論文の概要: Learning OFDM Waveforms with PAPR and ACLR Constraints
- arxiv url: http://arxiv.org/abs/2110.10987v1
- Date: Thu, 21 Oct 2021 08:58:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 18:39:59.698782
- Title: Learning OFDM Waveforms with PAPR and ACLR Constraints
- Title(参考訳): PAPRおよびACLR制約を用いたOFDM波形の学習
- Authors: Mathieu Goutay, Fay\c{c}al Ait Aoudia, Jakob Hoydis, Jean-Marie Gorce
- Abstract要約: 達成可能な情報レートを最大化しつつ,選択した制約を満たすOFDMベースの波形を設計するための学習ベース手法を提案する。
エンドツーエンドシステムは,PAPRとACLRの制約を満たすことができ,スループットを著しく向上させることができることを示す。
- 参考スコア(独自算出の注目度): 15.423422040627331
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An attractive research direction for future communication systems is the
design of new waveforms that can both support high throughputs and present
advantageous signal characteristics. Although most modern systems use
orthogonal frequency-division multiplexing (OFDM) for its efficient
equalization, this waveform suffers from multiple limitations such as a high
adjacent channel leakage ratio (ACLR) and high peak-to-average power ratio
(PAPR). In this paper, we propose a learning-based method to design OFDM-based
waveforms that satisfy selected constraints while maximizing an achievable
information rate. To that aim, we model the transmitter and the receiver as
convolutional neural networks (CNNs) that respectively implement a
high-dimensional modulation scheme and perform the detection of the transmitted
bits. This leads to an optimization problem that is solved using the augmented
Lagrangian method. Evaluation results show that the end-to-end system is able
to satisfy target PAPR and ACLR constraints and allows significant throughput
gains compared to a tone reservation (TR) baseline. An additional advantage is
that no dedicated pilots are needed.
- Abstract(参考訳): 将来の通信システムの魅力的な研究方向は、高いスループットと有利な信号特性の両方をサポートする新しい波形の設計である。
現代のほとんどのシステムは、その効率的な等化に直交周波数分割多重化(OFDM)を使用しているが、この波形は、高隣接チャネルリーク比(ACLR)や高ピーク対平均パワー比(PAPR)といった複数の制限に悩まされている。
本稿では,選択された制約を満たすofdmに基づく波形を,実現可能な情報レートを最大化しながら設計する学習ベース手法を提案する。
そこで我々は,送信機と受信機を,それぞれ高次元変調方式を実装した畳み込みニューラルネットワーク(CNN)としてモデル化し,送信ビットの検出を行う。
これは拡張ラグランジアン法を用いて解く最適化問題につながる。
評価結果から,エンド・ツー・エンドシステムはPAPRとACLRの制約を満たすことができ,トーン予約(TR)ベースラインと比較してスループットが大幅に向上することが示された。
その他の利点は、専用のパイロットは必要ないことである。
関連論文リスト
- Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳(メタデータ) (2022-05-02T12:23:55Z) - Waveform Learning for Reduced Out-of-Band Emissions Under a Nonlinear
Power Amplifier [15.615546727945501]
送信機電力増幅器が非線形に動作しているシナリオを考察し,帯域外放出を最小限に抑えるために波形の最適化にMLを用いる。
シミュレーション結果から,このようなエンドツーエンド最適化システムにより,帯域外エミッションがより正確かつ少ないデータ通信が可能であることが示唆された。
これらの知見は6Gのビルディングブロックの1つであるMLネイティブのエアインターフェースへの道を開いた。
論文 参考訳(メタデータ) (2022-01-14T15:51:07Z) - Waveform Learning for Next-Generation Wireless Communication Systems [16.26230847183709]
本稿では,送信受信フィルタ,星座形状,それに付随するビットラベリング,およびニューラルネットワーク(NN)ベースの検出器の結合設計のための学習に基づく手法を提案する。
この方法は、隣接するチャネルリーク比(ACLR)とピーク・ツー・アベイジ・パワー比(PAPR)の制約を同時に満たしつつ、達成可能な情報レートを最大化する。
論文 参考訳(メタデータ) (2021-09-02T14:51:16Z) - End-to-End Learning of OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
送信機にニューラルネットワーク(NN)を用いて,PAPRと隣接チャネルリーク比(ACLR)を制御可能な高次元変調方式を学習することを提案する。
2つのNNはOFDM上で動作し、PAPRとACLRの制約を強制するトレーニングアルゴリズムを使用して、エンドツーエンドで共同最適化される。
論文 参考訳(メタデータ) (2021-06-30T13:09:30Z) - End-to-end Waveform Learning Through Joint Optimization of Pulse and
Constellation Shaping [16.26230847183709]
通信システムは、共同通信やセンシングといった新しいサービスを実現するためのものだ。
本研究では、パルス整形と星座幾何学の連成学習を通して波形を設計するためのエンドツーエンドの学習手法を提案する。
論文 参考訳(メタデータ) (2021-06-29T08:22:05Z) - 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) - Distributional Reinforcement Learning for mmWave Communications with
Intelligent Reflectors on a UAV [119.97450366894718]
無人航空機(UAV)搭載のインテリジェントリフレクタ(IR)を用いた新しい通信フレームワークを提案する。
ダウンリンク和率を最大化するために、最適プリコーディング行列(基地局)と反射係数(IR)を共同で導出する。
論文 参考訳(メタデータ) (2020-11-03T16:50:37Z) - Deep Learning Based Antenna Selection for Channel Extrapolation in FDD
Massive MIMO [54.54508321463112]
大規模なマルチインプット多重出力(MIMO)システムでは、多数のアンテナが正確なチャネル状態情報を取得する上で大きな課題となる。
ニューラルネットワーク(NN)を用いて、アップリンクとダウンリンクチャネルデータセット間の固有の接続を捕捉し、アップリンクチャネル状態情報のサブセットからダウンリンクチャネルを外挿する。
アンテナサブセット選択問題について検討し、最高のチャネル外挿を実現し、NNのデータサイズを小さくする。
論文 参考訳(メタデータ) (2020-09-03T13:38:52Z) - 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) - Optimization-driven Deep Reinforcement Learning for Robust Beamforming
in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。
我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。
過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文 参考訳(メタデータ) (2020-05-25T01:42:55Z)
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。