論文の概要: Learning to Compensate: A Deep Neural Network Framework for 5G Power
Amplifier Compensation
- arxiv url: http://arxiv.org/abs/2106.07953v1
- Date: Tue, 15 Jun 2021 08:11:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-16 14:58:06.966350
- Title: Learning to Compensate: A Deep Neural Network Framework for 5G Power
Amplifier Compensation
- Title(参考訳): learning to compensation: 5gパワーアンプ補償のためのディープニューラルネットワークフレームワーク
- Authors: Po-Yu Chen, Hao Chen, Yi-Min Tsai, Hsien-Kai Kuo, Hantao Huang,
Hsin-Hung Chen, Sheng-Hong Yan, Wei-Lun Ou, Chia-Ming Cheng
- Abstract要約: 本稿では,5G通信におけるパワーアンプ(PA)をモデル化し,補償するための学習ベースのフレームワークを提案する。
提案フレームワークでは,ディープニューラルネットワーク(DNN)を用いてPAの特性を学習し,対応するディジタル事前歪み(DPD)もPAの非線形およびメモリ効果を補うように学習する。
- 参考スコア(独自算出の注目度): 8.627026124969088
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Owing to the complicated characteristics of 5G communication system,
designing RF components through mathematical modeling becomes a challenging
obstacle. Moreover, such mathematical models need numerous manual adjustments
for various specification requirements. In this paper, we present a
learning-based framework to model and compensate Power Amplifiers (PAs) in 5G
communication. In the proposed framework, Deep Neural Networks (DNNs) are used
to learn the characteristics of the PAs, while, correspondent Digital
Pre-Distortions (DPDs) are also learned to compensate for the nonlinear and
memory effects of PAs. On top of the framework, we further propose two
frequency domain losses to guide the learning process to better optimize the
target, compared to naive time domain Mean Square Error (MSE). The proposed
framework serves as a drop-in replacement for the conventional approach. The
proposed approach achieves an average of 56.7% reduction of nonlinear and
memory effects, which converts to an average of 16.3% improvement over a
carefully-designed mathematical model, and even reaches 34% enhancement in
severe distortion scenarios.
- Abstract(参考訳): 5G通信システムの複雑な特徴から,数理モデリングによるRF部品の設計は難題となっている。
さらに、このような数学的モデルは様々な仕様要求に対して多数の手動調整を必要とする。
本稿では,5G通信における電力増幅器(PA)をモデル化・補償するための学習ベースフレームワークを提案する。
提案フレームワークでは,ディープニューラルネットワーク(DNN)を用いてPAの特性を学習し,対応するディジタル事前歪み(DPD)もPAの非線形およびメモリ効果を補うように学習する。
さらに,学習過程において目標を最適化するための2つの周波数領域の損失を,naive time domain mean square error(mse)と比較して提案する。
提案するフレームワークは,従来のアプローチの代替として機能する。
提案手法は, 非線形およびメモリ効果の平均56.7%の低減を実現し, 慎重に設計した数学的モデルよりも平均16.3%向上し, 厳しい歪みのシナリオでは34%向上した。
関連論文リスト
- Denoising Diffusion Probabilistic Models for Hardware-Impaired
Communication Systems: Towards Wireless Generative AI [13.731989014750388]
ハードウェア不備なトランシーバを用いた有限精度無線通信システムにおいて,拡散確率モデル(DDPM)を提案する。
これに触発されて、現実的な非理想に直面する実用的な無線通信方式としてDDPMベースの受信機が提案される。
提案手法は低SNR下でのネットワークレジリエンス,HWIレベルと量子化誤差の相違によるほぼ不変な再構成性能,非ガウス雑音に対するロバストなアウト・オブ・ディストリビューション性能を実現する。
論文 参考訳(メタデータ) (2023-10-30T11:33:01Z) - Adaptive Model Pruning and Personalization for Federated Learning over
Wireless Networks [72.59891661768177]
フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。
これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。
このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
論文 参考訳(メタデータ) (2023-09-04T21:10:45Z) - Sample Less, Learn More: Efficient Action Recognition via Frame Feature
Restoration [59.6021678234829]
本稿では,2つのスパースサンプリングおよび隣接するビデオフレームの中間特徴を復元する新しい手法を提案する。
提案手法の統合により, 一般的な3つのベースラインの効率は50%以上向上し, 認識精度は0.5%低下した。
論文 参考訳(メタデータ) (2023-07-27T13:52:42Z) - From Environmental Sound Representation to Robustness of 2D CNN Models
Against Adversarial Attacks [82.21746840893658]
本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。
DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
論文 参考訳(メタデータ) (2022-04-14T15:14:08Z) - Learning OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
達成可能な情報レートを最大化しつつ,選択した制約を満たすOFDMベースの波形を設計するための学習ベース手法を提案する。
エンドツーエンドシステムは,PAPRとACLRの制約を満たすことができ,スループットを著しく向上させることができることを示す。
論文 参考訳(メタデータ) (2021-10-21T08:58:59Z) - Mitigating severe over-parameterization in deep convolutional neural
networks through forced feature abstraction and compression with an
entropy-based heuristic [7.503338065129185]
本稿では,エントロピーに基づく畳み込み層推定(EBCLE)を提案する。
EBCLEを用いて訓練したより広いが浅いモデルの相対的有効性を強調する実証的証拠を提示する。
論文 参考訳(メタデータ) (2021-06-27T10:34:39Z) - Rate Distortion Characteristic Modeling for Neural Image Compression [59.25700168404325]
エンドツーエンドの最適化機能は、ニューラルイメージ圧縮(NIC)の優れた損失圧縮性能を提供する。
異なるモデルは、R-D空間の異なる点に到達するために訓練される必要がある。
深層ネットワークと統計モデルを用いてNICのR-D挙動を記述するために,本質的な数学的関数の定式化に努めている。
論文 参考訳(メタデータ) (2021-06-24T12:23:05Z) - Low-Complexity Models for Acoustic Scene Classification Based on
Receptive Field Regularization and Frequency Damping [7.0349768355860895]
ニューラルネットワークにおけるパラメータ数を削減するために,よく知られた手法をいくつか検討し,比較する。
我々は、受容場に特定の制約を適用することで、高い性能の低複雑性モデルを実現することができることを示す。
本稿では,モデルのRFを規則化するためのフィルタ減衰手法を提案する。
論文 参考訳(メタデータ) (2020-11-05T16:34:11Z) - Optimization-driven Deep Reinforcement Learning for Robust Beamforming
in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。
我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。
過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文 参考訳(メタデータ) (2020-05-25T01:42:55Z) - Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。
このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる
このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文 参考訳(メタデータ) (2020-03-13T13:11:35Z)
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。