Fugu-MT 論文翻訳(概要): Time-Varying Channel Prediction for RIS-Assisted MU-MISO Networks via Deep Learning

論文の概要: Time-Varying Channel Prediction for RIS-Assisted MU-MISO Networks via Deep Learning

arxiv url: http://arxiv.org/abs/2111.04971v1
Date: Tue, 9 Nov 2021 07:26:51 GMT
ステータス: 処理完了
システム内更新日: 2021-11-10 16:22:26.345090
Title: Time-Varying Channel Prediction for RIS-Assisted MU-MISO Networks via Deep Learning
Title（参考訳）: 深層学習によるRIS支援MU-MISOネットワークの時変チャネル予測
Authors: Wangyang Xu, Jiancheng An, Yongjun Xu, Chongwen Huang, Lu Gan, and Chau Yuen
Abstract要約: 再構成可能なインテリジェントサーフェス(RIS)は、無線通信の信号伝送品質を改善するための有望な技術となっている。しかし、RISアシストシステムでは、正確で低レイテンシで低パイロットオーバヘッドチャネル状態情報(CSI)の取得が大きな課題となっている。 CSIを必要とする3段階のジョイントチャネル分解および予測フレームワークを提案する。
参考スコア（独自算出の注目度）: 15.444805225936992
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To mitigate the effects of shadow fading and obstacle blocking, reconfigurable intelligent surface (RIS) has become a promising technology to improve the signal transmission quality of wireless communications by controlling the reconfigurable passive elements with less hardware cost and lower power consumption. However, accurate, low-latency and low-pilot-overhead channel state information (CSI) acquisition remains a considerable challenge in RIS-assisted systems due to the large number of RIS passive elements. In this paper, we propose a three-stage joint channel decomposition and prediction framework to require CSI. The proposed framework exploits the two-timescale property that the base station (BS)-RIS channel is quasi-static and the RIS-user equipment (UE) channel is fast time-varying. Specifically, in the first stage, we use the full-duplex technique to estimate the channel between a BS's specific antenna and the RIS, addressing the critical scaling ambiguity problem in the channel decomposition. We then design a novel deep neural network, namely, the sparse-connected long short-term memory (SCLSTM), and propose a SCLSTM-based algorithm in the second and third stages, respectively. The algorithm can simultaneously decompose the BS-RIS channel and RIS-UE channel from the cascaded channel and capture the temporal relationship of the RIS-UE channel for prediction. Simulation results show that our proposed framework has lower pilot overhead than the traditional channel estimation algorithms, and the proposed SCLSTM-based algorithm can also achieve more accurate CSI acquisition robustly and effectively.
Abstract（参考訳）: シャドウフェージングや障害物ブロッキングの影響を軽減するため、再構成可能な知的表面(ris)は、ハードウェアコストの低減と消費電力の低減により、再構成可能なパッシブ要素を制御し、無線通信の信号伝送品質を向上させる有望な技術となっている。しかし、RISの受動的要素が多数存在するため、RISアシストシステムでは、正確で低レイテンシで低オーバヘッドチャネル状態情報(CSI)の取得が大きな課題となっている。本稿では,CSIを必要とする3段階のジョイントチャネル分解および予測フレームワークを提案する。提案フレームワークは,基地局(BS)-RISチャネルが準静的であり,RIS-user 機器(UE)チャネルが高速な2時間特性を利用する。具体的には、第1段階では、BSの特定のアンテナとRISの間のチャネルを推定するためにフルデュープレックス技術を使用し、チャネル分解における重要なスケーリング曖昧性問題に対処する。次に、スパース接続長短期記憶(SCLSTM)と呼ばれる新しいディープニューラルネットワークを設計し、それぞれ第2段と第3段のSCLSTMに基づくアルゴリズムを提案する。このアルゴリズムは、BS-RISチャネルとRIS-UEチャネルを同時にカスケードチャネルから分解し、RIS-UEチャネルの時間的関係を捕捉して予測する。シミュレーションの結果,提案手法は従来のチャネル推定アルゴリズムよりもパイロットオーバヘッドが低く,SCLSTMに基づくアルゴリズムはより正確かつ効果的にCSIを取得できることがわかった。

