Fugu-MT 論文翻訳(概要): CSI Feedback with Model-Driven Deep Learning of Massive MIMO Systems

論文の概要: CSI Feedback with Model-Driven Deep Learning of Massive MIMO Systems

arxiv url: http://arxiv.org/abs/2112.06405v1
Date: Mon, 13 Dec 2021 03:50:43 GMT
ステータス: 処理完了
システム内更新日: 2021-12-14 19:30:34.104652
Title: CSI Feedback with Model-Driven Deep Learning of Massive MIMO Systems
Title（参考訳）: モデル駆動型MIMOシステムの深層学習によるCSIフィードバック
Authors: J. Guo, L. Wang, F. Li and J. Xue
Abstract要約: モデル駆動深層学習に基づく2段階低ランクCSIフィードバック方式を提案する。さらに、より効率的なCSIフィードバックを実現するために、高速反復収縮しきい値アルゴリズム(FISTA)を展開させることにより、FISTA-Netというディープ反復ニューラルネットワークを設計する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In order to achieve reliable communication with a high data rate of massive multiple-input multiple-output (MIMO) systems in frequency division duplex (FDD) mode, the estimated channel state information (CSI) at the receiver needs to be fed back to the transmitter. However, the feedback overhead becomes exorbitant with the increasing number of antennas. In this paper, a two stages low rank (TSLR) CSI feedback scheme for millimeter wave (mmWave) massive MIMO systems is proposed to reduce the feedback overhead based on model-driven deep learning. Besides, we design a deep iterative neural network, named FISTA-Net, by unfolding the fast iterative shrinkage thresholding algorithm (FISTA) to achieve more efficient CSI feedback. Moreover, a shrinkage thresholding network (ST-Net) is designed in FISTA-Net based on the attention mechanism, which can choose the threshold adaptively. Simulation results show that the proposed TSLR CSI feedback scheme and FISTA-Net outperform the existing algorithms in various scenarios.
Abstract（参考訳）: 周波数分割デュプレックス(FDD)モードにおけるMIMO(Multiple-Input multiple-output)システムの高データレートで信頼性の高い通信を実現するためには、受信機における推定チャネル状態情報(CSI)を送信機に送出する必要がある。しかし, アンテナ数の増加に伴い, フィードバックのオーバーヘッドが増大する。本稿では、モデル駆動深層学習に基づくフィードバックオーバーヘッドを低減するために、ミリ波(mmWave)大規模MIMOシステムのための2段階低ランク(TSLR)CSIフィードバックスキームを提案する。さらに、より効率的なcsiフィードバックを実現するために、高速反復縮小しきい値アルゴリズム(fista)を展開することで、fista-netと呼ばれる深い反復ニューラルネットワークを設計する。また、注意機構に基づいてfista-netで縮小しきい値ネットワーク(st-net)を設計でき、閾値を適応的に選択できる。シミュレーションの結果,提案したTSLR CSIフィードバックスキームとFISTA-Netは,様々なシナリオにおいて既存のアルゴリズムよりも優れていた。

関連論文リスト

A Low-Overhead Incorporation-Extrapolation based Few-Shot CSI Feedback Framework for Massive MIMO Systems [45.22132581755417]
周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおけるダウンリンクプリコーディングには、正確なチャネル状態情報(CSI)が不可欠である。しかし,アンテナやサブキャリアの規模が大きくなると,ユーザ機器(UE)からのフィードバックによるCSI取得が困難になる。 CSIを圧縮するために深層学習に基づく手法が登場したが、これらの方法はかなりの収集サンプルを必要とする。既存のディープラーニング手法は、フル次元のCSIフィードバックに重点を置いているため、フィードバックオーバーヘッドが劇的に増加することにも悩まされる。低オーバーヘッド抽出に基づくFew-Shot CSIを提案する。
論文参考訳（メタデータ） (2023-12-07T06:01:47Z)
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)
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)
Overview of Deep Learning-based CSI Feedback in Massive MIMO Systems [77.0986534024972]
ディープラーニング(DL)ベースのCSIフィードバックは、DLベースのオートエンコーダによるCSI圧縮と再構築を指し、フィードバックオーバーヘッドを大幅に削減することができる。その焦点は、CSIフィードバックの正確性を改善するために、新しいニューラルネットワークアーキテクチャとコミュニケーション専門家の知識の利用である。
論文参考訳（メタデータ） (2022-06-29T03:28:57Z)
PolarDenseNet: A Deep Learning Model for CSI Feedback in MIMO Systems [18.646674391114548]
UEにおけるCSIを低次元の潜在空間に符号化し、基地局で復号する自動エンコーダアーキテクチャに基づくAIベースのCSIフィードバックを提案する。シミュレーションの結果,AIに基づく提案したアーキテクチャは,最先端の高分解能線形組合せ符号ブックよりも優れていた。
論文参考訳（メタデータ） (2022-02-02T19:04:49Z)
Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid Precoding [94.40747235081466]
本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
論文参考訳（メタデータ） (2021-10-22T20:49:02Z)
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)
Binarized Aggregated Network with Quantization: Flexible Deep Learning Deployment for CSI Feedback in Massive MIMO System [22.068682756598914]
アグリゲートチャネル再構築ネットワーク(ACRNet)と呼ばれる新しいネットワークは、フィードバックパフォーマンスを高めるように設計されています。異なる資源制約を満たすために,ネットワークを柔軟に適応させる弾性フィードバック方式を提案する。実験の結果、提案したACRNetは従来の最先端ネットワークの負荷よりも優れていた。
論文参考訳（メタデータ） (2021-05-01T22:50:25Z)
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)
Aggregated Network for Massive MIMO CSI Feedback [18.04633171156304]
ACRNetは、ネットワークアグリゲーションとパラメトリックなRuLUアクティベーションによってフィードバック性能を向上させるように設計されている。実験では、ACRNetは追加情報なしで、以前の最先端のフィードバックネットワークの負荷を上回ります。
論文参考訳（メタデータ） (2021-01-17T08:19:40Z)
A Markovian Model-Driven Deep Learning Framework for Massive MIMO CSI Feedback [32.442094263278605]
前向きチャネル状態情報(CSI)は、MIMO(Multiple-input multiple-output)通信システムにおける送信最適化において重要な役割を果たす。リカレントニューラルネットワーク(RNN)の使用に関する最近の研究は、計算とメモリのコストは高いが、強い確証を示している。本研究では,フィードバック効率を大幅に向上させるために,チャネルコヒーレンスを時間内に活用する。
論文参考訳（メタデータ） (2020-09-20T16:26:12Z)

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。