論文の概要: Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation
- arxiv url: http://arxiv.org/abs/2108.01529v1
- Date: Tue, 3 Aug 2021 14:26:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-04 13:50:09.986545
- Title: Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation
- Title（参考訳）: 入射チャネル推定を用いたFDD質量MIMOのスケーラブルビームフォーミングのためのニューラルキャリブレーション
- Authors: Yifan Ma, Yifei Shen, Xianghao Yu, Jun Zhang, S.H. Song, Khaled B.
Letaief
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.775558382613077
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Channel estimation and beamforming play critical roles in frequency-division
duplexing (FDD) massive multiple-input multiple-output (MIMO) systems. However,
these two modules have been treated as two stand-alone components, which makes
it difficult to achieve a global system optimality. In this paper, we propose a
deep learning-based approach that directly optimizes the beamformers at the
base station according to the received uplink pilots, thereby, bypassing the
explicit channel estimation. Different from the existing fully data-driven
approach where all the modules are replaced by deep neural networks (DNNs), a
neural calibration method is proposed to improve the scalability of the
end-to-end design. In particular, the backbone of conventional time-efficient
algorithms, i.e., the least-squares (LS) channel estimator and the zero-forcing
(ZF) beamformer, is preserved and DNNs are leveraged to calibrate their inputs
for better performance. The permutation equivariance property of the formulated
resource allocation problem is then identified to design a low-complexity
neural network architecture. Simulation results will show the superiority of
the proposed neural calibration method over benchmark schemes in terms of both
the spectral efficiency and scalability in large-scale wireless networks.
- Abstract（参考訳）: 周波数分割多重化 (fdd) 多重入力多重出力 (mimo) システムではチャネル推定とビームフォーミングが重要な役割を果たす。
しかし、これら2つのモジュールは2つのスタンドアロンコンポーネントとして扱われており、グローバルシステムの最適性を達成するのが困難である。
本稿では,基地局のビームフォーマーを,受信したアップリンクパイロットに従って直接最適化し,明示的なチャネル推定をバイパスする深層学習に基づく手法を提案する。
すべてのモジュールをディープニューラルネットワーク(DNN)に置き換える、既存の完全なデータ駆動アプローチとは異なり、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が提案されている。
特に、従来の時間効率アルゴリズム、すなわち最小二乗(LS)チャネル推定器とゼロ強制(ZF)ビームフォーマのバックボーンを保存し、DNNを用いて入力をキャリブレーションして性能を向上させる。
次に、定式化資源割り当て問題の置換同値性を特定し、低複雑さニューラルネットワークアーキテクチャを設計する。
シミュレーションの結果,大規模無線ネットワークにおけるスペクトル効率とスケーラビリティの両面から,提案手法がベンチマーク方式よりも優れていることを示す。
関連論文リスト
- Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。
ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。
本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶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のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - Deep Convolutional Learning-Aided Detector for Generalized Frequency
Division Multiplexing with Index Modulation [0.0]
提案手法は、まずゼロフォース検出器(ZF)を用いて受信信号を前処理し、その後、畳み込みニューラルネットワーク(CNN)と完全連結ニューラルネットワーク(FCNN)からなるニューラルネットワークを用いる。
FCNN部は2つの完全に接続された層しか使用せず、複雑さとBER(bit error rate)パフォーマンスのトレードオフをもたらすことができる。
提案したディープ畳み込みニューラルネットワークに基づく検出・復調方式は,ZF検出器よりも高いBER性能を示し,複雑性が増大することが実証されている。
論文 参考訳（メタデータ） (2022-02-06T22:18:42Z) - Data-Driven Deep Learning Based Hybrid Beamforming for Aerial Massive
MIMO-OFDM Systems with Implicit CSI [29.11998008894847]
本稿では,データ駆動型深層学習に基づく統合ハイブリッドビームフォーミングフレームワークを提案する。
TDDシステムでは、提案されたDLベースのアプローチは、E2Eニューラルネットワークとして、アップリンクパイロットの組み合わせとダウンリンクハイブリッドビームフォーミングモジュールを共同でモデル化する。
FDDシステムにおいて、我々は、E2Eニューラルネットワークとして、ダウンリンクパイロットトランスミッション、アップリンクCSIフィードバック、およびダウンリンクハイブリッドビームフォーミングモジュールを共同でモデル化する。
論文 参考訳（メタデータ） (2022-01-18T07:21:00Z) - Channel Estimation Based on Machine Learning Paradigm for Spatial
Modulation OFDM [0.0]
ディープニューラルネットワーク(DNN)は、レイリーフェディングチャネル上のエンドツーエンドデータ検出のための空間変調直交周波数分割多重化(SM-OFDM)技術と統合されている。
提案システムは受信したシンボルを直接復調し,チャネル推定を暗黙的に行う。
論文 参考訳（メタデータ） (2021-09-15T10:54:56Z) - 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) - End-to-End Learning for Uplink MU-SIMO Joint Transmitter and
Non-Coherent Receiver Design in Fading Channels [11.182920270301304]
JTRD-Netと呼ばれる新しいエンドツーエンド学習手法が提案され、マルチユーザシングルインプットマルチ出力(MU-SIMO)ジョイントトランスミッタとフェーディングチャネルにおける非コヒーレントレシーバー設計(JTRD)をアップリンクする。
送信側は、マルチユーザー波形設計を担当する並列線形層のグループとしてモデル化されています。
非コヒーレント受信機は、マルチユーザ検出(MUD)機能を提供するために、ディープフィードフォワードニューラルネットワーク(DFNN)によって形成される。
論文 参考訳（メタデータ） (2021-05-04T02:47:59Z) - A Meta-Learning Approach to the Optimal Power Flow Problem Under
Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。
開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文 参考訳（メタデータ） (2020-12-21T17:39:51Z) - Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。
本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-08T12:48:06Z) - Optimization-driven Machine Learning for Intelligent Reflecting Surfaces
Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。
散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。
本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文 参考訳（メタデータ） (2020-08-29T08:39:43Z)
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。