論文の概要: Channel-noise tracking for sub-shot-noise-limited receivers with neural networks

• arxiv url: http://arxiv.org/abs/2102.07665v1
• Date: Mon, 15 Feb 2021 16:50:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-11 02:21:10.656318
• Title: Channel-noise tracking for sub-shot-noise-limited receivers with neural networks
• Title（参考訳）: ニューラルネットワークを用いたサブショットノイズ制限受信機のチャネルノイズ追跡
• Authors: M. T. DiMario, F. E. Becerra
• Abstract要約: 本稿では,位相および振幅チャネルノイズの計算効率の高い推定器として,ディープニューラルネットワークを用いた場合について検討する。 このノイズトラッキング手法により、非ガウス受信機は量子ノイズ限界よりもその利点を維持することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-Gaussian receivers for optical communication with coherent states can achieve measurement sensitivities beyond the limits of conventional detection, given by the quantum-noise limit (QNL). However, the amount of information that can be reliably transmitted substantially degrades if there is noise in the communication channel, unless the receiver is able to efficiently compensate for such noise. Here, we investigate the use of a deep neural network as a computationally efficient estimator of phase and amplitude channel noise to enable a reliable method for noise tracking for non-Gaussian receivers. The neural network uses the data collected by the non-Gaussian receiver to estimate and correct for dynamic channel noise in real-time. Using numerical simulations, we find that this noise tracking method allows the non-Gaussian receiver to maintain its benefit over the QNL across a broad range of strengths and bandwidths of phase and intensity noise. The noise tracking method based on neural networks can further include other types of noise to ensure sub-QNL performance in channels with many sources of noise.
• Abstract（参考訳）: コヒーレントな状態との光通信のための非ガウス受信機は、量子ノイズ限界(QNL)によって与えられる従来の検出限界を超える測定感度を達成することができる。 しかし、受信者がそのようなノイズを効率的に補償できなければ、通信チャネルにノイズがある場合、確実に送信できる情報の量は実質的に劣化する。 本稿では,位相・振幅チャネルノイズの計算効率の高い推定手段としてのディープニューラルネットワークの利用について検討し,非ガウシアン受信機における雑音追跡の信頼性について検討する。 ニューラルネットワークは、非ガウス受信者が収集したデータを用いて、動的チャネルノイズをリアルタイムに推定し、補正する。 数値シミュレーションにより、このノイズトラッキング手法により、位相と強度の幅広い強度と帯域で、非ガウス受信機がQNLの利点を維持することができることがわかった。 ニューラルネットに基づくノイズ追跡法は、ノイズ源の多いチャネルにおけるサブqnl性能を保証するために、他のタイプのノイズも含むことができる。

関連論文リスト

• CFNet: Conditional Filter Learning with Dynamic Noise Estimation for Real Image Denoising [37.29552796977652]
  本稿では、カメラ内信号処理パイプラインを用いた異方性ガウス/ポアソンガウス分布によって近似された実雑音について考察する。 本稿では,特徴位置の異なる最適なカーネルを画像とノイズマップの局所的特徴により適応的に推定できる条件付きフィルタを提案する。 また,CNN構造にノイズ推定や非ブラインド復調を行う場合,反復的特徴復調を導出する前に連続的にノイズを更新すると考える。
  論文  参考訳（メタデータ） (2022-11-26T14:28:54Z)
• Qubit noise deconvolution [0.0]
  量子ビットシステム上で任意の測定を行う際に,広帯域ノイズを除去するノイズデコンボリューション手法を提案する。 データ処理ステップでこれを利用して、既知の雑音を受けるキュービットシステムで評価された可観測物のノイズのない推定値を得る。
  論文  参考訳（メタデータ） (2021-12-06T13:46:04Z)
• Removing Noise from Extracellular Neural Recordings Using Fully Convolutional Denoising Autoencoders [62.997667081978825]
  ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。 シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-09-18T14:51:24Z)
• Learning based signal detection for MIMO systems with unknown noise statistics [84.02122699723536]
  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。
  論文  参考訳（メタデータ） (2021-01-21T04:48:15Z)
• Object Detection based on OcSaFPN in Aerial Images with Noise [9.587619619262716]
  オクターブ畳み込みに基づく意味的注意特徴ピラミッドネットワーク(OcSaFPN)は、ノイズによる物体検出の精度を高めるために提案されている。 提案アルゴリズムは,3つのデータセットで検証し,ガウス雑音や乗法雑音による最先端検出性能を実現する。
  論文  参考訳（メタデータ） (2020-12-18T01:28:51Z)
• Adaptive noise imitation for image denoising [58.21456707617451]
  本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。 現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。 ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
  論文  参考訳（メタデータ） (2020-11-30T02:49:36Z)
• 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)
• Robust Processing-In-Memory Neural Networks via Noise-Aware Normalization [26.270754571140735]
  PIM加速器は、しばしば物理的成分の固有のノイズに悩まされる。 雑音設定に対してロバストなニューラルネットワーク性能を実現するためのノイズ非依存手法を提案する。
  論文  参考訳（メタデータ） (2020-07-07T06:51:28Z)
• Phase tracking for sub-shot-noise-limited receivers [0.0]
  光子計数などの非ガウス測度に基づく位相コヒーレント状態の非従来型受信機は、ショットノイズ制限コヒーレント受信機の感度限界を超える。 ここでは、非ガウス受信機における位相追跡を行い、量子ノイズ限界(QNL)を超えて復号し、時変位相雑音を補正する。 非ガウス受信機は、時相ノイズのある現実的なチャンネルにおいて、理想的コヒーレント受信機よりも高い感度と情報伝達率を達成することができる。
  論文  参考訳（メタデータ） (2020-07-06T14:57:31Z)
• 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)
• A deep learning model for noise prediction on near-term quantum devices [137.6408511310322]
  我々は、量子デバイスからの実験データに基づいて畳み込みニューラルネットワークをトレーニングし、ハードウェア固有のノイズモデルを学ぶ。 コンパイラはトレーニングされたネットワークをノイズ予測器として使用し、期待されるノイズを最小限に抑えるために回路にゲートのシーケンスを挿入する。
  論文  参考訳（メタデータ） (2020-05-21T17:47:29Z)

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。