論文の概要: Massive MIMO Channel Prediction: Kalman Filtering vs. Machine Learning
- arxiv url: http://arxiv.org/abs/2009.09967v1
- Date: Mon, 21 Sep 2020 15:47:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 05:51:22.499925
- Title: Massive MIMO Channel Prediction: Kalman Filtering vs. Machine Learning
- Title（参考訳）: 大規模MIMOチャネル予測:Kalman Filtering vs. Machine Learning
- Authors: Hwanjin Kim, Sucheol Kim, Hyeongtaek Lee, Chulhee Jang, Yongyun Choi,
and Junil Choi
- Abstract要約: 本稿では,Multiple-input multiple-output (MIMO)システムにおけるチャネル予測手法について述べる。
ベクトルカルマンフィルタ(VKF)に基づくチャネル予測器と機械学習(ML)に基づくチャネル予測器を開発し比較する。
- 参考スコア（独自算出の注目度）: 18.939010023327498
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper focuses on channel prediction techniques for massive
multiple-input multiple-output (MIMO) systems. Previous channel predictors are
based on theoretical channel models, which would be deviated from realistic
channels. In this paper, we develop and compare a vector Kalman filter
(VKF)-based channel predictor and a machine learning (ML)-based channel
predictor using the realistic channels from the spatial channel model (SCM),
which has been adopted in the 3GPP standard for years. First, we propose a
low-complexity mobility estimator based on the spatial average using a large
number of antennas in massive MIMO. The mobility estimate can be used to
determine the complexity order of developed predictors. The VKF-based channel
predictor developed in this paper exploits the autoregressive (AR) parameters
estimated from the SCM channels based on the Yule-Walker equations. Then, the
ML-based channel predictor using the linear minimum mean square error
(LMMSE)-based noise pre-processed data is developed. Numerical results reveal
that both channel predictors have substantial gain over the outdated channel in
terms of the channel prediction accuracy and data rate. The ML-based predictor
has larger overall computational complexity than the VKF-based predictor, but
once trained, the operational complexity of ML-based predictor becomes smaller
than that of VKF-based predictor.
- Abstract（参考訳）: 本稿では,Multiple-input multiple-output (MIMO)システムにおけるチャネル予測手法について述べる。
従来のチャネル予測は、現実的なチャネルから逸脱する理論的なチャネルモデルに基づいている。
本稿では,ベクトルカルマンフィルタ(VKF)に基づくチャネル予測器と,空間チャネルモデル(SCM)を用いた機械学習(ML)に基づくチャネル予測器を開発し,比較する。
まず,大規模mimoにおける多数のアンテナを用いた空間平均に基づく低複雑度移動推定器を提案する。
モビリティ推定は、発達した予測器の複雑さの順序を決定するために用いられる。
本稿で開発したVKFチャネル予測器は,Yule-Walker方程式に基づいてSCMチャネルから推定される自己回帰(AR)パラメータを利用する。
次に、線形最小二乗誤差(LMMSE)に基づく雑音前処理データを用いたMLに基づくチャネル予測器を開発した。
計算結果から, チャネル予測器は, チャネル予測精度とデータレートの点で, 時代遅れのチャネルよりも大きく向上していることがわかった。
MLベースの予測器は、VKFベースの予測器よりも全体的な計算複雑性が大きいが、訓練されると、MLベースの予測器の運用複雑性はVKFベースの予測器よりも小さくなる。
関連論文リスト
- Scaling Laws for Predicting Downstream Performance in LLMs [75.28559015477137]
この研究は、性能評価のためのより効率的な指標として、事前学習損失に焦点を当てている。
我々は、データソース間のFLOPに基づいて、ドメイン固有の事前学習損失を予測するために、電力法解析関数を拡張した。
我々は2層ニューラルネットワークを用いて、複数のドメイン固有の損失と下流性能の非線形関係をモデル化する。
論文 参考訳（メタデータ） (2024-10-11T04:57:48Z) - CARD: Channel Aligned Robust Blend Transformer for Time Series
Forecasting [50.23240107430597]
本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。
まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。
第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。
第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
論文 参考訳（メタデータ） (2023-05-20T05:16:31Z) - Alternating Channel Estimation and Prediction for Cell-Free mMIMO with
Channel Aging: A Deep Learning Based Scheme [17.486123129104882]
大規模動的無線ネットワークでは,チャネル推定(CE)によるオーバーヘッドの増大が主な性能ボトルネックとなっている。
本稿では,マルチインプット・マルチインプット・マルチアウトプット(mMIMO)システムにおいて,時間分割デュプレックス(TDD)のオーバヘッドを低減するためのハイブリッドチャネル推定・予測手法を提案する。
論文 参考訳（メタデータ） (2022-04-16T20:27:01Z) - Predicting Multi-Antenna Frequency-Selective Channels via Meta-Learned
Linear Filters based on Long-Short Term Channel Decomposition [39.38412820403623]
我々は、転送/ミータ学習2次正規化に基づく単一アンテナ周波数平坦チャネルの予測器を開発する。
LSTDに基づく予測モデルのためのトランスファーアルゴリズムとメタラーニングアルゴリズムを導入する。
論文 参考訳（メタデータ） (2022-03-23T20:38:48Z) - Learning Cross-Scale Prediction for Efficient Neural Video Compression [30.051859347293856]
低レイテンシモードのUVGデータセット上のsRGB PSNRの観点から、最新のコーディング標準であるH.266/VVCと競合する最初のニューラルビデオを示す。
そこで我々は,より効率的な動き補償を実現する,新しいクロススケール予測モジュールを提案する。
論文 参考訳（メタデータ） (2021-12-26T03:12:17Z) - 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) - 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) - Model-Driven Deep Learning Based Channel Estimation and Feedback for
Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。
無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。
MDDLに基づくチャネル推定とフィードバック方式は,最先端の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） (2021-04-22T13:34:53Z) - 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) - Federated Learning for Channel Estimation in Conventional and
RIS-Assisted Massive MIMO [12.487990897680422]
機械学習によるチャネル推定では、通常、受信したパイロット信号を入力として、チャネルデータを出力として含むデータセットのモデルトレーニングが必要となる。
以前の研究では、モデルトレーニングは主に中央集権学習(CL)を通じて行われ、トレーニングデータセット全体がベースステーション(BS)のユーザから収集される。
チャネル推定のためのフェデレートラーニング(FL)フレームワークを提案する。BSに送信することなく、ユーザのローカルデータセットに基づいてトレーニングされた畳み込みニューラルネットワーク(CNN)を設計する。
雑音および量子化モデル伝送の性能評価を行い,提案手法がCLの約16倍のオーバヘッドを提供することを示す。
論文 参考訳（メタデータ） (2020-08-25T06:51:18Z) - 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。