Fugu-MT 論文翻訳(概要): Deep Learning-Based Active User Detection for Grant-free SCMA Systems

論文の概要: Deep Learning-Based Active User Detection for Grant-free SCMA Systems

arxiv url: http://arxiv.org/abs/2106.11198v1
Date: Mon, 21 Jun 2021 15:34:14 GMT
ステータス: 処理完了
システム内更新日: 2021-06-22 15:05:54.737840
Title: Deep Learning-Based Active User Detection for Grant-free SCMA Systems
Title（参考訳）: scmaシステムのためのディープラーニングに基づくアクティブユーザ検出
Authors: Thushan Sivalingam, Samad Ali, Nurul Huda Mahmood, Nandana Rajatheva, and Matti Latva-Aho
Abstract要約: 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。
参考スコア（独自算出の注目度）: 12.565459084483045
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Grant-free random access and uplink non-orthogonal multiple access (NOMA) have been introduced to reduce transmission latency and signaling overhead in massive machine-type communication (mMTC). In this paper, we propose two novel group-based deep neural network active user detection (AUD) schemes for the grant-free sparse code multiple access (SCMA) system in mMTC uplink framework. The proposed AUD schemes learn the nonlinear mapping, i.e., multi-dimensional codebook structure and the channel characteristic. This is accomplished through the received signal which incorporates the sparse structure of device activity with the training dataset. Moreover, the offline pre-trained model is able to detect the active devices without any channel state information and prior knowledge of the device sparsity level. Simulation results show that with several active devices, the proposed schemes obtain more than twice the probability of detection compared to the conventional AUD schemes over the signal to noise ratio range of interest.
Abstract（参考訳）: 大量機械型通信(mMTC)における伝送遅延と信号のオーバヘッドを低減するため, グラントフリーなランダムアクセスとアップリンク非直交多重アクセス(NOMA)が導入されている。本稿では,mMTCアップリンクフレームワークにおける助成不要スパースコード多重アクセス(SCMA)システムのための,グループベース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(AUD)方式を2つ提案する。提案するオードスキームは非線形写像、すなわち多次元符号帳構造とチャネル特性を学習する。これは、デバイスアクティビティのスパース構造をトレーニングデータセットに組み込んだ受信信号を通じて実現される。さらに、オフライン事前訓練モデルでは、チャネル状態情報やデバイス間隔レベルの事前知識を必要とせず、アクティブなデバイスを検出することができる。シミュレーションの結果,提案手法は複数のアクティブデバイスにおいて,信号から雑音比の範囲に対する従来のAUD方式に比べて検出確率が2倍以上であることがわかった。

関連論文リスト

Deep Learning-Based Approach for User Activity Detection with Grant-Free Random Access in Cell-Free Massive MIMO [0.8520624117635328]
本稿では,アクティビティ検出問題への教師付き機械学習モデルの適用について検討する。本研究では, セルフリー・マス・マルチ入力多重出力(CF-mMIMO)ネットワークにおいて, ユーザアクティビティ検出に特化して設計されたデータ駆動アルゴリズムを提案する。このアルゴリズムは99%の精度を達成し、実世界のアプリケーションで有効性を確認します。
論文参考訳（メタデータ） (2024-06-11T11:08:33Z)
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)
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)
Gan-Based Joint Activity Detection and Channel Estimation For Grant-free Random Access [10.586509586304771]
JADCE問題に対処するために,GAN(Generative Adversarial Network)に基づく新しいモデル自由学習手法を提案する。擬似逆数の性質を活用することにより、アフィン投影とスキップ接続を用いてジェネレータを洗練する。提案手法は, 高SNR方式における既存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） (2022-04-04T12:35:37Z)
Bit-Metric Decoding Rate in Multi-User MIMO Systems: Applications [13.848471206858617]
第1部では,非線形受信機を有するMU-MIMOシステムに対するリンク適応(LA)と物理層(PHY)の抽象化に焦点を当てる。パートIIは、任意の受信機を持つMU-MIMOシステムにおいて、LAのための新しいアルゴリズム、利用可能な検出器のリストからの動的検出器選択、PHY抽象化を開発する。
論文参考訳（メタデータ） (2022-03-11T22:51:26Z)
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)
DeepMuD: Multi-user Detection for Uplink Grant-Free NOMA IoT Networks via Deep Learning [22.345609845425493]
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。
論文参考訳（メタデータ） (2021-02-18T07:43:03Z)
LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文参考訳（メタデータ） (2021-02-05T04:26:05Z)
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。