論文の概要: Deep Learning Based RIS Channel Extrapolation with Element-grouping

• arxiv url: http://arxiv.org/abs/2105.06850v1
• Date: Fri, 14 May 2021 14:24:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-17 16:25:15.897903
• Title: Deep Learning Based RIS Channel Extrapolation with Element-grouping
• Title（参考訳）: 要素群を用いた深層学習に基づくRISチャネル外挿
• Authors: Shunbo Zhang, Shun Zhang, Feifei Gao, Jianpeng Ma, Octavia A. Dobre
• Abstract要約: 我々は、受動的なRIS要素の膨大な数のために困難なタスクであるカスケードチャンネルの取得を検討します。 一つのグループの各要素が同じ反射係数を共有し、同じチャネル条件を持つと仮定した要素グループ化戦略を採用する。 要素グループ戦略によるチャネル干渉を分析し、2つのディープラーニングベースのネットワークをさらに設計します。
• 参考スコア（独自算出の注目度）: 61.18715079535163
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconfigurable intelligent surface (RIS) is considered as a revolutionary technology for future wireless communication networks. In this letter, we consider the acquisition of the cascaded channels, which is a challenging task due to the massive number of passive RIS elements. To reduce the pilot overhead, we adopt the element-grouping strategy, where each element in one group shares the same reflection coefficient and is assumed to have the same channel condition. We analyze the channel interference caused by the element-grouping strategy and further design two deep learning based networks. The first one aims to refine the partial channels by eliminating the interference, while the second one tries to extrapolate the full channels from the refined partial channels. We cascade the two networks and jointly train them. Simulation results show that the proposed scheme provides significant gain compared to the conventional element-grouping method without interference elimination.
• Abstract（参考訳）: reconfigurable intelligent surface (ris) は将来の無線通信ネットワークにとって革命的な技術であると考えられている。 本書では,多数の受動RIS要素により,カスケードチャネルの獲得が困難な課題であると考えられる。 パイロットオーバヘッドを低減するため,一つのグループの各要素が同じ反射係数を共有し,同じチャネル条件を持つと仮定する要素群化戦略を採用する。 本稿では,要素群戦略によるチャネル干渉を分析し,さらに2つの深層学習ネットワークを設計する。 第1は干渉を排除して部分チャネルを洗練させることを目標とし、第2は精製された部分チャネルから全チャネルを外挿しようとする。 2つのネットワークをカスケードし、共同でトレーニングします。 シミュレーションの結果,提案手法は干渉除去を伴わない従来の要素群法に比べて大きな利得を示した。

関連論文リスト

• Low Complexity Channel estimation with Neural Network Solutions [1.0499453838486013]
  我々は、ダウンリンクシナリオでチャネル推定を実現するために、一般的な残差畳み込みニューラルネットワークをデプロイする。 チャネル推定における他のディープラーニング手法と比較して,平均二乗誤差計算の改善が示唆された。
  論文  参考訳（メタデータ） (2022-01-24T19:55:10Z)
• Time-Varying Channel Prediction for RIS-Assisted MU-MISO Networks via Deep Learning [15.444805225936992]
  再構成可能なインテリジェントサーフェス(RIS)は、無線通信の信号伝送品質を改善するための有望な技術となっている。 しかし、RISアシストシステムでは、正確で低レイテンシで低パイロットオーバヘッドチャネル状態情報(CSI)の取得が大きな課題となっている。 CSIを必要とする3段階のジョイントチャネル分解および予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-09T07:26:51Z)
• Group Fisher Pruning for Practical Network Compression [58.25776612812883]
  本稿では,様々な複雑な構造に応用可能な汎用チャネルプルーニング手法を提案する。 我々は、単一チャネルと結合チャネルの重要性を評価するために、フィッシャー情報に基づく統一されたメトリクスを導出する。 提案手法は,結合チャネルを含む任意の構造をプルークするために利用できる。
  論文  参考訳（メタデータ） (2021-08-02T08:21:44Z)
• Channel-wise Gated Res2Net: Towards Robust Detection of Synthetic Speech Attacks [67.7648985513978]
  自動話者検証(ASV)における既存のアンチスプーフィングのアプローチは、未確認攻撃に対する一般化性に欠ける。 本稿では,チャネルワイズゲーティング機構を実現するためにRes2Netを改良した新しいCG-Res2Netを提案する。
  論文  参考訳（メタデータ） (2021-07-19T12:27:40Z)
• Deep Learning Optimized Sparse Antenna Activation for Reconfigurable Intelligent Surface Assisted Communication [54.72880662623178]
  再構成可能なインテリジェントサーフェス(RIS)は通常、パッシブモードで動作する。 カスケードチャネル構造と信号処理能力の欠如により、RISが個々のチャネル状態情報を取得することは困難である。 本稿では、RISのアンテナの一部に信号処理ユニットを追加し、チャネルを部分的に取得する。
  論文  参考訳（メタデータ） (2020-09-03T12:27:22Z)
• Channel Estimation for RIS-Empowered Multi-User MISO Wireless Communications [35.207416803526876]
  基地局とRIS間のチャネルに対する2つの反復推定アルゴリズムを提案する。 1つは交互最小二乗法(ALS)に基づいており、もう1つはベクトル近似メッセージを使って2つの未知のチャネルを反復的に再構築する。 また、推定チャネルと基地局の異なるプリコーディング方式を用いて、ダウンリンク達成可能な総和率についても論じる。
  論文  参考訳（メタデータ） (2020-08-04T10:53:51Z)
• 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)
• Decentralized Learning for Channel Allocation in IoT Networks over Unlicensed Bandwidth as a Contextual Multi-player Multi-armed Bandit Game [134.88020946767404]
  本稿では,プライマリセルネットワークにライセンスされたスペクトルに基づいて,アドホックなモノのインターネットネットワークにおける分散チャネル割り当て問題について検討する。 本研究では,この問題をコンテキスト型マルチプレイヤー・マルチアームバンディットゲームにマッピングし,試行錯誤による純粋に分散化された3段階ポリシー学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-30T10:05:35Z)

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。