Fugu-MT 論文翻訳(概要): Low Complexity Neural Network Structures for Self-Interference Cancellation in Full-Duplex Radio

論文の概要: Low Complexity Neural Network Structures for Self-Interference Cancellation in Full-Duplex Radio

arxiv url: http://arxiv.org/abs/2009.11361v1
Date: Wed, 23 Sep 2020 20:10:08 GMT
ステータス: 処理完了
システム内更新日: 2022-10-15 16:56:09.929072
Title: Low Complexity Neural Network Structures for Self-Interference Cancellation in Full-Duplex Radio
Title（参考訳）: 完全二重無線における自己干渉キャンセルのための低複雑性ニューラルネットワーク構造
Authors: Mohamed Elsayed, Ahmad A. Aziz El-Banna, Octavia A. Dobre, Wanyi Shiu, and Peiwei Wang
Abstract要約: 計算複雑性を低減したSI信号のモデリングには,2つの新しい低複雑性ニューラルネットワーク(NN)が提案されている。 2つの構造はラダーワイドグリッド構造(LWGS)と移動ウィンドウグリッド構造(MWGS)と呼ばれる。シミュレーションの結果,LWGSとMWGSベースのキャンセル器はNNベースのキャンセル器と同じキャンセル性能が得られることがわかった。
参考スコア（独自算出の注目度）: 21.402093766480746
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Self-interference (SI) is considered as a main challenge in full-duplex (FD) systems. Therefore, efficient SI cancelers are required for the influential deployment of FD systems in beyond fifth-generation wireless networks. Existing methods for SI cancellation have mostly considered the polynomial representation of the SI signal at the receiver. These methods are shown to operate well in practice while requiring high computational complexity. Alternatively, neural networks (NNs) are envisioned as promising candidates for modeling the SI signal with reduced computational complexity. Consequently, in this paper, two novel low complexity NN structures, referred to as the ladder-wise grid structure (LWGS) and moving-window grid structure (MWGS), are proposed. The core idea of these two structures is to mimic the non-linearity and memory effect introduced to the SI signal in order to achieve proper SI cancellation while exhibiting low computational complexity. The simulation results reveal that the LWGS and MWGS NN-based cancelers attain the same cancellation performance of the polynomial-based canceler while providing 49.87% and 34.19% complexity reduction, respectively.
Abstract（参考訳）: 自己干渉 (si) はフルデュプレックス (fd) システムの主要な課題であると考えられている。したがって、第5世代の無線ネットワークにFDシステムを効果的に展開するには、効率的なSIキャンセラが必要である。既存のSIキャンセル方式は、受信機におけるSI信号の多項式表現を主に考慮している。これらの手法は、高い計算複雑性を必要としながら、実際にうまく動作することが示されている。あるいは、ニューラルネットワーク(NN)が、計算複雑性を低減したSI信号のモデリング候補として期待されている。そこで本研究では,LWGS (Lager-wise grid structure) とMWGS ( moving-window grid structure) と呼ばれる2つの新しい低複雑性NN構造を提案する。これらの2つの構造の中核となる考え方は、SI信号に導入された非線形性とメモリ効果を模倣し、計算複雑性を低く保ち、適切なSIキャンセルを実現することである。シミュレーションの結果、lwgsとmwgs nnベースのキャンセラはそれぞれ49.87%と34.19%の複雑さ低減を提供しながら、多項式系キャンセラと同じキャンセル性能を達成することがわかった。

関連論文リスト

Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。 PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。 PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文参考訳（メタデータ） (2022-10-14T15:01:32Z)
Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文参考訳（メタデータ） (2022-10-08T04:32:58Z)
Low Complexity Classification Approach for Faster-than-Nyquist (FTN) Signalling Detection [0.0]
より高速なニキスト信号(FTN)はスペクトル効率(SE)を向上させるが、高い計算複雑性を犠牲にすることができる。近年の物理層問題(PHY)問題におけるMLの成功により,FTN信号の検出複雑性の低減にMLを用いることが検討された。 FTN信号のISI構造を利用して,N_p ll N$-dimensional空間の分類処理を行う低複雑性分類器(LCC)を提案する。
論文参考訳（メタデータ） (2022-08-22T22:20:16Z)
Hybrid-Layers Neural Network Architectures for Modeling the Self-Interference in Full-Duplex Systems [23.55330151898652]
フル分析(FD)システムは、周波数リソースを介して情報を同時送信する。本稿では、低複雑性でローカライズされた2つの新しいハイブリッド層ニューラルネットワーク(NN)アーキテクチャを提案する。提案されたNNは、隠れた層(例えば密度の高い層)を組み合わせて、最先端のNNベースのキャンセラよりも計算複雑性の低いSIをモデル化する。
論文参考訳（メタデータ） (2021-10-18T14:18:56Z)
Ensemble Neural Representation Networks [10.405976966708744]
Inlicit Neural Representation (INR) は、様々な種類の信号を連続した形で保存することで注目されている。本稿では、上記の問題を解決するINRのための新しいサブ最適アンサンブルアーキテクチャを提案する。提案するアンサンブルINRアーキテクチャの性能は,サブネットワークの寸法が大きくなると低下する可能性がある。
論文参考訳（メタデータ） (2021-10-07T12:49:21Z)
Non-linear Independent Dual System (NIDS) for Discretization-independent Surrogate Modeling over Complex Geometries [0.0]
非線形独立双対系(Non-linear independent dual system、NIDS)は、PDEソリューションの離散化独立で連続的な表現のための深層学習サロゲートモデルである。 NIDSは複雑な可変ジオメトリとメッシュトポロジを持つドメインの予測に使用できる。テストケースには、複雑な幾何学とデータ不足を伴う車両の問題が含まれており、訓練方法によって実現されている。
論文参考訳（メタデータ） (2021-09-14T23:38:41Z)
Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文参考訳（メタデータ） (2021-06-15T17:22:59Z)
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)
Non-Linear Self-Interference Cancellation via Tensor Completion [7.9264657672268894]
標準系同定(CSID)と呼ばれる低ランクテンソル完備化に基づく手法を提案する。その結果、CSIDは非線形SI信号のモデリングに非常に有効であり、既存の手法よりも計算複雑性が低いことがわかった。
論文参考訳（メタデータ） (2020-10-05T09:08:28Z)
Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文参考訳（メタデータ） (2020-07-02T17:55:47Z)
Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文参考訳（メタデータ） (2020-06-15T02:57:57Z)

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。