論文の概要: CAnet: Uplink-aided Downlink Channel Acquisition in FDD Massive MIMO using Deep Learning

• arxiv url: http://arxiv.org/abs/2101.04377v1
• Date: Tue, 12 Jan 2021 10:12:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-04 01:38:08.262253
• Title: CAnet: Uplink-aided Downlink Channel Acquisition in FDD Massive MIMO using Deep Learning
• Title（参考訳）: CAnet:深層学習を用いたFDD大規模MIMOにおけるアップリンク支援ダウンリンクチャネル獲得
• Authors: Jiajia Guo, Chao-Kai Wen, Shi Jin
• Abstract要約: 周波数分割二重化システムでは、ダウンリンクチャネル状態情報(CSI)取得方式は高いトレーニングとフィードバックのオーバーヘッドをもたらす。 これらのオーバーヘッドを削減するためにディープラーニングを用いたアップリンク支援ダウンリンクチャネル獲得フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 51.72869237847767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In frequency-division duplexing systems, the downlink channel state information (CSI) acquisition scheme leads to high training and feedback overheads. In this paper, we propose an uplink-aided downlink channel acquisition framework using deep learning to reduce these overheads. Unlike most existing works that focus only on channel estimation or feedback modules, to the best of our knowledge, this is the first study that considers the entire downlink CSI acquisition process, including downlink pilot design, channel estimation, and feedback. First, we propose an adaptive pilot design module by exploiting the correlation in magnitude among bidirectional channels in the angular domain to improve channel estimation. Next, to avoid the bit allocation problem during the feedback module, we concatenate the complex channel and embed the uplink channel magnitude to the channel reconstruction at the base station. Lastly, we combine the above two modules and compare two popular downlink channel acquisition frameworks. The former framework estimates and feeds back the channel at the user equipment subsequently. The user equipment in the latter one directly feeds back the received pilot signals to the base station. Our results reveal that, with the help of uplink, directly feeding back the pilot signals can save approximately 20% of feedback bits, which provides a guideline for future research.
• Abstract（参考訳）: 周波数分割二重化システムでは、ダウンリンクチャネル状態情報(CSI)取得方式は高いトレーニングとフィードバックのオーバーヘッドをもたらす。 本稿では,これらのオーバーヘッドを軽減するために,ディープラーニングを用いたアップリンク支援ダウンリンクチャネル獲得フレームワークを提案する。 チャネル推定やフィードバックモジュールのみに焦点を当てた既存の作業とは異なり、私たちの知る限りでは、ダウンリンクパイロット設計、チャネル推定、フィードバックを含む、ダウンリンクCSI取得プロセス全体を考慮した最初の研究である。 まず,角領域の双方向チャネル間の相関を利用して適応的なパイロット設計モジュールを提案し,チャネル推定を改善する。 次に、フィードバックモジュール中のビット割り当て問題を回避するため、複雑なチャネルを結合し、基地局のチャネル再構成にアップリンクチャネルの大きさを埋め込む。 最後に、上記の2つのモジュールを組み合わせて、2つの人気のあるダウンリンクチャネル獲得フレームワークを比較します。 前者のフレームワークは、その後、ユーザ機器のチャネルを推定し、返送する。 後者のユーザ装置は、受信したパイロット信号を基地局に直接送り返す。 その結果、アップリンクの助けを借りて、パイロット信号を直接フィードバックすることで、約20%のフィードバックビットを節約できることがわかった。

関連論文リスト

• Belief Information based Deep Channel Estimation for Massive MIMO Systems [11.438967822079542]
  提案手法は, 12dBチャネル推定性能を向上させるか, 1/3 1/2 パイロットオーバヘッドを削減するかのどちらかである。 実験結果から,提案手法は12dBチャネル推定性能を向上するか,1/31/2パイロットオーバヘッドを低減できることがわかった。
  論文  参考訳（メタデータ） (2024-06-23T15:31:07Z)
• Deep-Learning-Based Channel Estimation for Distributed MIMO with 1-bit Radio-Over-Fiber Fronthaul [11.370869277334227]
  分散マルチインプット・マルチアウトプット(MIMO)アーキテクチャにおけるパイロット支援・アップリンクチャネル推定の問題点を考察する。 我々は最近Nguyenらによって提案されたディープラーニングに基づくチャネル推定アルゴリズムを適用した。 提案手法は,Bussgang線形最小二乗誤差チャネル推定器よりも有意に優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-17T08:38:29Z)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• Deep Generative Models for Downlink Channel Estimation in FDD Massive MIMO Systems [13.267048706241157]
  この課題に対処するために, 深部生成モデル(DGM)に基づく手法を提案する。 アップリンクチャネルとダウンリンクチャネルの部分的相互性を実行し、まず、周波数非依存のチャネルパラメータを推定する。 次に、各伝搬路の位相である周波数固有チャネルパラメータをダウンリンクトレーニングにより推定する。
  論文  参考訳（メタデータ） (2022-03-09T18:32:10Z)
• Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
  大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。 一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。 本稿では2つの新しい推定法を提案する。
  論文  参考訳（メタデータ） (2021-09-06T13:42:32Z)
• Deep Learning Based Antenna-time Domain Channel Extrapolation for Hybrid mmWave Massive MIMO [30.201881862681972]
  本研究では,部分的なアップリンクチャネルから基地局の全ダウンリンクチャネルへのマッピング関数を学習するために,潜在常微分方程式(ODE)に基づくネットワークを設計する。 シミュレーションの結果,設計したネットワークは,部分的なアップリンクチャネルから全ダウンリンクチャネルを効率的に推測できることがわかった。
  論文  参考訳（メタデータ） (2021-08-09T11:12:46Z)
• Model-Driven Deep Learning Based Channel Estimation and Feedback for Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
  本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。 無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。 MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-22T13:34:53Z)
• 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)
• Convergence of Federated Learning over a Noisy Downlink [84.55126371346452]
  我々は,遠隔パラメータサーバの助けを借りて,ローカルデータセットを利用してグローバルモデルを協調訓練するフェデレーション学習について検討した。 このフレームワークは、PSからデバイスへのダウンリンク送信と、デバイスからPSへのアップリンク送信を必要とする。 本研究の目的は、ダウンリンクとアップリンクの両方における帯域幅制限された共有無線媒体がFLの性能に与える影響を検討することである。
  論文  参考訳（メタデータ） (2020-08-25T16:15:05Z)

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。