論文の概要: Joint Deep Reinforcement Learning and Unfolding: Beam Selection and
Precoding for mmWave Multiuser MIMO with Lens Arrays
- arxiv url: http://arxiv.org/abs/2101.01336v1
- Date: Tue, 5 Jan 2021 03:55:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 11:25:41.541481
- Title: Joint Deep Reinforcement Learning and Unfolding: Beam Selection and
Precoding for mmWave Multiuser MIMO with Lens Arrays
- Title（参考訳）: 深部強化学習と展開:レンズアレイを用いたミリ波マルチユーザMIMOのビーム選択とプリコーディング
- Authors: Qiyu Hu, Yanzhen Liu, Yunlong Cai, Guanding Yu, and Zhi Ding
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 54.43962058166702
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The millimeter wave (mmWave) multiuser multiple-input multiple-output
(MU-MIMO) systems with discrete lens arrays (DLA) have received great attention
due to their simple hardware implementation and excellent performance. In this
work, we investigate the joint design of beam selection and digital precoding
matrices for mmWave MU-MIMO systems with DLA to maximize the sum-rate subject
to the transmit power constraint and the constraints of the selection matrix
structure. The investigated non-convex problem with discrete variables and
coupled constraints is challenging to solve and an efficient framework of joint
neural network (NN) design is proposed to tackle it. Specifically, the proposed
framework consists of a deep reinforcement learning (DRL)-based NN and a
deep-unfolding NN, which are employed to optimize the beam selection and
digital precoding matrices, respectively. As for the DRL-based NN, we formulate
the beam selection problem as a Markov decision process and a double deep
Q-network algorithm is developed to solve it. The base station is considered to
be an agent, where the state, action, and reward function are carefully
designed. Regarding the design of the digital precoding matrix, we develop an
iterative weighted minimum mean-square error algorithm induced deep-unfolding
NN, which unfolds this algorithm into a layerwise structure with introduced
trainable parameters. Simulation results verify that this jointly trained NN
remarkably outperforms the existing iterative algorithms with reduced
complexity and stronger robustness.
- Abstract（参考訳）: ミリ波マルチユーザマルチ入力多重出力 (mu-mimo) システムと離散型レンズアレイ (dla) は、その単純なハードウェア実装と優れた性能により大きな注目を集めている。
本研究では,DLAを用いたミリ波MU-MIMOシステムにおけるビーム選択とディジタルプリコーディング行列の結合設計について検討し,送信電力制約と選択行列構造の制約を最大化する。
離散変数と結合制約を持つ非凸問題の研究は解決が困難であり,それに取り組むために結合ニューラルネットワーク(NN)設計の効率的な枠組みを提案する。
具体的には,深部強化学習(DRL)に基づくNNと,ビーム選択とディジタルプリコーディング行列の最適化に使用される深部展開NNから構成される。
DRLに基づくNNでは、ビーム選択問題をマルコフ決定プロセスとして定式化し、その問題を解決するために二重深度Q-ネットワークアルゴリズムを開発した。
基地局は、国家、行動、報酬機能を慎重に設計するエージェントであると考えられている。
ディジタルプリコーディングマトリクスの設計について,反復重み付き最小平均二乗誤差アルゴリズムによるディープアンフォールディングnnを開発し,このアルゴリズムを学習可能なパラメータを導入した階層構造に展開する。
シミュレーションの結果、nnは、複雑さと強固なロバスト性によって、既存の反復アルゴリズムを著しく上回っていることが証明された。
関連論文リスト
- Random Aggregate Beamforming for Over-the-Air Federated Learning in Large-Scale Networks [66.18765335695414]
本稿では,アグリゲーションエラーを最小限に抑え,選択したデバイス数を最大化する目的で,共同装置の選択とアグリゲーションビームフォーミング設計について検討する。
コスト効率のよい方法でこの問題に取り組むために,ランダムな集合ビームフォーミング方式を提案する。
また, 得られた集計誤差と, デバイス数が大きい場合に選択したデバイス数についても解析を行った。
論文 参考訳（メタデータ） (2024-02-20T23:59:45Z) - ILP-based Resource Optimization Realized by Quantum Annealing for Optical Wide-area Communication Networks -- A Framework for Solving Combinatorial Problems of a Real-world Application by Quantum Annealing [5.924780594614675]
近年の研究では、D-Wave AdvantageTM量子アニールシステムに組み込むことができる2次非拘束二元最適化(QUBO)問題として、そのような問題をいかに実装できるかを実証した。
本稿では、システムパラメータの最適化に関する調査と、ソリューションの品質をさらに向上させるために機械学習(ML)技術をどのように取り入れているかについて報告する。
我々は、このNNを単純な整数線形プログラミング(ILP)の例で実装し、D-Waveが取得しなかった解空間をNNが完全にマッピングする方法を実証した。
論文 参考訳（メタデータ） (2024-01-01T17:52:58Z) - Deep Learning Assisted Multiuser MIMO Load Modulated Systems for
Enhanced Downlink mmWave Communications [68.96633803796003]
本稿では, マルチユーザ負荷変調アレイ (MU-LMA) に着目し, マイクロウェーブ (mmWave) マルチインプット・マルチアウトプット (MIMO) システムにおいて, マルチユーザ負荷変調アレイ (MU-LMA) の小型化とコスト削減を図っている。
ダウンリンクMU-LMAの既存のプリコーディングアルゴリズムは、自由度と複雑なシステム構成の低下に悩まされるサブアレイ構造化(SAS)送信機に依存している。
本稿では,FAS (Full-array Structured) 送信機を用いたMU-LMAシステムを提案し,それに応じて2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-11-08T08:54:56Z) - 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) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳（メタデータ） (2023-09-02T11:01:16Z) - 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) - 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。