論文の概要: Improving CSI-based Massive MIMO Indoor Positioning using Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2102.03130v1
• Date: Fri, 5 Feb 2021 12:11:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-08 12:54:02.406202
• Title: Improving CSI-based Massive MIMO Indoor Positioning using Convolutional Neural Network
• Title（参考訳）: 畳み込みニューラルネットワークを用いたcsiベース大規模mimo屋内測位の改善
• Authors: Gregor Cerar, Ale\v{s} \v{S}vigelj, Mihael Mohor\v{c}i\v{c}, Carolina Fortuna, Toma\v{z} Javornik
• Abstract要約: マルチ・インプット・マルチ・アウトプット(MIMO)は、多数の端末を持つ無線ネットワークにおいて、より高速で信頼性の高い通信を実現する技術である。 室内位置推定を改善するためにMIMOを利用する新しい畳み込みニューラルネットワーク(CNN)構造について検討する。 提案したCNN構造は、基準として使用される既知のNN構造よりも2cmから10cmの精度で得られる。
• 参考スコア（独自算出の注目度）: 0.4899818550820575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiple-input multiple-output (MIMO) is an enabling technology to meet the growing demand for faster and more reliable communications in wireless networks with a large number of terminals, but it can also be applied for position estimation of a terminal exploiting multipath propagation from multiple antennas. In this paper, we investigate new convolutional neural network (CNN) structures for exploiting MIMO-based channel state information (CSI) to improve indoor positioning. We evaluate and compare the performance of three variants of the proposed CNN structure to five NN structures proposed in the scientific literature using the same sets of training-evaluation data. The results demonstrate that the proposed residual convolutional NN structure improves the accuracy of position estimation and keeps the total number of weights lower than the published NN structures. The proposed CNN structure yields from 2cm to 10cm better position accuracy than known NN structures used as a reference.
• Abstract（参考訳）: マルチ入力マルチ出力(MIMO)は、多数の端末を持つ無線ネットワークにおける高速で信頼性の高い通信の需要を満たす技術ですが、複数のアンテナからのマルチパス伝搬を利用する端末の位置推定にも適用できます。 本論文では,MIMO ベースのチャネル状態情報 (CSI) を利用した屋内測位改善のための畳み込みニューラルネットワーク (CNN) 構造について検討する。 同一のトレーニング評価データを用いて,提案する3種類のcnn構造と,科学文献で提案されている5種類のnn構造の性能を比較検討した。 その結果,提案した残差畳み込みNN構造は位置推定の精度を向上し,公開NN構造よりも重量の総数を低くすることを示した。 提案するcnn構造は、基準として使用される既知のnn構造よりも2cmから10cm高い位置精度を示す。

関連論文リスト

• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。 ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。 本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• Physical Rule-Guided Convolutional Neural Network [0.0]
  物理誘導ニューラルネットワーク(PGNN)は、科学原理と現実世界の知識を統合することで限界に対処する。 本稿では,動的,トレーニング可能,自動化されたLCM生成ルールをカスタムレイヤとして組み込んだ物理誘導型CNN(PGCNN)アーキテクチャを提案する。 PGCNNは複数のデータセットで評価され、ベースラインCNNモデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-09-03T17:32:35Z)
• High-Precision Machine-Learning Based Indoor Localization with Massive MIMO System [12.171983473119603]
  2つの並列完全連結ニューラルネットワーク(FCNN)を持つMLベースの新しいローカライゼーションパイプラインを解析する。 実測シナリオでは,提案したパイプラインは,遅延情報と角情報を組み合わせることで,センチメートルレベルの精度を達成できる。
  論文  参考訳（メタデータ） (2023-03-07T09:07:42Z)
• Neural Attentive Circuits [93.95502541529115]
  我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。 NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。 NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
  論文  参考訳（メタデータ） (2022-10-14T18:00:07Z)
• Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
  狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。 導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
  論文  参考訳（メタデータ） (2022-05-22T12:16:43Z)
• Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid Precoding [94.40747235081466]
  本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。 我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2021-10-22T20:49:02Z)
• Strengthening the Training of Convolutional Neural Networks By Using Walsh Matrix [0.0]
  分類性能を向上させるため,DNNのトレーニングと構造を変更した。 畳み込みニューラルネットワーク(CNN)の最後の層に続く最小距離ネットワーク(MDN)が分類器として使用される。 異なる領域では、ノード数が少ないDivFEを使用することでより高い分類性能が得られたことが観察されている。
  論文  参考訳（メタデータ） (2021-03-31T18:06:11Z)
• LocalDrop: A Hybrid Regularization for Deep Neural Networks [98.30782118441158]
  本稿では,ローカルラデマチャー複雑性を用いたニューラルネットワークの正規化のための新しい手法であるLocalDropを提案する。 フルコネクテッドネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)の両方のための新しい正規化機能は、ローカルラデマチャー複雑さの上限提案に基づいて開発されました。
  論文  参考訳（メタデータ） (2021-03-01T03:10:11Z)
• A Study on MIMO Channel Estimation by 2D and 3D Convolutional Neural Networks [0.0]
  多入力多出力直交周波数分割多重化(MIMO-OFDM)チャネル推定(CE)における畳み込みニューラルネットワーク(CNN)推定器の利用について検討する。 U-netに基づく2次元CNNアーキテクチャと空間相関を扱う3次元CNNアーキテクチャを設計した。
  論文  参考訳（メタデータ） (2020-11-12T12:24:14Z)
• ACDC: Weight Sharing in Atom-Coefficient Decomposed Convolution [57.635467829558664]
  我々は,CNNにおいて,畳み込みカーネル間の構造正則化を導入する。 我々はCNNがパラメータや計算量を劇的に減らして性能を維持していることを示す。
  論文  参考訳（メタデータ） (2020-09-04T20:41:47Z)
• Centimeter-Level Indoor Localization using Channel State Information with Recurrent Neural Networks [12.193558591962754]
  本稿では,線形アンテナから収集した実CSIデータを用いて,センチメートルレベルの屋内位置推定を行うニューラルネットワーク手法を提案する。 チャネル応答の振幅または相関行列を入力として使用することにより、データサイズを大幅に削減し、ノイズを抑制することができる。 また、リカレントニューラルネットワーク(RNN)と信号雑音比(SNR)情報によるユーザ動作軌跡の整合性を利用して、推定精度をさらに向上する。
  論文  参考訳（メタデータ） (2020-02-04T17:10:18Z)

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。