論文の概要: Learning to Perform Downlink Channel Estimation in Massive MIMO Systems
- arxiv url: http://arxiv.org/abs/2109.02463v1
- Date: Mon, 6 Sep 2021 13:42:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-07 17:30:21.276564
- Title: Learning to Perform Downlink Channel Estimation in Massive MIMO Systems
- Title（参考訳）: 大規模MIMOシステムにおけるダウンリンクチャネル推定の学習
- Authors: Amin Ghazanfari, Trinh Van Chien, Emil Bj\"ornson, Erik G. Larsson
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 72.76968022465469
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study downlink (DL) channel estimation in a multi-cell Massive
multiple-input multiple-output (MIMO) system operating in a time-division
duplex. The users must know their effective channel gains to decode their
received DL data signals. A common approach is to use the mean value as the
estimate, motivated by channel hardening, but this is associated with a
substantial performance loss in non-isotropic scattering environments. We
propose two novel estimation methods. The first method is model-aided and
utilizes asymptotic arguments to identify a connection between the effective
channel gain and the average received power during a coherence block. The
second one is a deep-learning-based approach that uses a neural network to
identify a mapping between the available information and the effective channel
gain. We compare the proposed methods against other benchmarks in terms of
normalized mean-squared error and spectral efficiency (SE). The proposed
methods provide substantial improvements, with the learning-based solution
being the best of the considered estimators.
- Abstract（参考訳）: 時間分割デュプレックスで動作するマルチセルMassive Multi-Input Multi-output (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。
受信したDLデータ信号を復号するために、ユーザは効果的なチャネルゲインを知る必要がある。
チャネル硬化を動機とする推定値として平均値を用いるのが一般的な手法であるが、これは非等方散乱環境におけるかなりの性能損失と関連している。
我々は2つの新しい推定手法を提案する。
第1の方法はモデル支援であり、コヒーレンスブロック中の有効チャネル利得と平均受信電力との接続を識別するために漸近的引数を利用する。
2つ目は、ニューラルネットワークを使って利用可能な情報と効果的なチャネルゲインの間のマッピングを識別するディープラーニングベースのアプローチである。
提案手法を,正規化平均二乗誤差とスペクトル効率(SE)の観点から比較した。
提案手法は,学習に基づく解が最適であるとともに,大幅な改善をもたらす。
関連論文リスト
- Downlink MIMO Channel Estimation from Bits: Recoverability and Algorithm [47.7091447096969]
主な課題は、ユーザ機器(UE)からの限られたフィードバックから基地局(BS)のダウンリンクチャネル状態情報(CSI)を取得することである。
本稿では、UE側で圧縮とガウスディザリングに基づく量子化戦略を採用し、BS側で最大極大推定器(MLE)を定式化する単純なフィードバックフレームワークを提案する。
このアルゴリズムは、高次高調波探索(HR)ソルバをサブルーチンとして統合するために慎重に設計されており、この難しいMLE問題に効果的に取り組む鍵であることが判明した。
論文 参考訳（メタデータ） (2024-11-25T02:15:01Z) - 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) - Pay Less But Get More: A Dual-Attention-based Channel Estimation Network
for Massive MIMO Systems with Low-Density Pilots [41.213515826100696]
低密度パイロットによる正確なチャネル推定を実現するために,デュアルアテンションに基づくチャネル推定ネットワーク(DACEN)を提案する。
実験結果から,提案手法は既存の手法よりも優れたチャネル推定性能が得られることがわかった。
論文 参考訳（メタデータ） (2023-03-02T05:34:25Z) - Efficient Deep Unfolding for SISO-OFDM Channel Estimation [0.0]
スパースリカバリ技術を用いてSISO-OFDMチャネル推定を行うことができる。
本稿では,この制約を緩和するために,展開ニューラルネットワークを用いる。
教師なしのオンライン学習は、推定性能を高めるためにシステムの欠陥を学習することができる。
論文 参考訳（メタデータ） (2022-10-11T11:29:54Z) - MIMO Channel Estimation using Score-Based Generative Models [1.6752182911522517]
本稿では,ディープスコアに基づく生成モデルを用いたチャネル推定手法を提案する。
これらのモデルは、対数-主分布の勾配を推定するために訓練され、観測された信号の測定から推定を反復的に洗練するために使用することができる。
論文 参考訳（メタデータ） (2022-04-14T17:23:58Z) - 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) - Deep Diffusion Models for Robust Channel Estimation [1.7259824817932292]
深部拡散モデルを用いたマルチインプット・マルチアウトプット(MIMO)チャネル推定のための新しい手法を提案する。
提案手法は,高次元空間の任意の点における無線チャネルのログ状勾配を推定するために訓練されたディープニューラルネットワークを用いている。
論文 参考訳（メタデータ） (2021-11-16T01:32:11Z) - 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) - Operation-Aware Soft Channel Pruning using Differentiable Masks [51.04085547997066]
本稿では,データ駆動型アルゴリズムを提案する。このアルゴリズムは,操作特性を利用して,ディープニューラルネットワークを異なる方法で圧縮する。
我々は大規模な実験を行い、出力ネットワークの精度で優れた性能を達成する。
論文 参考訳（メタデータ） (2020-07-08T07:44:00Z) - 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)
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。