論文の概要: Machine Learning-enhanced Receive Processing for MU-MIMO OFDM Systems
- arxiv url: http://arxiv.org/abs/2106.16074v1
- Date: Wed, 30 Jun 2021 14:02:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-01 15:15:04.609049
- Title: Machine Learning-enhanced Receive Processing for MU-MIMO OFDM Systems
- Title（参考訳）: MU-MIMO OFDMシステムにおける機械学習による受信処理
- Authors: Mathieu Goutay, Fay\c{c}al Ait Aoudia, Jakob Hoydis, Jean-Marie Gorce
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 15.423422040627331
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) can be used in various ways to improve multi-user
multiple-input multiple-output (MU-MIMO) receive processing. Typical approaches
either augment a single processing step, such as symbol detection, or replace
multiple steps jointly by a single neural network (NN). These techniques
demonstrate promising results but often assume perfect channel state
information (CSI) or fail to satisfy the interpretability and scalability
constraints imposed by practical systems. In this paper, we propose a new
strategy which preserves the benefits of a conventional receiver, but enhances
specific parts with ML components. The key idea is to exploit the orthogonal
frequency-division multiplexing (OFDM) signal structure to improve both the
demapping and the computation of the channel estimation error statistics.
Evaluation results show that the proposed ML-enhanced receiver beats practical
baselines on all considered scenarios, with significant gains at high speeds.
- Abstract（参考訳）: 機械学習(ML)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)の処理を改善するために様々な方法で使用することができる。
典型的なアプローチは、シンボル検出のような単一の処理ステップを強化するか、複数のステップを単一のニューラルネットワーク(nn)で置き換える。
これらの手法は有望な結果を示すが、しばしば完全なチャネル状態情報(csi)を仮定するか、実用システムによって課される解釈可能性とスケーラビリティの制約を満たさない。
本稿では,従来の受信機の利点を保ちつつ,MLコンポーネントによる特定部品の強化を図る新しい戦略を提案する。
鍵となるアイデアは、直交周波数分割多重化(ofdm)信号構造を利用して、デマッピングとチャネル推定誤差統計の計算を改善することである。
評価結果から,提案するML強化受信機は,すべてのシナリオにおいて実用的なベースラインを達成し,高速で顕著な利得を示した。
関連論文リスト
- Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳（メタデータ） (2023-10-17T01:05:28Z) - 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) - Deep Learning for Multi-User MIMO Systems: Joint Design of Pilot,
Limited Feedback, and Precoding [28.53535169241923]
本稿では、パイロットシーケンス、限られたフィードバック、プリコーディングを含むダウンリンクMU-MIMOシステムのエンドツーエンド設計について検討する。
本稿では,ユーザによるフィードバック情報生成と基地局でのプリコーダ設計を協調的に最適化する新しいディープラーニング(DL)フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-21T13:02:06Z) - 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) - 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) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳（メタデータ） (2021-11-29T12:24:02Z) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳（メタデータ） (2021-09-06T13:42:32Z) - 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) - Machine Learning for MU-MIMO Receive Processing in OFDM Systems [14.118477167150143]
従来の線形最小平均二乗誤差(LMMSE)アーキテクチャ上に構築したML強化MU-MIMO受信機を提案する。
cnnはチャネル推定誤差の2次統計量の近似を計算するために用いられる。
CNNベースのデマッパーは、多数の周波数分割多重記号とサブキャリアを共同で処理する。
論文 参考訳（メタデータ） (2020-12-15T09:55:37Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z) - 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。