論文の概要: Semi-Supervised Learning for Channel Charting-Aided IoT Localization in
Millimeter Wave Networks
- arxiv url: http://arxiv.org/abs/2108.08241v1
- Date: Tue, 3 Aug 2021 14:41:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-22 14:36:34.883158
- Title: Semi-Supervised Learning for Channel Charting-Aided IoT Localization in
Millimeter Wave Networks
- Title（参考訳）: ミリ波ネットワークにおけるチャネルチャート型IoTローカライゼーションのための半教師付き学習
- Authors: Qianqian Zhang and Walid Saad
- Abstract要約: ミリ波ネットワークにおけるチャネルチャート(CC)支援の新たな枠組みを提案する。
特に,無線機器の3次元位置を推定するために,畳み込み型オートエンコーダモデルを提案する。
フレームワークは半教師付きフレームワークに拡張され、オートエンコーダは2つのコンポーネントに分割される。
- 参考スコア（独自算出の注目度）: 97.66522637417636
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, a novel framework is proposed for channel charting (CC)-aided
localization in millimeter wave networks. In particular, a convolutional
autoencoder model is proposed to estimate the three-dimensional location of
wireless user equipment (UE), based on multipath channel state information
(CSI), received by different base stations. In order to learn the
radio-geometry map and capture the relative position of each UE, an
autoencoder-based channel chart is constructed in an unsupervised manner, such
that neighboring UEs in the physical space will remain close in the channel
chart. Next, the channel charting model is extended to a semi-supervised
framework, where the autoencoder is divided into two components: an encoder and
a decoder, and each component is optimized individually, using the labeled CSI
dataset with associated location information, to further improve positioning
accuracy. Simulation results show that the proposed CC-aided semi-supervised
localization yields a higher accuracy, compared with existing supervised
positioning and conventional unsupervised CC approaches.
- Abstract（参考訳）: 本稿では,ミリ波ネットワークにおけるチャネルチャート(CC)支援の新たな枠組みを提案する。
特に,異なる基地局から受信したマルチパスチャネル状態情報(CSI)に基づいて,無線ユーザ機器(UE)の3次元位置を推定するために,畳み込みオートエンコーダモデルを提案する。
無線測位マップを学習し、各UEの相対位置を捉えるために、物理空間内の隣接するUEがチャネルチャートに近づき続けるように、オートエンコーダベースのチャネルチャートを教師なしで構築する。
次に、チャネルチャートモデルを半教師付きフレームワークに拡張し、オートエンコーダをエンコーダとデコーダの2つのコンポーネントに分割し、各コンポーネントを個別に最適化し、ラベル付きCSIデータセットと関連する位置情報を用いて位置決め精度を向上させる。
シミュレーションの結果,提案したCC支援半教師付きローカライゼーションは,既存の教師付き位置決めや従来の教師なしCCアプローチと比較して精度が高いことがわかった。
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) - Channel charting based beamforming [0.0]
チャネルチャート(英: Channel charting, CC)は、参照なしで相互に相対的なユーザを見つけるための教師なし学習手法である。
本稿では、この潜時モデリングビジョンと、最近提案された位置ベースビームフォーミング(LBB)手法を用いて、チャネルチャートを空間や周波数のチャネルのマッピングに利用できることを示す。
論文 参考訳（メタデータ） (2022-12-06T17:40:15Z) - Streaming Audio-Visual Speech Recognition with Alignment Regularization [69.30185151873707]
本稿では,ハイブリッド接続型時間分類(CTC)/アテンションニューラルネットワークアーキテクチャに基づくストリーミングAV-ASRシステムを提案する。
提案したAV-ASRモデルは、オフラインおよびオンライン設定でLip Reading Sentences 3データセット上で、WERの2.0%と2.6%を達成する。
論文 参考訳（メタデータ） (2022-11-03T20:20:47Z) - Indoor Localization with Robust Global Channel Charting: A
Time-Distance-Based Approach [2.572404739180802]
フィンガープリンティングに基づく位置決めは,非視線優位領域における屋内位置決め性能を著しく向上させる。
チャネルチャート(CC)は明示的な参照情報なしで機能し、チャネル状態情報(CSI)の空間的相関のみを必要とする
ユークリッド距離に対する線形相関にアプローチする時間同期シングルインプット/シングルアウトプットCSIに対して,新しい距離測定法を提案する。
これにより、チャートから実世界の座標への線形変換のみを使用して、CC支援のフィンガープリントと位置決めが可能になる。
論文 参考訳（メタデータ） (2022-10-07T11:07:59Z) - Adjacent Context Coordination Network for Salient Object Detection in
Optical Remote Sensing Images [102.75699068451166]
本稿では,光RSI-SODのためのエンコーダ・デコーダアーキテクチャにおいて,隣接した特徴のコーディネートを探索するための新しいアジャセントコンテキストコーディネートネットワーク(ACCoNet)を提案する。
提案されたACCoNetは、9つの評価基準の下で22の最先端メソッドを上回り、1つのNVIDIA Titan X GPU上で81fpsで動作する。
論文 参考訳（メタデータ） (2022-03-25T14:14:55Z) - Neural RF SLAM for unsupervised positioning and mapping with channel
state information [51.484516640867525]
アイソメトリによるユーザ位置と環境マッピングを共同で学習するニューラルネットワークアーキテクチャを提案する。
提案モデルでは,物理ベースのデコーダを適用すれば,解釈可能な潜在能力,すなわちユーザ位置を学習できる。
論文 参考訳（メタデータ） (2022-03-15T21:32:44Z) - CSI Clustering with Variational Autoencoding [11.79281329070709]
本稿では,モデル順序に関するラベルのないチャネル状態情報を教師なしでグループ化するために,変分オートエンコーダを提案する。
この結果から, 適切なクラスタリングを学習するためには, 可変オートエンコーダデコーダに対して, よりフレキシブルな確率モデルを用いることが重要であることが示唆された。
論文 参考訳（メタデータ） (2021-11-18T15:38:54Z) - 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) - Triplet-Based Wireless Channel Charting: Architecture and Experiments [10.4796119209387]
サンプルのトリプレットに基づく新しいチャネルチャート手法を提案する。
提案アルゴリズムは,それぞれの取得時間に近接して,CSIサンプル間の有意義な類似度を学習する。
得られたチャネルチャートがユーザ位置情報とどの程度類似しているかを評価するが,地理的データでは監視されない。
論文 参考訳（メタデータ） (2020-05-25T17:29:31Z)
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。