of the computational cost.
- Abstract（参考訳）: 前向きチャネル状態情報(CSI)は、MIMO(Multiple-input multiple-output)通信システムのためのスケジューリングとキャパシティ適応送信最適化において重要な役割を果たすことが多い。
周波数分割型MIMOシステムでは、送信機のフォワードリンクCSI再構成は受信ノードからのCSIフィードバックに大きく依存し、復元精度とフィードバック帯域のトレードオフを慎重に検討する必要がある。
リカレントニューラルネットワーク(RNN)の使用に関する最近の研究は、計算とメモリのコストは高いが、大規模なMIMOデプロイメントでは強い期待を示している。
本研究では,チャネルコヒーレンスを時間内に活用し,フィードバック効率を大幅に向上させる。
マルコフモデルを用いて,CSIの進行を差分符号化して再構成精度を効果的に向上する,深層畳み込みニューラルネットワーク(CNN)ベースのフレームワークであるマルコフネットを開発した。
さらに、入力データの球面正規化やフィードバック圧縮のための畳み込み層など、重要な物理的洞察を探索する。
我々は,提案したMarkovNetによるRNNベースの作業に対して,大幅な性能向上と複雑性の低減を実証し,CSI推定を正確に回復する。
フィードバック量子化におけるさらなる実践的考察を行い、MarkovNetが計算コストのごく一部でRNNベースのCSI推定ネットワークより優れていることを示す。
関連論文リスト
- Scalable Mechanistic Neural Networks [52.28945097811129]
長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。
元のメカニスティックニューラルネットワーク (MNN) を再構成することにより、計算時間と空間の複雑さを、それぞれ、列長に関して立方体と二次体から線形へと減少させる。
大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
論文 参考訳（メタデータ） (2024-10-08T14:27:28Z) - Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
大規模空間問題に対する学習効率を向上させるために移動学習を用いる。
畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
論文 参考訳（メタデータ） (2023-06-14T01:24:42Z) - 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) - Overview of Deep Learning-based CSI Feedback in Massive MIMO Systems [77.0986534024972]
ディープラーニング(DL)ベースのCSIフィードバックは、DLベースのオートエンコーダによるCSI圧縮と再構築を指し、フィードバックオーバーヘッドを大幅に削減することができる。
その焦点は、CSIフィードバックの正確性を改善するために、新しいニューラルネットワークアーキテクチャとコミュニケーション専門家の知識の利用である。
論文 参考訳（メタデータ） (2022-06-29T03:28:57Z) - CSI Feedback with Model-Driven Deep Learning of Massive MIMO Systems [0.0]
モデル駆動深層学習に基づく2段階低ランクCSIフィードバック方式を提案する。
さらに、より効率的なCSIフィードバックを実現するために、高速反復収縮しきい値アルゴリズム(FISTA)を展開させることにより、FISTA-Netというディープ反復ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2021-12-13T03:50:43Z) - Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid
Precoding [94.40747235081466]
本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。
我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
論文 参考訳（メタデータ） (2021-10-22T20:49:02Z) - Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。
d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。
トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
論文 参考訳（メタデータ） (2021-08-20T11:53:05Z) - Binarized Aggregated Network with Quantization: Flexible Deep Learning
Deployment for CSI Feedback in Massive MIMO System [22.068682756598914]
アグリゲートチャネル再構築ネットワーク(ACRNet)と呼ばれる新しいネットワークは、フィードバックパフォーマンスを高めるように設計されています。
異なる資源制約を満たすために,ネットワークを柔軟に適応させる弾性フィードバック方式を提案する。
実験の結果、提案したACRNetは従来の最先端ネットワークの負荷よりも優れていた。
論文 参考訳（メタデータ） (2021-05-01T22:50:25Z) - Aggregated Network for Massive MIMO CSI Feedback [18.04633171156304]
ACRNetは、ネットワークアグリゲーションとパラメトリックなRuLUアクティベーションによってフィードバック性能を向上させるように設計されている。
実験では、ACRNetは追加情報なしで、以前の最先端のフィードバックネットワークの負荷を上回ります。
論文 参考訳（メタデータ） (2021-01-17T08:19:40Z) - Deep Learning for Massive MIMO Channel State Acquisition and Feedback [7.111650988432555]
大規模マルチインプット・マルチアウトプット(MIMO)システムは、5Gおよび次世代無線ネットワークにおける過度なスループット要求を実現する主要な手段である。
トレーニングプロセスによって取得される正確でタイムリーなチャネル状態情報(CSI)が必要である。
本稿では、CSI取得オーバーヘッドを減らし、複雑さを減らし、ニューラルネットワーク(NN)をトレーニングプロセスでどのように使用できるかを概説する。
論文 参考訳（メタデータ） (2020-02-17T13:16:34Z)
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。