Fugu-MT 論文翻訳(概要): DeepMuD: Multi-user Detection for Uplink Grant-Free NOMA IoT Networks via Deep Learning

論文の概要: DeepMuD: Multi-user Detection for Uplink Grant-Free NOMA IoT Networks via Deep Learning

arxiv url: http://arxiv.org/abs/2102.09196v1
Date: Thu, 18 Feb 2021 07:43:03 GMT
ステータス: 処理完了
システム内更新日: 2021-02-19 14:08:13.395267
Title: DeepMuD: Multi-user Detection for Uplink Grant-Free NOMA IoT Networks via Deep Learning
Title（参考訳）: DeepMuD: 深層学習による無許可NOMAIoTネットワークのマルチユーザ検出
Authors: Ahmet Emir, Ferdi Kara, Hakan Kaya, Halim Yanikomeroglu
Abstract要約: アップリンク非直交多重アクセス(NOMA)における深層学習支援マルチユーザ検出(DeepMuD)の提案提案したDeepMuDは、アップリンクNOMAのエラー性能を大幅に改善する。この増加は、IoT(Internet of Things)デバイスの数の増加に匹敵するものだ。
参考スコア（独自算出の注目度）: 22.345609845425493
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this letter, we propose a deep learning-aided multi-user detection (DeepMuD) in uplink non-orthogonal multiple access (NOMA) to empower the massive machine-type communication where an offline-trained Long Short-Term Memory (LSTM)-based network is used for multi-user detection. In the proposed DeepMuD, a perfect channel state information (CSI) is also not required since it is able to perform a joint channel estimation and multi-user detection with the pilot responses, where the pilot-to-frame ratio is very low. The proposed DeepMuD improves the error performance of the uplink NOMA significantly and outperforms the conventional detectors (even with perfect CSI). Moreover, this gain becomes superb with the increase in the number of Internet of Things (IoT) devices. Furthermore, the proposed DeepMuD has a flexible detection and regardless of the number of IoT devices, the multi-user detection can be performed. Thus, an arbitrary number of IoT devices can be served without a signaling overhead, which enables the grant-free communication.
Abstract（参考訳）: 本稿では,オフライン学習型長期短期記憶(lstm)ベースのネットワークをマルチユーザ検出に使用する大規模マシン型通信の強化を目的として,uplink非orthogonal multi access(noma)におけるディープラーニング支援マルチユーザ検出(deepmud)を提案する。提案したDeepMuDでは,パイロット対フレーム比が極めて低い場合に,パイロット応答との結合チャネル推定とマルチユーザ検出を行うことができるため,完全チャネル状態情報(CSI)も不要である。提案したDeepMuDは、アップリンクNOMAの誤差性能を著しく改善し、従来の検出器(完全なCSIでも)より優れている。さらに、IoT(Internet of Things, モノのインターネット)デバイスの数が増加するにつれて、この増加は加速する。さらに,提案するdeepmudは柔軟な検出が可能であり,iotデバイス数にかかわらず,マルチユーザ検出を行うことができる。これにより、任意の数のIoTデバイスを信号オーバーヘッドなしで提供でき、許可なしの通信が可能になります。

関連論文リスト

Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。 KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。 RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
論文参考訳（メタデータ） (2024-09-09T13:56:22Z)
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)
Non-Orthogonal Multiple Access Enhanced Multi-User Semantic Communication [7.231199109999097]
本稿では,NomaSC(Non-Orthogonal multiple access)に基づくマルチユーザセマンティックコミュニケーションシステムを提案する。システムは、ソース情報の多様性を持つ複数のユーザのセマンティックトランスミッションをサポートすることができる。
論文参考訳（メタデータ） (2023-03-12T07:32:42Z)
Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文参考訳（メタデータ） (2022-10-08T04:32:58Z)
Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
論文参考訳（メタデータ） (2022-09-18T03:07:37Z)
Joint User and Data Detection in Grant-Free NOMA with Attention-based BiLSTM Network [14.569960447904327]
マルチユーザ検出問題を解決するために,注目型双方向長短期メモリ(BiLSTM)ネットワークを提案する。提案するフレームワークは、MUDを実行するためのデバイス疎度レベルやチャネルの事前知識を必要としない。その結果,提案するネットワークは,既存のベンチマーク方式と比較して性能が向上していることがわかった。
論文参考訳（メタデータ） (2022-09-14T03:18:23Z)
Graph Neural Network Aided MU-MIMO Detectors [31.202097630016286]
multi-user multiple-input multiple-output (MU-MIMO) システムは、5G以上のネットワークのスループット要求を満たすために使用できる。基地局は、アップリンクMU-MIMOシステムで多くのユーザーにサービスを提供しており、実質的なマルチユーザ干渉(MUI)につながる。
論文参考訳（メタデータ） (2022-06-19T11:23:02Z)
A Single-Target License Plate Detection with Attention [56.83051142257412]
ニューラルネットワークは一般にライセンスプレート検出(LPD)タスクに採用されており、パフォーマンスと精度が向上している。 LPDのような単一のオブジェクト検出タスクでは、修正された汎用オブジェクト検出は時間がかかり、複雑なシナリオや組み込みデバイスへのデプロイが困難すぎる面倒な重み付けファイルに対処できない。
論文参考訳（メタデータ） (2021-12-12T03:00:03Z)
Deep Learning-Based Active User Detection for Grant-free SCMA Systems [12.565459084483045]
グループベースのディープニューラルネットワークアクティブユーザ検出方式を2つ提案する。スキームは非線形マッピング、すなわち多次元コードブック構造とチャネル特性を学ぶ。オフラインで事前訓練されたモデルは、チャネル状態情報なしでアクティブなデバイスを検出することができる。
論文参考訳（メタデータ） (2021-06-21T15:34:14Z)
Pilot Interval Reduction by Deep Learning Based Detectors in Uplink NOMA [0.0]
受信機でチャネルが不明なアップリンク通信システムでは、異なる時間間隔で各ユーザから送信されるパイロット信号により、NOMAのスペクトル効率が低下する。本研究では,アップリンク通信システムにおいて,基地局の利用者から送信されたパイロット信号に応答することが知られているDL深度学習に基づく検出器について検討した。
論文参考訳（メタデータ） (2020-04-26T15:22:44Z)
DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection [98.43451011898212]
複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
論文参考訳（メタデータ） (2020-02-08T18:31:00Z)

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。