論文の概要: Channel Estimation via Successive Denoising in MIMO OFDM Systems: A
Reinforcement Learning Approach
- arxiv url: http://arxiv.org/abs/2101.10300v3
- Date: Mon, 15 Feb 2021 04:11:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-14 18:57:10.695472
- Title: Channel Estimation via Successive Denoising in MIMO OFDM Systems: A
Reinforcement Learning Approach
- Title（参考訳）: MIMO OFDMシステムにおけるSuccessive Denoisingによるチャネル推定:強化学習手法
- Authors: Myeung Suk Oh, Seyyedali Hosseinalipour, Taejoon Kim, Christopher G.
Brinton, David J. Love
- Abstract要約: 本稿では,強化学習フレームワークの適用に基づく周波数領域雑音除去法を提案する。
提案アルゴリズムは,最小二乗 (LS) チャネル推定法を大幅に改善する。
- 参考スコア（独自算出の注目度）: 31.841070867319686
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable communication through multiple-input multiple-output (MIMO)
orthogonal frequency division multiplexing (OFDM) requires accurate channel
estimation. Existing literature largely focuses on denoising methods for
channel estimation that are dependent on either (i) channel analysis in the
time-domain, and/or (ii) supervised learning techniques, requiring large
pre-labeled datasets for training. To address these limitations, we present a
frequency-domain denoising method based on the application of a reinforcement
learning framework that does not need a priori channel knowledge and
pre-labeled data. Our methodology includes a new successive channel denoising
process based on channel curvature computation, for which we obtain a channel
curvature magnitude threshold to identify unreliable channel estimates. Based
on this process, we formulate the denoising mechanism as a Markov decision
process, where we define the actions through a geometry-based channel
estimation update, and the reward function based on a policy that reduces the
MSE. We then resort to Q-learning to update the channel estimates over the time
instances. Numerical results verify that our denoising algorithm can
successfully mitigate noise in channel estimates. In particular, our algorithm
provides a significant improvement over the practical least squares (LS)
channel estimation method and provides performance that approaches that of the
ideal linear minimum mean square error (LMMSE) with perfect knowledge of
channel statistics.
- Abstract（参考訳）: 多重入力多重出力(MIMO)直交周波数分割多重化(OFDM)による信頼性の高い通信には正確なチャネル推定が必要である。
既存の文献では、時間領域における(i)チャネル分析と(ii)教師付き学習技術の両方に依存するチャネル推定のための分節化手法に重点を置いている。
これらの制約に対処するために,事前のチャネル知識やラベル付きデータを必要としない強化学習フレームワークの適用に基づく周波数領域除算法を提案する。
提案手法は,チャネル曲率計算に基づく新しい逐次チャネル除算プロセスを含み,信頼できないチャネル推定を同定するためのチャネル曲率等級閾値を求める。
このプロセスに基づいて、マルコフ決定プロセスとしてデノベーション機構を定式化し、幾何学に基づくチャネル推定更新によってアクションを定義し、MSEを減らすポリシーに基づいて報酬関数を定義する。
次に、Q-learningを使用して、チャンネルの見積をタイムインスタンスで更新します。
数値解析により、ノイズ除去アルゴリズムがチャネル推定におけるノイズの低減に成功しました。
特に,本アルゴリズムは,実用的最小二乗法 (ls) のチャネル推定法に対して有意な改善を行い,チャネル統計の完全な知識を持つ理想線形最小二乗誤差 (lmmse) に接近する性能を提供する。
関連論文リスト
- Direct Unsupervised Denoising [60.71146161035649]
教師なしのデノイザは、MMSE推定のような単一の予測を直接生成しない。
本稿では,VAEと並んで決定論的ネットワークを訓練し,中心的な傾向を直接予測するアプローチを提案する。
論文 参考訳（メタデータ） (2023-10-27T13:02:12Z) - 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) - An Efficient Machine Learning-based Channel Prediction Technique for
OFDM Sub-Bands [0.0]
我々はOFDMサブバンドにおけるチャネル予測のための効率的な機械学習(ML)に基づく手法を提案する。
提案手法の新規性は、選択的なフェーディングにおける将来のチャネル挙動を推定するために使用されるチャネルフェーディングサンプルのトレーニングにある。
論文 参考訳（メタデータ） (2023-05-31T09:41:27Z) - Pay Less But Get More: A Dual-Attention-based Channel Estimation Network
for Massive MIMO Systems with Low-Density Pilots [41.213515826100696]
低密度パイロットによる正確なチャネル推定を実現するために,デュアルアテンションに基づくチャネル推定ネットワーク(DACEN)を提案する。
実験結果から,提案手法は既存の手法よりも優れたチャネル推定性能が得られることがわかった。
論文 参考訳（メタデータ） (2023-03-02T05:34:25Z) - Efficient Deep Unfolding for SISO-OFDM Channel Estimation [0.0]
スパースリカバリ技術を用いてSISO-OFDMチャネル推定を行うことができる。
本稿では,この制約を緩和するために,展開ニューラルネットワークを用いる。
教師なしのオンライン学習は、推定性能を高めるためにシステムの欠陥を学習することができる。
論文 参考訳（メタデータ） (2022-10-11T11:29:54Z) - Channel Estimation under Hardware Impairments: Bayesian Methods versus
Deep Learning [2.055949720959582]
効率的なチャネルを推定するために、ディープフィードフォワードニューラルネットワークを設計、訓練する。
その性能は、最先端の歪み認識およびベイズ線形最小二乗誤差(LMMSE)推定器と比較される。
論文 参考訳（メタデータ） (2022-08-08T10:32:32Z) - 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 Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳（メタデータ） (2020-11-17T12:52:18Z) - 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) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z)
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。