論文の概要: DeepWiPHY: Deep Learning-based Receiver Design and Dataset for IEEE
802.11ax Systems
- arxiv url: http://arxiv.org/abs/2010.09268v1
- Date: Mon, 19 Oct 2020 07:24:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 23:09:27.636836
- Title: DeepWiPHY: Deep Learning-based Receiver Design and Dataset for IEEE
802.11ax Systems
- Title（参考訳）: DeepWiPHY:IEEE 802.11axシステムのためのディープラーニングベースの受信者設計とデータセット
- Authors: Yi Zhang and Akash Doshi and Rob Liston and Wai-tian Tan and Xiaoqing
Zhu and Jeffrey G. Andrews and Robert W. Heath
- Abstract要約: DeepWiPHYは、チャネル推定、共通位相誤差(CPE)補正、サンプリングレートオフセット(SRO)補正、IEEE 802.11axベースの周波数分割多重化(OFDM)受信器の等化モジュールを置き換えるディープラーニングベースのアーキテクチャである。
- 参考スコア（独自算出の注目度）: 39.96358923310134
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we develop DeepWiPHY, a deep learning-based architecture to
replace the channel estimation, common phase error (CPE) correction, sampling
rate offset (SRO) correction, and equalization modules of IEEE 802.11ax based
orthogonal frequency division multiplexing (OFDM) receivers. We first train
DeepWiPHY with a synthetic dataset, which is generated using representative
indoor channel models and includes typical radio frequency (RF) impairments
that are the source of nonlinearity in wireless systems. To further train and
evaluate DeepWiPHY with real-world data, we develop a passive sniffing-based
data collection testbed composed of Universal Software Radio Peripherals
(USRPs) and commercially available IEEE 802.11ax products. The comprehensive
evaluation of DeepWiPHY with synthetic and real-world datasets (110 million
synthetic OFDM symbols and 14 million real-world OFDM symbols) confirms that,
even without fine-tuning the neural network's architecture parameters,
DeepWiPHY achieves comparable performance to or outperforms the conventional
WLAN receivers, in terms of both bit error rate (BER) and packet error rate
(PER), under a wide range of channel models, signal-to-noise (SNR) levels, and
modulation schemes.
- Abstract（参考訳）: 本研究では、チャネル推定、共通位相誤差(CPE)補正、サンプリングレートオフセット(SRO)補正、IEEE 802.11axベースの直交周波数分割多重化(OFDM)受信器の等化モジュールを置換するディープラーニングアーキテクチャであるDeepWiPHYを開発する。
まず,代表的な屋内チャネルモデルを用いて生成された合成データセットを用いてdeepwiphyを訓練し,無線システムの非線形性源である典型的なrf障害を含む。
実世界のデータを用いてDeepWiPHYをさらに訓練し評価するために,Universal Software Radio Peripherals (USRPs) と市販のIEEE 802.11ax製品からなる受動スニッフィングベースのデータ収集テストベッドを開発した。
合成および実世界のデータセットによるdeepwiphyの包括的評価(1億1000万の合成ofdmシンボルと1400万実世界のofdmシンボル)では、ニューラルネットワークのアーキテクチャパラメータを微調整しなくても、ビットエラーレート(ber)とパケットエラーレート(per)の両方において、幅広いチャネルモデル、信号対ノイズ(snr)レベル、変調スキームにおいて、deepwiphyが従来のwlan受信機に匹敵する性能を達成することが確認されている。
関連論文リスト
- Generating High Dimensional User-Specific Wireless Channels using Diffusion Models [28.270917362301972]
本稿では拡散モデルを用いて合成無線チャネルデータを生成する新しい手法を提案する。
我々は、ユーザ位置を条件入力として合成された高忠実度チャネルサンプルを生成し、測定不足を克服するために、より大きな拡張データセットを作成する。
論文 参考訳（メタデータ） (2024-09-05T22:08:28Z) - A Universal Deep Neural Network for Signal Detection in Wireless Communication Systems [35.07773969966621]
無線通信におけるチャネル推定と信号検出のための有望なアプローチとして,Deep Learning (DL) が登場している。
無線チャネルの動的性質に対処するためには、新しい非老化データに基づいてDL手法を再訓練する必要がある。
本稿では,モデルを再学習することなく,様々な無線環境において高い検出性能を達成できる,新しいユニバーサルディープニューラルネットワーク(Uni-DNN)を提案する。
論文 参考訳（メタデータ） (2024-04-03T11:21:10Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-08T13:50:30Z) - RADIANCE: Radio-Frequency Adversarial Deep-learning Inference for
Automated Network Coverage Estimation [8.92389724627982]
RADIANCEは、室内シナリオでRFマップを合成するためのGAN(Generative Adversarial Network)ベースのアプローチである。
その結果、RADIANCEは平均平均誤差0.09、ルート平均二乗誤差(RMSE)0.29、ピーク信号-雑音比(PSNR)10.78、マルチスケール構造類似度指数(MS-SSIM)0.80を達成した。
論文 参考訳（メタデータ） (2023-08-21T09:33:20Z) - RF Signal Classification with Synthetic Training Data and its Real-World
Performance [0.0]
本稿では,実環境における実環境性能に対する合成訓練データにモデル化された異なるRF信号障害の影響について検討する。
念入りに設計された合成トレーニングデータのみを使用することで、実世界の操作において最大95%の精度を達成できる。
論文 参考訳（メタデータ） (2022-06-26T20:47:33Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳（メタデータ） (2022-05-02T12:23:55Z) - 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) - Wireless Sensing With Deep Spectrogram Network and Primitive Based
Autoregressive Hybrid Channel Model [20.670058030653458]
無線センシングに基づくヒューマンモーション認識(hmr)は,シーン理解のための低コスト手法である。
現在のHMRシステムは、レーダー信号を分類するためにサポートベクターマシン(SVM)と畳み込みニューラルネットワーク(CNN)を採用している。
本稿では,残差マッピング技術を利用してHMR性能を向上させるディープ・スペクトログラム・ネットワーク(DSN)を提案する。
論文 参考訳（メタデータ） (2021-04-21T06:33:01Z) - Neural Architecture Search For LF-MMI Trained Time Delay Neural Networks [61.76338096980383]
TDNN(State-of-the-the-art Factored Time delay Neural Network)の2種類のハイパーパラメータを自動的に学習するために、さまざまなニューラルネットワークサーチ(NAS)技術が使用されている。
DARTSメソッドはアーキテクチャ選択とLF-MMI(格子のないMMI)TDNNトレーニングを統合する。
300時間のSwitchboardコーパスで行われた実験では、自動構成システムはベースラインLF-MMI TDNNシステムより一貫して優れていることが示唆された。
論文 参考訳（メタデータ） (2020-07-17T08:32:11Z) - Deep Denoising Neural Network Assisted Compressive Channel Estimation
for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。
我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。
完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
論文 参考訳（メタデータ） (2020-06-03T12:18:57Z)
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。