論文の概要: RC-Struct: A Structure-based Neural Network Approach for MIMO-OFDM Detection

• arxiv url: http://arxiv.org/abs/2110.02219v1
• Date: Sun, 3 Oct 2021 19:39:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-07 14:10:21.963257
• Title: RC-Struct: A Structure-based Neural Network Approach for MIMO-OFDM Detection
• Title（参考訳）: RC構造:MIMO-OFDM検出のための構造ベースニューラルネットワークアプローチ
• Authors: Jiarui Xu, Zhou Zhou, Lianjun Li, Lizhong Zheng, and Lingjia Liu
• Abstract要約: 信号検出のための構造ベースニューラルネットワークアーキテクチャであるRC-Structを導入する。 RC構造は貯水池計算(RC)を通して信号の時間構造を利用する 紹介されたRC-Structは、5Gと5G Beyondの通信ドメイン知識と学習ベースの受信処理の組み合わせに光を当てている。
• 参考スコア（独自算出の注目度）: 33.414673669107906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce a structure-based neural network architecture, namely RC-Struct, for MIMO-OFDM symbol detection. The RC-Struct exploits the temporal structure of the MIMO-OFDM signals through reservoir computing (RC). A binary classifier leverages the repetitive constellation structure in the system to perform multi-class detection. The incorporation of RC allows the RC-Struct to be learned in a purely online fashion with extremely limited pilot symbols in each OFDM subframe. The binary classifier enables the efficient utilization of the precious online training symbols and allows an easy extension to high-order modulations without a substantial increase in complexity. Experiments show that the introduced RC-Struct outperforms both the conventional model-based symbol detection approaches and the state-of-the-art learning-based strategies in terms of bit error rate (BER). The advantages of RC-Struct over existing methods become more significant when rank and link adaptation are adopted. The introduced RC-Struct sheds light on combining communication domain knowledge and learning-based receive processing for 5G and 5G Beyond.
• Abstract（参考訳）: 本稿では,MIMO-OFDMシンボル検出のための構造ベースニューラルネットワークアーキテクチャであるRC-Structを提案する。 RC構造は、貯水池計算(RC)を通してMIMO-OFDM信号の時間構造を利用する。 バイナリ分類器は、システムの反復的な星座構造を利用して、マルチクラス検出を行う。 RCの組み込みにより、RC-Structは純粋にオンライン形式で学習でき、それぞれのOFDMサブフレームに極めて限られたパイロットシンボルを持つ。 バイナリ分類器は、貴重なオンライントレーニングシンボルの効率的な利用を可能にし、複雑さを大幅に増大させることなく、高次変調を簡単に拡張することができる。 実験の結果,RC-Structは従来のモデルに基づくシンボル検出手法と,ビット誤り率(BER)の観点からの最先端の学習戦略の両方に優れていた。 既存の手法よりもRC-Structの利点は、ランクとリンクの適応が採用されるとより重要になる。 紹介されたRC-Structは、5Gと5G Beyondの通信ドメイン知識と学習ベースの受信処理の組み合わせに光を当てている。

関連論文リスト

• AdaRC: Mitigating Graph Structure Shifts during Test-Time [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 AdaRCは,グラフの構造シフトに効果的かつ効率的な適応を意図した,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• Neural Network-based Two-Dimensional Filtering for OTFS Symbol Detection [29.019014658900463]
  OTFSシステムにおいて、オンラインサブフレームベースのシンボル検出のためのReservoir Computing (RC)ベースのアプローチが導入されている。 本稿では,OTFSシステムにおけるサブフレームに基づくオンラインシンボル検出のための2次元RC (2D-RC) 手法を提案する。
  論文  参考訳（メタデータ） (2024-03-08T21:33:41Z)
• ASR: Attention-alike Structural Re-parameterization [53.019657810468026]
  本稿では,アテンション機構の有効性を享受しながら,与えられたネットワークに対してSRPを実現するための,シンプルなアテンション型構造的再パラメータ化(ASR)を提案する。 本稿では,統計的観点から広範囲にわたる実験を行い,Stripe Observationという興味深い現象を発見し,チャネル注意値が訓練中に一定のベクトルに素早く接近することを明らかにする。
  論文  参考訳（メタデータ） (2023-04-13T08:52:34Z)
• Learning Reservoir Dynamics with Temporal Self-Modulation [3.2548794659022393]
  Reservoir Computing(RC)は、入力信号をランダムに接続されたニューラルネットワーク(RNN)に転送することで、時系列データを効率的に処理することができる。 しかし、RCの学習性能は他の最先端のRNNモデルよりも劣っている。 自己変調機構を付加してRCを拡張する自己変調RC(SM-RC)を提案する。
  論文  参考訳（メタデータ） (2023-01-23T00:44:05Z)
• Learning Detail-Structure Alternative Optimization for Blind Super-Resolution [69.11604249813304]
  そこで我々は,ブラインドSRに先立ってカーネルを曖昧にすることなく,再帰的な詳細構造代替最適化を実現する,有効かつカーネルフリーなネットワークDSSRを提案する。 DSSRでは、細部構造変調モジュール(DSMM)が構築され、画像の詳細と構造の相互作用と協調を利用する。 本手法は既存の手法に対して最先端の手法を実現する。
  論文  参考訳（メタデータ） (2022-12-03T14:44:17Z)
• Detect to Learn: Structure Learning with Attention and Decision Feedback for MIMO-OFDM Receive Processing [25.66317464603635]
  本稿では、パイロットシンボルを効率的に利用し、検出されたペイロードデータで動的に更新できるオンラインアテンションベースのアプローチであるRC-AttStructNet-DFを提案する。 DF機構は、検出されたデータシンボルを介してチャネル変化を動的に追跡することにより、検出性能をさらに向上する。
  論文  参考訳（メタデータ） (2022-08-17T20:01:05Z)
• Cross-SRN: Structure-Preserving Super-Resolution Network with Cross Convolution [64.76159006851151]
  低解像度 (LR) 画像から高解像度 (SR) 画像への復元は, 正確かつ明確である。 既存のディープラーニングは、画像の固有の構造情報をほとんど無視する。 構造情報の探索と保存を行う階層的特徴利用ネットワークを設計する。
  論文  参考訳（メタデータ） (2022-01-05T05:15:01Z)
• Harnessing Tensor Structures -- Multi-Mode Reservoir Computing and Its Application in Massive MIMO [39.46260351352041]
  新しいニューラルネットワーク(NN)構造、マルチモード貯留層コンピューティング(マルチモードRC)を紹介します。 マルチモードRCベースの学習フレームワークは、無線システムの実用的制約を効果的に効果的に対処することができる。
  論文  参考訳（メタデータ） (2021-01-25T20:30:22Z)
• When Residual Learning Meets Dense Aggregation: Rethinking the Aggregation of Deep Neural Networks [57.0502745301132]
  我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。 我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-04-19T08:34:52Z)
• RCNet: Incorporating Structural Information into Deep RNN for MIMO-OFDM Symbol Detection with Limited Training [26.12840500767443]
  我々は、OFDM信号に固有の構造情報を活用するために、時間周波数RCを導入する。 RCNetは、浅いRC構造よりも高速な学習収束と最大20%のビット誤り率を提供できることを示す。
  論文  参考訳（メタデータ） (2020-03-15T21:06:40Z)

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。