関連論文リスト

Machine Learning-Based Channel Prediction for RIS-assisted MIMO Systems With Channel Aging [11.867884158309373]
再構成可能なインテリジェントサーフェス (RIS) は,第6世代 (6G) および通信システムを越えた性能向上のための有望な技術として登場した。 RISの受動的性質とその多数の反射要素は、チャネル推定プロセスに困難をもたらす。本稿では、自己回帰(AR)予測器と統合された畳み込みニューラルネットワーク(CNN)に基づく、RIS支援マルチインプットマルチアウトプット(MIMO)システムのための拡張チャネル推定フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-09T19:45:49Z)
Channel Estimation in RIS-Enabled mmWave Wireless Systems: A Variational Inference Approach [19.748435313030566]
完全受動RIS支援通信システムにおけるチャネル推定問題について検討する。まず, UE-RIS と RIS-BS の同時チャネル状態情報 (I-CSI) を共同で推定するために, 変動推論 (VI) アプローチを採用する。次に、UE-RISリンクの低変量統計CSIを高変量I-CSIを克服するために、最初のアプローチを拡張した。
論文参考訳（メタデータ） (2023-08-25T18:18:47Z)
Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
論文参考訳（メタデータ） (2022-09-18T03:07:37Z)
Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文参考訳（メタデータ） (2022-05-22T12:16:43Z)
Reconfigurable Intelligent Surface Enabled Spatial Multiplexing with Fully Convolutional Network [40.817290717344534]
RIS(Reconfigurable Surface)は、無線通信システムのための新興技術である。本稿では,この問題を解決するために完全畳み込みネットワーク(WSNFC)を提案する。我々は、RISとダイレクトチャネルを経由するカスケードチャネルを含む一連のチャネル機能を設計する。
論文参考訳（メタデータ） (2022-01-08T14:16:00Z)
Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文参考訳（メタデータ） (2021-07-27T06:57:56Z)
Untrained DNN for Channel Estimation of RIS-Assisted Multi-User OFDM System with Hardware Impairments [11.012356843958282]
本稿では、RIS支援マルチユーザ単一入出力(SIMO)周波数分割多重化(OFDM)システムのための深層学習に基づく低複雑性チャネル推定手法を提案する。提案手法は従来の手法に比べて精度と複雑さの点で高い性能を示す。
論文参考訳（メタデータ） (2021-07-13T07:30:43Z)
Deep Learning Optimized Sparse Antenna Activation for Reconfigurable Intelligent Surface Assisted Communication [54.72880662623178]
再構成可能なインテリジェントサーフェス(RIS)は通常、パッシブモードで動作する。カスケードチャネル構造と信号処理能力の欠如により、RISが個々のチャネル状態情報を取得することは困難である。本稿では、RISのアンテナの一部に信号処理ユニットを追加し、チャネルを部分的に取得する。
論文参考訳（メタデータ） (2020-09-03T12:27:22Z)
Channel Estimation for RIS-Empowered Multi-User MISO Wireless Communications [35.207416803526876]
基地局とRIS間のチャネルに対する2つの反復推定アルゴリズムを提案する。 1つは交互最小二乗法(ALS)に基づいており、もう1つはベクトル近似メッセージを使って2つの未知のチャネルを反復的に再構築する。また、推定チャネルと基地局の異なるプリコーディング方式を用いて、ダウンリンク達成可能な総和率についても論じる。
論文参考訳（メタデータ） (2020-08-04T10:53:51Z)
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)
RIS Enhanced Massive Non-orthogonal Multiple Access Networks: Deployment and Passive Beamforming Design [116.88396201197533]
再構成可能なインテリジェントサーフェス(RIS)の配置と受動ビームフォーミング設計のための新しいフレームワークを提案する。エネルギー効率を最大化するために、共同配置、位相シフト設計、および電力配分の問題を定式化する。リアルタイムデータセットを活用することで,ユーザの遠隔交通需要を予測するために,LSTM(Long Short-term memory)ベースのエコー状態ネットワーク(ESN)アルゴリズムを提案する。 RISの展開と設計の連立問題を解くために,D3QNに基づく位置取得と位相制御アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-01-28T14:37:38Z)

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。