論文の概要: Learning to Beamform in Heterogeneous Massive MIMO Networks
- arxiv url: http://arxiv.org/abs/2011.03971v1
- Date: Sun, 8 Nov 2020 12:48:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 08:54:03.223257
- Title: Learning to Beamform in Heterogeneous Massive MIMO Networks
- Title（参考訳）: 異種大規模MIMOネットワークにおけるビームフォームの学習
- Authors: Minghe Zhu, Tsung-Hui Chang and Mingyi Hong
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 48.62625893368218
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is well-known that the problem of finding the optimal beamformers in
massive multiple-input multiple-output (MIMO) networks is challenging because
of its non-convexity, and conventional optimization based algorithms suffer
from high computational costs. While computationally efficient deep learning
based methods have been proposed, their complexity heavily relies upon system
parameters such as the number of transmit antennas, and therefore these methods
typically do not generalize well when deployed in heterogeneous scenarios where
the base stations (BSs) are equipped with different numbers of transmit
antennas and have different inter-BS distances. This paper proposes a novel
deep learning based beamforming algorithm to address the above challenges.
Specifically, we consider the weighted sum rate (WSR) maximization problem in
multi-input and single-output (MISO) interference channels, and propose a deep
neural network architecture by unfolding a parallel gradient projection
algorithm. Somewhat surprisingly, by leveraging the low-dimensional structures
of the optimal beamforming solution, our constructed neural network can be made
independent of the numbers of transmit antennas and BSs. Moreover, such a
design can be further extended to a cooperative multicell network. Numerical
results based on both synthetic and ray-tracing channel models show that the
proposed neural network can achieve high WSRs with significantly reduced
runtime, while exhibiting favorable generalization capability with respect to
the antenna number, BS number and the inter-BS distance.
- Abstract（参考訳）: 大規模マルチインプット・マルチアウトプット(MIMO)ネットワークにおける最適ビームフォーマの探索問題は,その非凸性のため困難であり,従来の最適化アルゴリズムでは計算コストが高いことが知られている。
計算効率のよいディープラーニングに基づく手法が提案されているが、その複雑さは送信アンテナ数などのシステムパラメータに大きく依存しているため、基地局(BS)が異なる送信アンテナ数を持ち、BS間距離が異なる不均一なシナリオに展開しても、一般的にはうまく一般化しない。
本稿では,これらの課題に対処する新しい深層学習に基づくビームフォーミングアルゴリズムを提案する。
具体的には、多入力・単一出力(miso)干渉チャネルにおける重み付き和率(wsr)最大化問題を検討し、並列勾配投影アルゴリズムを展開することでディープニューラルネットワークアーキテクチャを提案する。
驚くべきことに、最適ビームフォーミングソリューションの低次元構造を活用することで、構築されたニューラルネットワークは、送信アンテナやBSの数に依存しないものにすることができる。
さらに、このような設計を協調型マルチセルネットワークに拡張することもできる。
合成およびレイトレーシングチャネルモデルに基づく数値計算の結果,提案したニューラルネットワークは,アンテナ数,BS数,BS間距離に関して良好な一般化能力を示しながら,実行時間を大幅に削減した高いWSRを実現することができることがわかった。
関連論文リスト
- Deep Learning Based Uplink Multi-User SIMO Beamforming Design [32.00286337259923]
5G無線通信ネットワークは、高いデータレート、広範なカバレッジ、最小レイテンシ、エネルギー効率のパフォーマンスを提供する。
計算複雑性や動的条件に適応する能力に関して、従来のアプローチには欠点がある。
本稿では,アップリンク受信型マルチユーザ入力多重出力(MU-SIMO)ビームフォーミングの設計のための,NNBFと呼ばれる新しい教師なしディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-28T17:04:41Z) - Deep-Unfolding for Next-Generation Transceivers [49.338084953253755]
次世代マルチインプット・マルチアウトプット(MIMO)トランシーバの定義に関する研究が進められている。
無線通信における先進トランシーバーの設計において、しばしば反復アルゴリズムにつながる最適化アプローチは大きな成功を収めた。
ディープニューラルネットワーク(DNN)で反復アルゴリズムを近似するディープラーニングは、計算時間を著しく短縮することができる。
ディープラーニングと反復アルゴリズムの両方の利点を取り入れたディープアンフォールディングが登場し、反復アルゴリズムを階層的な構造に展開している。
論文 参考訳（メタデータ） (2023-05-15T02:13:41Z) - Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。
受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。
エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文 参考訳（メタデータ） (2021-08-03T14:26:14Z) - 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) - Limited-Fronthaul Cell-Free Hybrid Beamforming with Distributed Deep
Neural Network [0.0]
近接最適解は、アクセスポイント(AP)とネットワークコントローラ(NC)の間で大量の信号交換を必要とする。
本稿では,AP と NC 間の通信オーバーヘッドをゼロあるいは限定して協調ハイブリッドビームフォーミングを行うことができる2つの非教師なしディープニューラルネットワーク(DNN)アーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-06-30T16:42:32Z) - Joint Deep Reinforcement Learning and Unfolding: Beam Selection and
Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。
本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
論文 参考訳（メタデータ） (2021-01-05T03:55:04Z) - Wide-band butterfly network: stable and efficient inversion via
multi-frequency neural networks [1.2891210250935143]
広帯域散乱データから逆散乱マップを近似するために,広帯域蝶ネットワーク(WideBNet)と呼ばれるエンドツーエンドのディープラーニングアーキテクチャを導入する。
このアーキテクチャでは、バタフライの分解のような計算調和解析や、クーリー・テューキーFFTアルゴリズムのような伝統的なマルチスケール手法のツールが組み込まれている。
論文 参考訳（メタデータ） (2020-11-24T21:48:43Z) - 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) - Channel Assignment in Uplink Wireless Communication using Machine
Learning Approach [54.012791474906514]
本稿では,アップリンク無線通信システムにおけるチャネル割り当て問題について検討する。
我々の目標は、整数チャネル割り当て制約を受ける全ユーザの総和率を最大化することです。
計算複雑性が高いため、機械学習アプローチは計算効率のよい解を得るために用いられる。
論文 参考訳（メタデータ） (2020-01-12T15:54:20Z)
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。