論文の概要: Deep-Learning Based Linear Precoding for MIMO Channels with Finite-Alphabet Signaling

• arxiv url: http://arxiv.org/abs/2111.03504v1
• Date: Fri, 5 Nov 2021 13:48:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-08 16:25:25.640550
• Title: Deep-Learning Based Linear Precoding for MIMO Channels with Finite-Alphabet Signaling
• Title（参考訳）: 有限Alphabet信号を用いたMIMOチャネルの深層学習に基づく線形プリコーディング
• Authors: Maksym A. Girnyk
• Abstract要約: 本稿では,Multiple-Input Multi-output (MIMO)通信チャネルにおける線形プリコーディングの問題について検討する。 既存の解は通常、星座に制約された相互情報のコストのかかる計算のために計算の複雑さに悩まされる。 ディープラーニングに基づくデータ駆動型アプローチが,この問題に対処するために提案されている。
• 参考スコア（独自算出の注目度）: 0.5076419064097732
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies the problem of linear precoding for multiple-input multiple-output (MIMO) communication channels employing finite-alphabet signaling. Existing solutions typically suffer from high computational complexity due to costly computations of the constellation-constrained mutual information. In contrast to existing works, this paper takes a different path of tackling the MIMO precoding problem. Namely, a data-driven approach, based on deep learning, is proposed. In the offline training phase, a deep neural network learns the optimal solution on a set of MIMO channel matrices. This allows the reduction of the computational complexity of the precoder optimization in the online inference phase. Numerical results demonstrate the efficiency of the proposed solution vis-\`a-vis existing precoding algorithms in terms of significantly reduced complexity and close-to-optimal performance.
• Abstract（参考訳）: 本稿では,有限アルファベット信号を用いたMIMO通信路の線形プリコーディング問題について検討する。 既存の解は通常、コンステレーションが制約された相互情報のコストのかかる計算のために高い計算複雑性に苦しむ。 既存の研究とは対照的に,本論文ではMIMOプリコーディング問題に対処する方法が異なる。 すなわち、ディープラーニングに基づくデータ駆動型アプローチを提案する。 オフライントレーニングフェーズでは、ディープニューラルネットワークがMIMOチャネル行列のセット上で最適な解を学習する。 これにより、オンライン推論フェーズにおけるプリコーダ最適化の計算複雑性を低減できる。 数値計算により, 提案手法である vis-\`a-vis の既存プリコーディングアルゴリズムの効率性が, 複雑性の大幅な低減と最適に近い性能で示される。

関連論文リスト

• Toward TransfORmers: Revolutionizing the Solution of Mixed Integer Programs with Transformers [3.107843027522116]
  混合整数プログラムの課題に対処するためにトランスフォーマーモデルを用いた革新的なディープラーニングフレームワークを導入する。 提案手法は,MIP問題のバイナリ変数の予測にトランスフォーマーを用いた最初の手法である。 本稿では,変圧器ニューラルネットワークを用いてCLSPソリューションを学習する効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-20T21:13:38Z)
• A Meta-Learning Based Precoder Optimization Framework for Rate-Splitting Multiple Access [53.191806757701215]
  本稿では,トランスミッタ(CSIT)における部分チャネル状態情報を持つRSMAプリコーダを直接最適化するために,メタラーニングに基づく事前コーダ最適化フレームワークを提案する。 コンパクトニューラルネットワークのオーバーフィッティングを利用して、ASR(Average Sum-Rate)表現を最大化することにより、実行時間を最小化しながら、他のトレーニングデータの必要性を効果的に回避する。 数値的な結果から,メタラーニングに基づく解は,中規模シナリオにおける従来のプリコーダ最適化に類似したASR性能を実現し,大規模シナリオにおける準最適低複雑性プリコーダアルゴリズムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2023-07-17T20:31:41Z)
• Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent Signals: Application to Hyperspectral Imaging [71.57324258813675]
  相互依存信号のデータセットは、列が強い依存を示す行列として定義される。 ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。 ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
  論文  参考訳（メタデータ） (2022-03-29T21:00:39Z)
• Joint Deep Reinforcement Learning and Unfolding: Beam Selection and Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
  離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。 本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
  論文  参考訳（メタデータ） (2021-01-05T03:55:04Z)
• Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
  疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。 提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
  論文  参考訳（メタデータ） (2020-10-29T06:32:53Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)
• Channel Assignment in Uplink Wireless Communication using Machine Learning Approach [54.012791474906514]
  本稿では,アップリンク無線通信システムにおけるチャネル割り当て問題について検討する。 我々の目標は、整数チャネル割り当て制約を受ける全ユーザの総和率を最大化することです。 計算複雑性が高いため、機械学習アプローチは計算効率のよい解を得るために用いられる。
  論文  参考訳（メタデータ） (2020-01-12T15:54:20Z)
• Deep Learning Based Sphere Decoding [15.810396655155975]
  深層ニューラルネットワーク(DNN)により,超球面の半径を学習する深層学習(DL)に基づく球面復号アルゴリズムを提案する。 提案アルゴリズムによって達成された性能は、幅広い信号-雑音比(SNR)に対して最適極大復号法(MLD)に非常に近い。 計算複雑性は、既存の球デコード変種と比較して大幅に減少している。
  論文  参考訳（メタデータ） (2018-07-06T03:18:35Z)

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。