論文の概要: End-to-End Learning for Uplink MU-SIMO Joint Transmitter and
Non-Coherent Receiver Design in Fading Channels
- arxiv url: http://arxiv.org/abs/2105.01260v1
- Date: Tue, 4 May 2021 02:47:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-05 12:45:41.377400
- Title: End-to-End Learning for Uplink MU-SIMO Joint Transmitter and
Non-Coherent Receiver Design in Fading Channels
- Title（参考訳）: MU-SIMOジョイントトランスミッタのエンドツーエンド学習とフェードチャネルにおける非コヒーレントレシーバ設計
- Authors: Songyan Xue, Yi Ma, Na Yi
- Abstract要約: JTRD-Netと呼ばれる新しいエンドツーエンド学習手法が提案され、マルチユーザシングルインプットマルチ出力(MU-SIMO)ジョイントトランスミッタとフェーディングチャネルにおける非コヒーレントレシーバー設計(JTRD)をアップリンクする。
送信側は、マルチユーザー波形設計を担当する並列線形層のグループとしてモデル化されています。
非コヒーレント受信機は、マルチユーザ検出(MUD)機能を提供するために、ディープフィードフォワードニューラルネットワーク(DFNN)によって形成される。
- 参考スコア（独自算出の注目度）: 11.182920270301304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, a novel end-to-end learning approach, namely JTRD-Net, is
proposed for uplink multiuser single-input multiple-output (MU-SIMO) joint
transmitter and non-coherent receiver design (JTRD) in fading channels. The
basic idea lies in the use of artificial neural networks (ANNs) to replace
traditional communication modules at both transmitter and receiver sides. More
specifically, the transmitter side is modeled as a group of parallel linear
layers, which are responsible for multiuser waveform design; and the
non-coherent receiver is formed by a deep feed-forward neural network (DFNN) so
as to provide multiuser detection (MUD) capabilities. The entire JTRD-Net can
be trained from end to end to adapt to channel statistics through deep
learning. After training, JTRD-Net can work efficiently in a non-coherent
manner without requiring any levels of channel state information (CSI). In
addition to the network architecture, a novel weight-initialization method,
namely symmetrical-interval initialization, is proposed for JTRD-Net. It is
shown that the symmetrical-interval initialization outperforms the conventional
method (e.g. Xavier initialization) in terms of well-balanced convergence-rate
among users. Simulation results show that the proposed JTRD-Net approach takes
significant advantages in terms of reliability and scalability over baseline
schemes on both i.i.d. complex Gaussian channels and spatially-correlated
channels.
- Abstract（参考訳）: 本稿では,マルチユーザ・シングルインプット・マルチインプット・マルチアウトプット(MU-SIMO)と非コヒーレント・レシーバ設計(JTRD)のための新しいエンドツーエンド学習手法であるJTRD-Netを提案する。
基本的な考え方は、送信側と受信側の両方で従来の通信モジュールを置き換えるために、ニューラルネットワーク(anns)を使用することにある。
より具体的には、送信側は、マルチユーザ波形設計に責任を持つ並列線形層のグループとしてモデル化され、非コヒーレント受信機は、マルチユーザ検出(MUD)機能を提供するために、ディープフィードフォワードニューラルネットワーク(DFNN)によって形成される。
JTRD-Net全体は、ディープラーニングを通じてチャネル統計に適応するように、エンドツーエンドでトレーニングすることができる。
トレーニング後、JTRD-Netは、チャネル状態情報(CSI)のレベルを必要とせずに、非コヒーレントな方法で効率的に動作することができる。
ネットワークアーキテクチャに加えて、JTRD-Netに対して新しい重み初期化手法、すなわち対称区間初期化を提案する。
対称区間初期化は従来の方法(例えば)よりも優れていた。
Xavier の初期化) ユーザ間のバランスの取れた収束率。
シミュレーションの結果,提案したJTRD-Netアプローチは,ベースライン方式の信頼性とスケーラビリティの両面において大きな利点があることがわかった。
複雑なガウスチャネルと空間的関連チャネル。
関連論文リスト
- Channel-Feedback-Free Transmission for Downlink FD-RAN: A Radio Map based Complex-valued Precoding Network Approach [21.53419874372417]
本稿では,物理層フィードバックに頼ることなく,新しい伝送方式を提案する。
具体的には,無線地図に基づく複合値プリコーディングネットワーク(RMCPNet)モデルを設計し,ユーザ位置に基づいて基地局プリコーディングを出力する。
提案手法をパブリックなDeepMIMOデータセット上で評価し,RMCPNetが16%,76%の性能改善を実現可能であることを示す。
論文 参考訳（メタデータ） (2023-11-30T02:41:04Z) - 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) - Over-the-Air Split Machine Learning in Wireless MIMO Networks [56.27831295707334]
スプリット機械学習(ML)では、ニューラルネットワーク(NN)の異なるパーティションが異なる計算ノードによって実行される。
通信負担を軽減するため、OAC(Over-the-air calculation)は通信と同時に計算の全てまたは一部を効率的に実装することができる。
論文 参考訳（メタデータ） (2022-10-07T15:39:11Z) - Neural Network-based OFDM Receiver for Resource Constrained IoT Devices [44.8697473676516]
モノのインターネット(IoT)のための新しいモジュール型機械学習(ML)ベースのレシーバチェーンの設計について検討する。
MLブロックはOFDM受信機の個々の処理ブロックを置換し,従来のチャネル推定,シンボルデマッピング,デコードブロックをニューラルネットワーク(NN)で置き換える。
提案手法は,従来の非MLレシーバのビット誤り率を,シミュレーションとオーバー・ザ・エアで平均61%,10%向上させるものである。
論文 参考訳（メタデータ） (2022-05-12T15:32:35Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳（メタデータ） (2022-05-02T12:23:55Z) - 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) - Channel Estimation Based on Machine Learning Paradigm for Spatial
Modulation OFDM [0.0]
ディープニューラルネットワーク(DNN)は、レイリーフェディングチャネル上のエンドツーエンドデータ検出のための空間変調直交周波数分割多重化(SM-OFDM)技術と統合されている。
提案システムは受信したシンボルを直接復調し,チャネル推定を暗黙的に行う。
論文 参考訳（メタデータ） (2021-09-15T10:54:56Z) - Deep Learning Based Antenna-time Domain Channel Extrapolation for Hybrid
mmWave Massive MIMO [30.201881862681972]
本研究では,部分的なアップリンクチャネルから基地局の全ダウンリンクチャネルへのマッピング関数を学習するために,潜在常微分方程式(ODE)に基づくネットワークを設計する。
シミュレーションの結果,設計したネットワークは,部分的なアップリンクチャネルから全ダウンリンクチャネルを効率的に推測できることがわかった。
論文 参考訳（メタデータ） (2021-08-09T11:12:46Z) - Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。
受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。
エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文 参考訳（メタデータ） (2021-08-03T14:26:14Z) - 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) - Model-Driven Deep Learning Based Channel Estimation and Feedback for
Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。
無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。
MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-22T13:34:53Z)
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。