論文の概要: Trimming the Fat from OFDM: Pilot- and CP-less Communication with
End-to-end Learning
- arxiv url: http://arxiv.org/abs/2101.08213v2
- Date: Fri, 22 Jan 2021 09:11:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 01:14:36.526234
- Title: Trimming the Fat from OFDM: Pilot- and CP-less Communication with
End-to-end Learning
- Title（参考訳）: OFDMから脂肪をトリミングする:エンドツーエンド学習によるパイロットとCPなしコミュニケーション
- Authors: Fay\c{c}al Ait Aoudia and Jakob Hoydis
- Abstract要約: 直交周波数分割多重化(OFDM)は、無線通信システムにおける支配的な波形の1つです。
対称間干渉(ISI)を緩和するために環状プレフィックス(CP)とチャネルを推定するためにパイロットを必要とするため、スペクトル効率の損失に苦しんでいます。
本稿では,ニューラルネットワーク(NN)ベースの受信機と星座の幾何学とビットラベリングを併用して学習することで,これらの欠点に対処することを提案する。
- 参考スコア（独自算出の注目度）: 16.26230847183709
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Orthogonal frequency division multiplexing (OFDM) is one of the dominant
waveforms in wireless communication systems due to its efficient
implementation. However, it suffers from a loss of spectral efficiency as it
requires a cyclic prefix (CP) to mitigate inter-symbol interference (ISI) and
pilots to estimate the channel. We propose in this work to address these
drawbacks by learning a neural network (NN)-based receiver jointly with a
constellation geometry and bit labeling at the transmitter, that allows CP-less
and pilotless communication on top of OFDM without a significant loss in bit
error rate (BER). Our approach enables at least 18% throughput gains compared
to a pilot and CP-based baseline, and at least 4% gains compared to a system
that uses a neural receiver with pilots but no CP.
- Abstract（参考訳）: 直交周波数分割多重化(OFDM)は、無線通信システムにおいて、その効率的な実装により支配的な波形の1つである。
しかし、インターシンボリック干渉 (isi) を緩和するには循環プレフィックス (cp) が必要であり、パイロットはチャネルを推定する必要があるため、スペクトル効率が低下する。
そこで本研究では,ニューラルネットワーク(nn)ベースの受信機をコンステレーションジオメトリとビットラベリングと共同で学習し,ビット誤り率(ber)の大幅な低下を伴わずにofdm上でcpレス,パイロットレスの通信を実現することを提案する。
提案手法では,パイロットとCPベースのベースラインに対して,少なくとも18%のスループット向上が可能であり,パイロットによるニューラルレシーバを用いたシステムに比べて,少なくとも4%のスループット向上を実現している。
関連論文リスト
- Digital versus Analog Transmissions for Federated Learning over Wireless
Networks [91.20926827568053]
資源制約付きネットワーク上での無線連合学習(FL)における2つの効果的な通信方式を比較した。
まず,デジタルとアナログの両方の伝送方式と,実用的制約下での統一的かつ公正な比較手法について検討する。
無線ネットワークにおけるFL性能評価のために,様々な不完全条件下での普遍収束解析を確立する。
論文 参考訳（メタデータ） (2024-02-15T01:50:46Z) - 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) - Waveform Learning for Next-Generation Wireless Communication Systems [16.26230847183709]
本稿では,送信受信フィルタ,星座形状,それに付随するビットラベリング,およびニューラルネットワーク(NN)ベースの検出器の結合設計のための学習に基づく手法を提案する。
この方法は、隣接するチャネルリーク比(ACLR)とピーク・ツー・アベイジ・パワー比(PAPR)の制約を同時に満たしつつ、達成可能な情報レートを最大化する。
論文 参考訳（メタデータ） (2021-09-02T14:51:16Z) - End-to-End Learning of OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
送信機にニューラルネットワーク(NN)を用いて,PAPRと隣接チャネルリーク比(ACLR)を制御可能な高次元変調方式を学習することを提案する。
2つのNNはOFDM上で動作し、PAPRとACLRの制約を強制するトレーニングアルゴリズムを使用して、エンドツーエンドで共同最適化される。
論文 参考訳（メタデータ） (2021-06-30T13:09:30Z) - 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) - FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。
複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。
得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
論文 参考訳（メタデータ） (2020-11-14T11:29:55Z) - Power Control for a URLLC-enabled UAV system incorporated with DNN-Based
Channel Estimation [82.16169603954663]
この手紙は、ディープニューラルネットワーク(DNN)に基づくチャネル推定を組み込んだ超信頼性低遅延通信(URLLC)有効無人航空機(UAV)システムの電力制御に関するものである。
論文 参考訳（メタデータ） (2020-11-14T02:31:04Z) - End-to-end Learning for OFDM: From Neural Receivers to Pilotless
Communication [12.325545487629297]
周波数選択型および時間選択型フェーディングチャネル上でのエンド・ツー・エンド・ラーニングの効果について検討する。
受信機における不完全なチャネル知識により、AWGNチャネルで観測されたシェイピングゲインは消滅する。
他の2つのパフォーマンス改善源を特定します。
論文 参考訳（メタデータ） (2020-09-11T07:33:00Z) - Pruning the Pilots: Deep Learning-Based Pilot Design and Channel
Estimation for MIMO-OFDM Systems [8.401473551081748]
本稿では,ニューラルネットワークを用いた共同パイロット設計とダウンリンクチャネル推定手法を提案する。
提案したNNアーキテクチャは、周波数対応のパイロット設計に完全連結層を使用し、線形最小二乗誤差(LMMSE)推定に優れる。
また、トレーニング中に高密度のNN層から少ない有意なニューロンを徐々に刈り取ることにより、効果的なパイロットリダクション手法を提案する。
論文 参考訳（メタデータ） (2020-06-21T13:10:26Z) - 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。