論文の概要: Learning based signal detection for MIMO systems with unknown noise
statistics
- arxiv url: http://arxiv.org/abs/2101.08435v1
- Date: Thu, 21 Jan 2021 04:48:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-21 22:18:27.926066
- Title: Learning based signal detection for MIMO systems with unknown noise
statistics
- Title(参考訳): 未知雑音統計を用いたMIMOシステムの学習に基づく信号検出
- Authors: Ke He, Le He, Lisheng Fan, Yansha Deng, George K. Karagiannidis, and
Arumugam Nallanathan
- Abstract要約: 本論文では,未知のノイズ統計による信号を堅牢に検出する一般化最大確率(ML)推定器を考案する。
実際には、システムノイズに関する統計的な知識はほとんどなく、場合によっては非ガウス的であり、衝動的であり、分析不可能である。
我々のフレームワークは、ノイズサンプルのみを必要とする教師なしの学習アプローチによって駆動される。
- 参考スコア(独自算出の注目度): 84.02122699723536
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper aims to devise a generalized maximum likelihood (ML) estimator to
robustly detect signals with unknown noise statistics in multiple-input
multiple-output (MIMO) systems. In practice, there is little or even no
statistical knowledge on the system noise, which in many cases is non-Gaussian,
impulsive and not analyzable. Existing detection methods have mainly focused on
specific noise models, which are not robust enough with unknown noise
statistics. To tackle this issue, we propose a novel ML detection framework to
effectively recover the desired signal. Our framework is a fully probabilistic
one that can efficiently approximate the unknown noise distribution through a
normalizing flow. Importantly, this framework is driven by an unsupervised
learning approach, where only the noise samples are required. To reduce the
computational complexity, we further present a low-complexity version of the
framework, by utilizing an initial estimation to reduce the search space.
Simulation results show that our framework outperforms other existing
algorithms in terms of bit error rate (BER) in non-analytical noise
environments, while it can reach the ML performance bound in analytical noise
environments. The code of this paper is available at
https://github.com/skypitcher/ manfe.
- Abstract(参考訳): 本稿では,Multiple-input multiple-output (MIMO)システムにおいて,未知の雑音統計を持つ信号を頑健に検出する一般化最大度推定器を提案する。
実際には、システムノイズに関する統計的知識はほとんど、あるいは全く存在せず、多くの場合、非ガウス的であり、衝動的であり分析不可能である。
既存の検出手法は主に特定のノイズモデルに焦点を合わせており、未知のノイズ統計量では十分に堅牢ではない。
この問題に対処するために,所望の信号を効果的に回復する新しいML検出フレームワークを提案する。
我々のフレームワークは、正規化フローを通して未知の雑音分布を効率的に近似できる完全確率的手法である。
重要なことに、このフレームワークは、ノイズサンプルのみを必要とする教師なし学習アプローチによって駆動される。
計算複雑性を低減するために,初期推定を利用して探索空間を小さくすることで,低複雑さのフレームワークを提案する。
シミュレーションの結果,本フレームワークは非解析ノイズ環境でのビット誤り率(BER)で他の既存アルゴリズムよりも優れており,解析ノイズ環境でのML性能に到達できることがわかった。
この論文のコードはhttps://github.com/skypitcher/ manfe.comで入手できる。
- 全文 参考訳へのリンク
関連論文リスト
- The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。
特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
論文 参考訳(メタデータ) (2022-03-02T13:59:20Z) - C2N: Practical Generative Noise Modeling for Real-World Denoising [53.96391787869974]
両例を使わずに複雑な実世界の騒音を模倣するクリーン・ツー・ノイズ画像生成フレームワーク,すなわちC2Nを導入する。
我々は,C2Nの騒音発生器を実世界の騒音特性の成分に応じて構築し,広い範囲の騒音を正確に表現する。
論文 参考訳(メタデータ) (2022-02-19T05:53:46Z) - An end-to-end deep learning approach for extracting stochastic dynamical
systems with $\alpha$-stable L\'evy noise [5.815325960286111]
本研究では,ランダムなペアワイズデータのみから,$alpha$-stable Levyノイズによって駆動される力学系を同定する。
我々の革新は、(1)レヴィ誘導雑音のドリフト項と拡散項の両方を全ての値に対して$alpha$で学習するためのディープラーニングアプローチを設計すること、(2)小さな雑音強度を制限せずに複雑な乗法ノイズを学習すること、(3)システム同定のためのエンドツーエンドの完全なフレームワークを提案することである。
論文 参考訳(メタデータ) (2022-01-31T10:51:25Z) - Multiview point cloud registration with anisotropic and space-varying
localization noise [1.5499426028105903]
我々は,高異方性定位雑音で劣化した複数点の雲を登録する問題に対処する。
既存の手法は、空間不変等方性雑音の暗黙の仮定に基づいている。
ノイズハンドリング戦略は,高レベルの異方性雑音に対するロバスト性を大幅に向上させることを示す。
論文 参考訳(メタデータ) (2022-01-03T15:21:24Z) - A toolkit for data-driven discovery of governing equations in high-noise
regimes [5.025654873456756]
時系列データから高雑音の極限における支配方程式の探索について考察する。
どちらも、システム x' = f(x) から取得したノイズの多いデータに焦点を当てています。
論文 参考訳(メタデータ) (2021-11-08T23:32:11Z) - Sampling-Based Robust Control of Autonomous Systems with Non-Gaussian
Noise [59.47042225257565]
雑音分布の明示的な表現に依存しない新しい計画法を提案する。
まず、連続系を離散状態モデルに抽象化し、状態間の確率的遷移によってノイズを捕捉する。
いわゆる区間マルコフ決定過程(iMDP)の遷移確率区間におけるこれらの境界を捉える。
論文 参考訳(メタデータ) (2021-10-25T06:18:55Z) - Canonical Polyadic Decomposition and Deep Learning for Machine Fault
Detection [0.0]
マシンからあらゆる種類の障害を学ぶのに十分なデータを集めることは不可能である。
健康状態のみのデータを用いてトレーニングされた新しいアルゴリズムを開発し、教師なしの異常検出を行った。
これらのアルゴリズムの開発における重要な問題は、異常検出性能に影響を与える信号のノイズである。
論文 参考訳(メタデータ) (2021-07-20T14:06:50Z) - Adaptive Multi-View ICA: Estimation of noise levels for optimal
inference [65.94843987207445]
Adaptive MultiView ICA (AVICA) はノイズの多いICAモデルであり、各ビューは共有された独立したソースと付加的なノイズの線形混合である。
AVICAは、その明示的なMMSE推定器により、他のICA法よりも優れたソース推定値が得られる。
実脳磁図(MEG)データでは,分解がサンプリングノイズに対する感度が低く,ノイズ分散推定が生物学的に妥当であることを示す。
論文 参考訳(メタデータ) (2021-02-22T13:10:12Z) - Tackling Instance-Dependent Label Noise via a Universal Probabilistic
Model [80.91927573604438]
本稿では,ノイズラベルをインスタンスに明示的に関連付ける,単純かつ普遍的な確率モデルを提案する。
合成および実世界のラベルノイズを用いたデータセット実験により,提案手法がロバスト性に大きな改善をもたらすことを確認した。
論文 参考訳(メタデータ) (2021-01-14T05:43:51Z)
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。