Fugu-MT 論文翻訳(概要): Learning with Knowledge of Structure: A Neural Network-Based Approach for MIMO-OFDM Detection

論文の概要: Learning with Knowledge of Structure: A Neural Network-Based Approach for MIMO-OFDM Detection

arxiv url: http://arxiv.org/abs/2012.00711v2
Date: Thu, 3 Dec 2020 00:37:58 GMT
ステータス: 処理完了
システム内更新日: 2021-05-30 19:28:55.807745
Title: Learning with Knowledge of Structure: A Neural Network-Based Approach for MIMO-OFDM Detection
Title（参考訳）: 構造知識による学習:MIMO-OFDM検出のためのニューラルネットワークによるアプローチ
Authors: Zhou Zhou, Shashank Jere, Lizhong Zheng, Lingjia Liu
Abstract要約: シンボル検出に対する貯水池計算(RC)に基づくアプローチに基づいて、対称かつ分解された二項決定ニューラルネットワークを導入する。導入した対称ニューラルネットワークは、元の$M$-ary検出問題を一連のバイナリ分類タスクに分解できることを示す。数値評価により,導入したハイブリッドRCバイナリ決定フレームワークは,最大値モデルに基づくシンボル検出を行うことができる。
参考スコア（独自算出の注目度）: 33.46816493359834
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we explore neural network-based strategies for performing symbol detection in a MIMO-OFDM system. Building on a reservoir computing (RC)-based approach towards symbol detection, we introduce a symmetric and decomposed binary decision neural network to take advantage of the structure knowledge inherent in the MIMO-OFDM system. To be specific, the binary decision neural network is added in the frequency domain utilizing the knowledge of the constellation. We show that the introduced symmetric neural network can decompose the original $M$-ary detection problem into a series of binary classification tasks, thus significantly reducing the neural network detector complexity while offering good generalization performance with limited training overhead. Numerical evaluations demonstrate that the introduced hybrid RC-binary decision detection framework performs close to maximum likelihood model-based symbol detection methods in terms of symbol error rate in the low SNR regime with imperfect channel state information (CSI).
Abstract（参考訳）: 本稿では,MIMO-OFDMシステムにおけるシンボル検出のためのニューラルネットワークに基づく戦略について検討する。シンボル検出に対する貯水池計算(RC)に基づくアプローチに基づいて,MIMO-OFDMシステムに固有の構造知識を活用するために,対称二分決定ニューラルネットワークを導入する。具体的には、星座の知識を利用した二分決定ニューラルネットワークを周波数領域に追加する。提案する対称型ニューラルネットワークは,元の$m$-ary検出問題を一連のバイナリ分類タスクに分解し,ニューラルネットワーク検出器の複雑性を著しく低減すると同時に,トレーニングオーバーヘッドの少ない一般化性能を提供する。数値評価により,導入したrc-binary decision detection frameworkは,不完全チャネル状態情報(csi)を用いた低snrレジームにおけるシンボル誤り率の観点から,最大ラピッドモデルに基づくシンボル検出手法に近い性能を示す。

関連論文リスト

Dense Hebbian neural networks: a replica symmetric picture of supervised learning [4.133728123207142]
我々は教師が指導する高密度で連想的なニューラルネットについて検討する。スピングラスの統計力学およびモンテカルロシミュレーションによる数値計算能力の解析を行った。
論文参考訳（メタデータ） (2022-11-25T13:37:47Z)
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)
Deep Convolutional Learning-Aided Detector for Generalized Frequency Division Multiplexing with Index Modulation [0.0]
提案手法は、まずゼロフォース検出器(ZF)を用いて受信信号を前処理し、その後、畳み込みニューラルネットワーク(CNN)と完全連結ニューラルネットワーク(FCNN)からなるニューラルネットワークを用いる。 FCNN部は2つの完全に接続された層しか使用せず、複雑さとBER(bit error rate)パフォーマンスのトレードオフをもたらすことができる。提案したディープ畳み込みニューラルネットワークに基づく検出・復調方式は,ZF検出器よりも高いBER性能を示し,複雑性が増大することが実証されている。
論文参考訳（メタデータ） (2022-02-06T22:18:42Z)
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)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文参考訳（メタデータ） (2021-02-27T03:17:20Z)
Topological obstructions in neural networks learning [67.8848058842671]
損失勾配関数フローのグローバル特性について検討する。損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
論文参考訳（メタデータ） (2020-12-31T18:53:25Z)
Hierarchical Deep Recurrent Neural Network based Method for Fault Detection and Diagnosis [0.3670422696827526]
The algorithm is based on a Supervised Deep Recurrent Autoencoder Neural Network (Supervised DRAE-NN) 外部擬似ランダムバイナリ信号(prbs)がシステムに設計・注入され、初期故障を識別する。階層構造に基づく戦略は初期故障と非初期故障の両方において検出と分類の精度を大幅に向上させる。
論文参考訳（メタデータ） (2020-12-07T17:11:56Z)
An SMT-Based Approach for Verifying Binarized Neural Networks [1.4394939014120451]
本稿では,SMTを用いた二元化ニューラルネットワークの検証手法を提案する。我々の手法の1つの新しい点は、二項化コンポーネントと非二項化コンポーネントの両方を含むニューラルネットワークの検証を可能にすることである。我々は、この手法をマラブーフレームワークの拡張として実装し、一般的な二項化ニューラルネットワークアーキテクチャのアプローチを評価する。
論文参考訳（メタデータ） (2020-11-05T16:21:26Z)
Experimental Review of Neural-based approaches for Network Intrusion Management [8.727349339883094]
本稿では,侵入検出問題に適用したニューラルネットワーク手法の実験的検討を行う。私たちは、ディープベースアプローチやウェイトレスニューラルネットワークを含む、侵入検出に関連する最も顕著なニューラルネットワークベースのテクニックの完全なビューを提供します。我々の評価は、特に最先端のデータセットを使用してモデルのトレーニングを行う場合、ニューラルネットワークの価値を定量化する。
論文参考訳（メタデータ） (2020-09-18T18:32:24Z)
BiDet: An Efficient Binarized Object Detector [96.19708396510894]
本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
論文参考訳（メタデータ） (2020-03-09T08:16:16Z)

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。