論文の概要: Deep Learning of Transferable MIMO Channel Modes for 6G V2X
Communications
- arxiv url: http://arxiv.org/abs/2108.13831v1
- Date: Tue, 31 Aug 2021 13:38:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-01 19:35:24.693458
- Title: Deep Learning of Transferable MIMO Channel Modes for 6G V2X
Communications
- Title（参考訳）: 6G V2X通信のための伝送可能なMIMOチャネルモードの深層学習
- Authors: Lorenzo Cazzella, Dario Tagliaferri, Marouan Mizmizi, Damiano Badini,
Christian Mazzucco, Matteo Matteucci, Umberto Spagnolini
- Abstract要約: Algebraic Low-rank(LR)チャネル推定は時空チャネルの空間性を利用する。
LRは車両の地理的位置と、各位置に数十から数百の訓練車両の航路を必要とする。
本研究では,提案モデルが参照シナリオに基づいて訓練され,都市環境に効果的に移行可能であることを示す。
- 参考スコア（独自算出の注目度）: 12.36710339505001
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In the emerging high mobility Vehicle-to-Everything (V2X) communications
using millimeter Wave (mmWave) and sub-THz, Multiple-Input Multiple-Output
(MIMO) channel estimation is an extremely challenging task. At mmWaves/sub-THz
frequencies, MIMO channels exhibit few leading paths in the space-time domain
(i.e., directions or arrival/departure and delays). Algebraic Low-rank (LR)
channel estimation exploits space-time channel sparsity through the computation
of position-dependent MIMO channel eigenmodes leveraging recurrent training
vehicle passages in the coverage cell. LR requires vehicles' geographical
positions and tens to hundreds of training vehicles' passages for each
position, leading to significant complexity and control signalling overhead.
Here we design a DL-based LR channel estimation method to infer MIMO channel
eigenmodes in V2X urban settings, starting from a single LS channel estimate
and without needing vehicle's position information. Numerical results show that
the proposed method attains comparable Mean Squared Error (MSE) performance as
the position-based LR. Moreover, we show that the proposed model can be trained
on a reference scenario and be effectively transferred to urban contexts with
different space-time channel features, providing comparable MSE performance
without an explicit transfer learning procedure. This result eases the
deployment in arbitrary dense urban scenarios.
- Abstract（参考訳）: ミリ波(mmWave)とサブTHzを用いたV2X通信では,Multiple-Input Multiple-Output(MIMO)チャネル推定は非常に難しい作業である。
mmWaves/sub-THz周波数では、MIMOチャネルは時空領域(方向、到着/出発/出発、遅延)でリードパスがほとんどない。
Algebraic Low-rank(LR)チャネル推定は、リカレントトレーニング車両経路を利用した位置依存型MIMOチャネル固有モードの計算により、時空チャネル間隔を利用する。
LRは車両の地理的位置と各位置に数十から数百の訓練車両の進路を必要とするため、かなりの複雑さと制御信号のオーバーヘッドが生じる。
ここでは,1つのLSチャネル推定から始まり,車両の位置情報を必要としない,V2X都市環境におけるMIMOチャネル固有値推定のためのDLに基づくLRチャネル推定法を設計する。
数値計算により,提案手法は位置ベースLRとして,平均正方形誤差(MSE)に匹敵する性能を示した。
さらに,提案モデルが参照シナリオで訓練され,時空チャネル特性の異なる都市環境に効果的に移行できることを示し,明示的な転送学習手順を伴わずに,mse性能を比較できることを示した。
これにより、任意の密集した都市シナリオへの展開が容易になる。
関連論文リスト
- Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。
近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。
我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
論文 参考訳（メタデータ） (2024-10-28T09:19:29Z) - Deep Reinforcement Learning for IRS Phase Shift Design in
Spatiotemporally Correlated Environments [93.30657979626858]
本稿では,チャネル相関と目的地動きを考慮したディープアクター批判アルゴリズムを提案する。
チャネルが時間的に相関している場合、コンバージェンスを抑制する方法において、関数近似を伴う状態表現にSNRを組み込むことが示される。
論文 参考訳（メタデータ） (2022-11-02T22:07:36Z) - Over-the-Air Design of GAN Training for mmWave MIMO Channel Estimation [35.62977046569772]
我々は,ノイズを受信したパイロット測度を利用して深層生成モデルの訓練を行う,教師なしオーバー・ザ・エア(OTA)アルゴリズムを開発した。
次に、逆問題として、限られた数のパイロット測定値からチャネル推定を定式化する。
提案するフレームワークは,実雑音のパイロット測定を用いてオンライントレーニングを行うことが可能である。
論文 参考訳（メタデータ） (2022-05-25T02:26:34Z) - 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) - 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 Compressive Beam Alignment in mmWave Vehicular
Systems [75.77033270838926]
車両用チャネルは、より少ないチャネル測定でビームアライメントに活用できる構造を示す。
構造化圧縮センシング(CS)行列を設計するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-02-27T04:38:12Z) - Deep Learning-based Beam Tracking for Millimeter-wave Communications
under Mobility [27.62606029014951]
ミリ波(mm波)通信の深層学習に基づくビーム追跡手法を提案する。
深層ニューラルネットワークを用いて,慣性センサによって取得された時間変動チャネルと信号の時間構造とパターンを分析した。
提案手法は, 様々な移動シナリオにおいて, 従来のビーム追従法に比べて有意な性能向上を達成した。
論文 参考訳（メタデータ） (2021-02-19T08:05:11Z) - Federated Learning for Channel Estimation in Conventional and
RIS-Assisted Massive MIMO [12.487990897680422]
機械学習によるチャネル推定では、通常、受信したパイロット信号を入力として、チャネルデータを出力として含むデータセットのモデルトレーニングが必要となる。
以前の研究では、モデルトレーニングは主に中央集権学習(CL)を通じて行われ、トレーニングデータセット全体がベースステーション(BS)のユーザから収集される。
チャネル推定のためのフェデレートラーニング(FL)フレームワークを提案する。BSに送信することなく、ユーザのローカルデータセットに基づいてトレーニングされた畳み込みニューラルネットワーク(CNN)を設計する。
雑音および量子化モデル伝送の性能評価を行い,提案手法がCLの約16倍のオーバヘッドを提供することを示す。
論文 参考訳（メタデータ） (2020-08-25T06:51:18Z) - 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)
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。