論文の概要: CNN based Channel Estimation using NOMA for mmWave Massive MIMO System
- arxiv url: http://arxiv.org/abs/2108.00367v1
- Date: Sun, 1 Aug 2021 05:33:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-04 08:39:12.618962
- Title: CNN based Channel Estimation using NOMA for mmWave Massive MIMO System
- Title（参考訳）: ミリ波質量MIMOシステムにおけるNOMAを用いたCNNチャネル推定
- Authors: Anu T S and Tara Raveendran
- Abstract要約: 本稿では,ハイブリッドアーキテクチャ上に構築されたミリ波(mmWave)系のチャネルを推定するための畳み込みニューラルネットワーク手法を提案する。
まず、受信した信号からチャネルの粗い推定を行う。
数値図は,提案手法が最小二乗推定,最小平均二乗誤差(MMSE)推定を上回り,クラマー・ラオ境界(CRB)に近いことを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Non-Orthogonal Multiple Access (NOMA) schemes are being actively explored to
address some of the major challenges in 5th Generation (5G) Wireless
communications. Channel estimation is exceptionally challenging in scenarios
where NOMA schemes are integrated with millimeter wave (mmWave) massive
multiple-input multiple-output (MIMO) systems. An accurate estimation of the
channel is essential in exploiting the benefits of the pairing of the duo-NOMA
and mmWave. This paper proposes a convolutional neural network (CNN) based
approach to estimate the channel for NOMA based millimeter wave (mmWave)
massive multiple-input multiple-output (MIMO) systems built on a hybrid
architecture. Initially, users are grouped into different clusters based on
their channel gains and beamforming technique is performed to maximize the
signal in the direction of desired cluster. A coarse estimation of the channel
is first made from the received signal and this estimate is given as the input
to CNN to fine estimate the channel coefficients. Numerical illustrations show
that the proposed method outperforms least square (LS) estimate, minimum mean
square error (MMSE) estimate and are close to the Cramer-Rao Bound (CRB).
- Abstract（参考訳）: 非直交多重アクセス(NOMA)方式は、第5世代(5G)無線通信における主要な課題に対処するために積極的に検討されている。
チャネル推定は、NOMAスキームがミリ波(mmWave)の大規模マルチインプットマルチアウトプット(MIMO)システムと統合されるシナリオにおいて非常に難しい。
チャネルの正確な推定は、Duo-NOMAとmmWaveのペアリングの利点を利用するために不可欠である。
本稿では,ハイブリッドアーキテクチャ上に構築されたMIMO(Multiple-input multiple-output)システムのチャネルを推定するために,畳み込みニューラルネットワーク(CNN)に基づくアプローチを提案する。
まず、ユーザはチャネルゲインに基づいて異なるクラスタにグループ化され、ビームフォーミング技術により、所望のクラスタの方向の信号を最大化する。
まず、受信した信号からチャネルの粗い推定を行い、この推定をCNNへの入力として与え、チャネル係数を詳細に推定する。
数値図は,提案手法が最小二乗推定,最小平均二乗誤差(MMSE)推定を上回り,クラマー・ラオ境界(CRB)に近いことを示している。
関連論文リスト
- 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) - Alternating Channel Estimation and Prediction for Cell-Free mMIMO with
Channel Aging: A Deep Learning Based Scheme [17.486123129104882]
大規模動的無線ネットワークでは,チャネル推定(CE)によるオーバーヘッドの増大が主な性能ボトルネックとなっている。
本稿では,マルチインプット・マルチインプット・マルチアウトプット(mMIMO)システムにおいて,時間分割デュプレックス(TDD)のオーバヘッドを低減するためのハイブリッドチャネル推定・予測手法を提案する。
論文 参考訳（メタデータ） (2022-04-16T20:27:01Z) - Deep Generative Models for Downlink Channel Estimation in FDD Massive
MIMO Systems [13.267048706241157]
この課題に対処するために, 深部生成モデル(DGM)に基づく手法を提案する。
アップリンクチャネルとダウンリンクチャネルの部分的相互性を実行し、まず、周波数非依存のチャネルパラメータを推定する。
次に、各伝搬路の位相である周波数固有チャネルパラメータをダウンリンクトレーニングにより推定する。
論文 参考訳（メタデータ） (2022-03-09T18:32:10Z) - 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) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳（メタデータ） (2021-07-27T06:57:56Z) - 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) - Deep Learning Based Antenna Selection for Channel Extrapolation in FDD
Massive MIMO [54.54508321463112]
大規模なマルチインプット多重出力(MIMO)システムでは、多数のアンテナが正確なチャネル状態情報を取得する上で大きな課題となる。
ニューラルネットワーク(NN)を用いて、アップリンクとダウンリンクチャネルデータセット間の固有の接続を捕捉し、アップリンクチャネル状態情報のサブセットからダウンリンクチャネルを外挿する。
アンテナサブセット選択問題について検討し、最高のチャネル外挿を実現し、NNのデータサイズを小さくする。
論文 参考訳（メタデータ） (2020-09-03T13:38:52Z) - 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) - Deep Channel Learning For Large Intelligent Surfaces Aided mm-Wave
Massive MIMO Systems [3.2898781698366717]
このレターは、大型インテリジェントサーフェス(LIS)におけるチャネル推定のためのディープラーニングフレームワークを導入した最初の作品である。
双対畳み込みニューラルネットワーク(CNN)アーキテクチャが設計され、受信したパイロット信号で入力され、直接チャネルとカスケードチャネルの両方を推定する。
マルチユーザシナリオでは、各ユーザが自身のチャネルを見積もるために、CNNにアクセスすることができる。
論文 参考訳（メタデータ） (2020-01-29T20:44:21Z)
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。