論文の概要: Machine Learning for CSI Recreation Based on Prior Knowledge
- arxiv url: http://arxiv.org/abs/2111.07854v1
- Date: Mon, 15 Nov 2021 15:49:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-16 17:28:16.809478
- Title: Machine Learning for CSI Recreation Based on Prior Knowledge
- Title（参考訳）: 事前知識に基づくCSIレクリエーションのための機械学習
- Authors: Brenda Vilas Boas and Wolfgang Zirwas and Martin Haardt
- Abstract要約: 我々は、訓練されていないニューラルネットワーク(UNN)と条件付き生成逆ネットワーク(cGAN)を組み合わせることを提案する。
UNNは、cGANへの入力を構築するために使用されるいくつかの場所の事前CSIを学ぶ。
事前CSI、その位置、所望のチャネルの位置に基づいて、cGANは、所望の場所で期待されるチャネルを出力するように訓練される。
提案手法は, 無線通信路のモデル化に成功し, 視線条件下での位置量子化誤差に頑健であることを示す。
- 参考スコア（独自算出の注目度）: 19.0581196881206
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge of channel state information (CSI) is fundamental to many
functionalities within the mobile wireless communications systems. With the
advance of machine learning (ML) and digital maps, i.e., digital twins, we have
a big opportunity to learn the propagation environment and design novel methods
to derive and report CSI. In this work, we propose to combine untrained neural
networks (UNNs) and conditional generative adversarial networks (cGANs) for
MIMO channel recreation based on prior knowledge. The UNNs learn the prior-CSI
for some locations which are used to build the input to a cGAN. Based on the
prior-CSIs, their locations and the location of the desired channel, the cGAN
is trained to output the channel expected at the desired location. This
combined approach can be used for low overhead CSI reporting as, after
training, we only need to report the desired location. Our results show that
our method is successful in modelling the wireless channel and robust to
location quantization errors in line of sight conditions.
- Abstract（参考訳）: チャネル状態情報(csi)の知識は、モバイル無線通信システムにおける多くの機能の基本である。
機械学習(ML)とデジタルマップ(デジタルツイン)の進歩により、我々は伝播環境を学習し、CSIを導出し報告する新しい手法を設計する大きな機会を得る。
本研究では、未学習ニューラルネットワーク(UNN)と条件付き生成対向ネットワーク(cGAN)を組み合わせたMIMOチャネルレクリエーション手法を提案する。
UNNは、cGANへの入力を構築するために使用されるいくつかの場所の事前CSIを学ぶ。
事前のCSI、その位置、所望のチャネルの位置に基づいて、cGANは、所望の場所に期待されるチャネルを出力するように訓練される。
この組み合わせアプローチは、トレーニング後、必要な場所のみを報告する必要があるため、低いオーバーヘッドcsiレポートに使用できる。
提案手法は, 無線チャネルのモデル化に成功し, 視線条件下での位置量子化誤差に頑健であることを示す。
関連論文リスト
- Dig-CSI: A Distributed and Generative Model Assisted CSI Feedback
Training Framework [6.216538343278333]
我々はDig-CSIと呼ばれるCSIフィードバックトレーニングフレームワークを設計する。
CSIフィードバックモデルをトレーニングするためのデータセットは、各ユーザ機器(UE)がアップロードした分散ジェネレータによって生成されるが、ローカルデータのアップロードは行わない。
実験の結果、Dig-CSIは古典的な集中学習で訓練されたモデルに匹敵する性能でグローバルなCSIフィードバックモデルを訓練できることがわかった。
論文 参考訳（メタデータ） (2023-12-10T15:55:57Z) - 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) - Training Spiking Neural Networks with Local Tandem Learning [96.32026780517097]
スパイキングニューラルネットワーク(SNN)は、前者よりも生物学的に可塑性でエネルギー効率が高いことが示されている。
本稿では,局所タンデム学習(Local Tandem Learning, LTL)と呼ばれる一般化学習規則を提案する。
CIFAR-10データセット上の5つのトレーニングエポック内に高速なネットワーク収束を示すとともに,計算複雑性が低い。
論文 参考訳（メタデータ） (2022-10-10T10:05:00Z) - A CNN Approach for 5G mmWave Positioning Using Beamformed CSI
Measurements [0.5685944521394608]
我々は,5Gニューラジオ(NR)指紋を用いた畳み込みニューラルネットワーク(CNN)を訓練することで,AIの力を利用する。
都市部からレイトレーシング方式の5G NR CSIを収集し,CNNを訓練するための基準地点で,BS(基地局)からの信号のCSIデータを収集する。
その結果, 特定都市環境を対象としたトレーニングネットワークでは, 平均誤差0.98mでUE位置を推定できることがわかった。
論文 参考訳（メタデータ） (2022-04-30T14:33:04Z) - Attention Aided CSI Wireless Localization [19.50869817974852]
我々は、ディープニューラルネットワーク(DNN)におけるロバストな特徴学習のための注意に基づくCSIを提案する。
我々は,2つの非定常線路環境におけるレイトレーシングチャネルの集中分散MIMOシステムの性能評価を行った。
論文 参考訳（メタデータ） (2022-03-20T09:38:01Z) - Neural RF SLAM for unsupervised positioning and mapping with channel
state information [51.484516640867525]
アイソメトリによるユーザ位置と環境マッピングを共同で学習するニューラルネットワークアーキテクチャを提案する。
提案モデルでは,物理ベースのデコーダを適用すれば,解釈可能な潜在能力,すなわちユーザ位置を学習できる。
論文 参考訳（メタデータ） (2022-03-15T21:32:44Z) - Deep learning for location based beamforming with NLOS channels [0.0]
ユーザの位置情報のみの知識から適切なプリコーダを決定する方法を提案する。
提案手法は,位置からプリコーダへの直接マッピングを教師付き方式で学習する。
従来提案されていた手法とは対照的に、LOS(line-of-sight)チャネルとNLOS(non-line-of-ight)チャネルの両方を扱える。
論文 参考訳（メタデータ） (2021-12-29T07:12:12Z) - Transfer Learning Capabilities of Untrained Neural Networks for MIMO CSI
Recreation [19.0581196881206]
実世界の機械学習(ML)デプロイメントにおける最大の課題の1つは、ラベル付き信号と大きな測定キャンペーンの必要性である。
これらの問題を克服するために、未学習ニューラルネットワーク(UNN)の使用を提案する。
UNNは、いくつかのチャネル計測を組み込むことで伝播環境を学習し、より高いチャネル推定ゲインを提供するために、これらの学習を活用できる。
論文 参考訳（メタデータ） (2021-11-15T16:01:45Z) - 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) - Local Critic Training for Model-Parallel Learning of Deep Neural
Networks [94.69202357137452]
そこで我々は,局所的批判訓練と呼ばれる新しいモデル並列学習手法を提案する。
提案手法は,畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)の両方において,階層群の更新プロセスの分離に成功したことを示す。
また,提案手法によりトレーニングされたネットワークを構造最適化に利用できることを示す。
論文 参考訳（メタデータ） (2021-02-03T09:30:45Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z)
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。