論文の概要: Machine Learning for Model Order Selection in MIMO OFDM Systems
- arxiv url: http://arxiv.org/abs/2106.11633v1
- Date: Tue, 22 Jun 2021 09:42:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-23 14:43:04.329575
- Title: Machine Learning for Model Order Selection in MIMO OFDM Systems
- Title(参考訳): MIMO OFDMシステムにおけるモデル順序選択のための機械学習
- Authors: Brenda Vilas Boas, Wolfgang Zirwas, Martin Haardt
- Abstract要約: 無線チャネルを構成するマルチパスコンポーネント(MPC)の数を決定する機械学習(ML)手法を提案する。
その結果,提案手法は信頼性が向上していることがわかった。
- 参考スコア(独自算出の注目度): 19.0581196881206
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A variety of wireless channel estimation methods, e.g., MUSIC and ESPRIT,
rely on prior knowledge of the model order. Therefore, it is important to
correctly estimate the number of multipath components (MPCs) which compose such
channels. However, environments with many scatterers may generate MPCs which
are closely spaced. This clustering of MPCs in addition to noise makes the
model order selection task difficult in practice to currently known algorithms.
In this paper, we exploit the multidimensional characteristics of MIMO
orthogonal frequency division multiplexing (OFDM) systems and propose a machine
learning (ML) method capable of determining the number of MPCs with a higher
accuracy than state of the art methods in almost coherent scenarios. Moreover,
our results show that our proposed ML method has an enhanced reliability.
- Abstract(参考訳): MUSICやESPRITといった様々な無線チャネル推定手法は、モデルの順序に関する事前知識に依存している。
したがって、そのようなチャネルを構成するマルチパスコンポーネント(MPC)の数を正確に推定することが重要である。
しかし、多くの散乱器を持つ環境は、密接な空間を持つMPCを生成する。
この雑音に加えてmpcのクラスタリングは、現在知られているアルゴリズムではモデル順序選択タスクを実際に困難にする。
本稿では,MIMO直交周波数分割多重化(OFDM)システムの多次元特性を活用し,ほぼ一貫性のあるシナリオにおける技術手法の状態よりも高い精度でMPC数を決定する機械学習(ML)手法を提案する。
さらに,提案手法は信頼性が向上していることを示す。
関連論文リスト
- Model Composition for Multimodal Large Language Models [73.70317850267149]
本稿では,既存のMLLMのモデル構成による新しいパラダイムを提案する。
我々の基本的な実装であるNaiveMCは、モダリティエンコーダを再利用し、LLMパラメータをマージすることで、このパラダイムの有効性を実証する。
論文 参考訳(メタデータ) (2024-02-20T06:38:10Z) - Large AI Model Empowered Multimodal Semantic Communications [51.17527319441436]
本稿では,Large AI Model-based Multimodal SC (LAM-MSC) フレームワークを提案する。
SC-based Multimodal Alignment (MMA)について紹介する。
次に、パーソナライズされたLLMベースの知識ベース(LKB)を提案する。
最後に、CGE(Conditional Generative Adversarial Network-based Channel Estimation)を適用し、CSI(Channel State Information)を得る。
論文 参考訳(メタデータ) (2023-09-03T19:24:34Z) - Formal Controller Synthesis for Markov Jump Linear Systems with
Uncertain Dynamics [64.72260320446158]
マルコフジャンプ線形系に対する制御器の合成法を提案する。
本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。
本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
論文 参考訳(メタデータ) (2022-12-01T17:36:30Z) - Online Probabilistic Model Identification using Adaptive Recursive MCMC [8.465242072268019]
適応再帰的マルコフ連鎖モンテカルロ法(ARMCMC)を提案する。
モデルパラメータの確率密度関数全体を計算しながら、従来のオンライン手法の欠点を解消する。
本研究では,ソフト曲げアクチュエータとハント・クロスリー動的モデルを用いてパラメータ推定を行った。
論文 参考訳(メタデータ) (2022-10-23T02:06:48Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳(メタデータ) (2022-06-29T23:22:18Z) - Machine Learning Methods for Spectral Efficiency Prediction in Massive
MIMO Systems [0.0]
本研究では,特定のプリコーディング方式のスペクトル効率(SE)値を最短時間で推定する機械学習手法について検討する。
平均パーセンテージ誤差(MAPE)の最も良い結果は、ソートされた特徴よりも勾配が上昇し、線形モデルは予測精度が悪くなることを示す。
そこで本研究では,Quadrigaシミュレータによって生成される幅広いシナリオにおける提案アルゴリズムの実用性について検討する。
論文 参考訳(メタデータ) (2021-12-29T07:03:10Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳(メタデータ) (2021-07-08T18:01:02Z) - Machine Learning-enhanced Receive Processing for MU-MIMO OFDM Systems [15.423422040627331]
機械学習は、マルチユーザマルチインプットマルチアウトプット(MU-MIMO)受信処理を改善するために使用できる。
本稿では,従来の受信機の利点を保ちつつ,特定の部品をMLコンポーネントで強化する新たな戦略を提案する。
論文 参考訳(メタデータ) (2021-06-30T14:02:27Z) - Deep Multistage Multi-Task Learning for Quality Prediction of Multistage
Manufacturing Systems [7.619217846525994]
統合型エンドツーエンド学習フレームワークにおいて,すべての出力検出変数を共同で予測する,深層多段マルチタスク学習フレームワークを提案する。
我々の数値研究と実事例研究では,新しいモデルが多くのベンチマーク法よりも優れた性能を持つことを示した。
論文 参考訳(メタデータ) (2021-05-17T22:09:36Z) - ConCrete MAP: Learning a Probabilistic Relaxation of Discrete Variables
for Soft Estimation with Low Complexity [9.62543698736491]
ConCrete MAP Detection (CMD)は、大きな逆線形問題に対する反復検出アルゴリズムである。
我々は、SotAと比較して、CMDが有望なパフォーマンス複雑性のトレードオフを特徴付けることを示す。
特に,CMDのソフト出力がデコーダに信頼性を持つことを示す。
論文 参考訳(メタデータ) (2021-02-25T09:54:25Z) - Joint Deep Reinforcement Learning and Unfolding: Beam Selection and
Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。
本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
論文 参考訳(メタデータ) (2021-01-05T03:55:04Z)
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。