論文の概要: A Low-Complexity MIMO Channel Estimator with Implicit Structure of a
Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/2104.12667v1
- Date: Mon, 26 Apr 2021 15:52:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 18:48:09.489234
- Title: A Low-Complexity MIMO Channel Estimator with Implicit Structure of a
Convolutional Neural Network
- Title（参考訳）: 畳み込みニューラルネットワークの暗黙的構造を持つ低複素mimoチャネル推定器
- Authors: B. Fesl, N. Turan, M. Koller, and W. Utschick
- Abstract要約: 単一アンテナユーザを対象とした最小平均二乗誤差チャネル推定器を学習する低複雑性畳み込みニューラルネットワーク推定器を提案する。
パイロットシーケンスの任意の選択に対する推定器の高レベルな記述を導出する。
数値的な結果は最先端のアルゴリズムと比較して性能が向上することを示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A low-complexity convolutional neural network estimator which learns the
minimum mean squared error channel estimator for single-antenna users was
recently proposed. We generalize the architecture to the estimation of MIMO
channels with multiple-antenna users and incorporate complexity-reducing
assumptions based on the channel model. Learning is used in this context to
combat the mismatch between the assumptions and real scenarios where the
assumptions may not hold. We derive a high-level description of the estimator
for arbitrary choices of the pilot sequence. It turns out that the proposed
estimator has the implicit structure of a two-layered convolutional neural
network, where the derived quantities can be relaxed to learnable parameters.
We show that by using discrete Fourier transform based pilots the number of
learnable network parameters decreases significantly and the online run time of
the estimator is reduced considerably, where we can achieve linearithmic order
of complexity in the number of antennas. Numerical results demonstrate
performance gains compared to state-of-the-art algorithms from the field of
compressive sensing or covariance estimation of the same or even higher
computational complexity. The simulation code is available online.
- Abstract（参考訳）: 単一アンテナユーザのための最小平均二乗誤差チャネル推定器を学習する低複素畳み込みニューラルネットワーク推定器が最近提案されている。
アーキテクチャをマルチアンテナユーザによるMIMOチャネルの推定に一般化し、チャネルモデルに基づく複雑性低減仮定を組み込む。
この文脈で学習は、仮定と仮定が持たない実際のシナリオの間のミスマッチに対処するために使用される。
パイロットシーケンスの任意の選択に対する推定器の高レベルな記述を導出する。
提案した推定器は、2層畳み込みニューラルネットワークの暗黙構造を持ち、そこから得られる量は学習可能なパラメータに緩和することができる。
離散フーリエ変換に基づくパイロットを用いて, 学習可能なネットワークパラメータの数が大幅に減少し, 推定器のオンライン実行時間が大幅に短縮され, アンテナ数における複雑さの線形次数を実現できることを示す。
数値計算の結果は、圧縮センシングや共分散推定の分野から得られた最先端のアルゴリズムと比較して、同じまたはそれ以上の計算複雑性の性能向上を示す。
シミュレーションコードはオンラインで入手できる。
関連論文リスト
- Multilevel CNNs for Parametric PDEs based on Adaptive Finite Elements [0.0]
高次元パラメータ依存偏微分方程式の多値性を利用するニューラルネットワークアーキテクチャが提案されている。
ネットワークは適応的に洗練された有限要素メッシュのデータで訓練される。
適応型マルチレベルスキームに対して完全収束と複雑性解析を行う。
論文 参考訳（メタデータ） (2024-08-20T13:32:11Z) - Adaptive Multilevel Neural Networks for Parametric PDEs with Error Estimation [0.0]
ニューラルネットワークアーキテクチャは高次元パラメータ依存偏微分方程式(pPDE)を解くために提示される
モデルデータのパラメータを対応する有限要素解にマッピングするために構築される。
適応有限要素法(AFEM)で生成される粗いグリッド解と一連の補正を出力する。
論文 参考訳（メタデータ） (2024-03-19T11:34:40Z) - A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。
自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。
時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文 参考訳（メタデータ） (2023-01-24T08:39:20Z) - A Recursively Recurrent Neural Network (R2N2) Architecture for Learning
Iterative Algorithms [64.3064050603721]
本研究では,リカレントニューラルネットワーク (R2N2) にランゲ・クッタニューラルネットワークを一般化し,リカレントニューラルネットワークを最適化した反復アルゴリズムの設計を行う。
本稿では, 線形方程式系に対するクリロフ解法, 非線形方程式系に対するニュートン・クリロフ解法, 常微分方程式に対するルンゲ・クッタ解法と類似の繰り返しを計算問題クラスの入力・出力データに対して提案した超構造内における重みパラメータの正規化について述べる。
論文 参考訳（メタデータ） (2022-11-22T16:30:33Z) - Bagged Polynomial Regression and Neural Networks [0.0]
時系列とデータセットの回帰は、ニューラルネットワークと同じ関数クラスを近似することができる。
textitbagged regression (BPR)は、ニューラルネットワークの魅力的な代替品である。
BPRは、衛星データを用いた作物分類において、ニューラルネットワークと同様に機能する。
論文 参考訳（メタデータ） (2022-05-17T19:55:56Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳（メタデータ） (2021-07-27T06:57:56Z) - Probabilistic partition of unity networks: clustering based deep
approximation [0.0]
ユニタリネットワーク(POU-Nets)の分割は、回帰とPDEの解に対する代数収束率を実現することができる。
ガウス雑音モデルを用いてPOU-Netを拡張し、最大可算損失の勾配に基づく一般化を導出できる確率的一般化を得る。
本研究では,高次元・低次元での性能を定量化するためのベンチマークを行い,高次元空間内のデータの潜在次元にのみ依存することを示す。
論文 参考訳（メタデータ） (2021-07-07T08:02:00Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。
本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-08T12:48:06Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z)
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。