論文の概要: Deep learning for location based beamforming with NLOS channels
- arxiv url: http://arxiv.org/abs/2201.01386v1
- Date: Wed, 29 Dec 2021 07:12:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-09 13:32:49.231814
- Title: Deep learning for location based beamforming with NLOS channels
- Title（参考訳）: NLOSチャネルを用いた位置ベースビームフォーミングのための深層学習
- Authors: Luc Le Magoarou (IRT b-com), Taha Yassine (IRT b-com, INSA Rennes,
IETR), St\'ephane Paquelet (IRT b-com), Matthieu Crussi\`ere (IRT b-com, INSA
Rennes, IETR)
- Abstract要約: 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。
- 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: Massive MIMO systems are highly efficient but critically rely on accurate
channel state information (CSI) at the base station in order to determine
appropriate precoders. CSI acquisition requires sending pilot symbols which
induce an important overhead. In this paper, a method whose objective is to
determine an appropriate precoder from the knowledge of the user's location
only is proposed. Such a way to determine precoders is known as location based
beamforming. It allows to reduce or even eliminate the need for pilot symbols,
depending on how the location is obtained. the proposed method learns a direct
mapping from location to precoder in a supervised way. It involves a neural
network with a specific structure based on random Fourier features allowing to
learn functions containing high spatial frequencies. It is assessed empirically
and yields promising results on realistic synthetic channels. As opposed to
previously proposed methods, it allows to handle both line-of-sight (LOS) and
non-line-of-sight (NLOS) channels.
- Abstract（参考訳）: 大規模なMIMOシステムは高効率であるが、適切なプリコーダを決定するために基地局の正確なチャネル状態情報(CSI)に依存している。
csi取得には、重要なオーバーヘッドを引き起こすパイロットシンボルの送信が必要である。
本稿では,ユーザの位置に関する知識から適切なプリコーダを決定することを目的とした手法を提案する。
このようなプリコーダを決定する方法は、位置ベースのビームフォーミングとして知られている。
位置の取得方法によって、パイロットシンボルの必要性を減らしたり、取り除いたりすることができる。
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。
ランダムなフーリエ特徴に基づく特定の構造を持つニューラルネットワークで、高い空間周波数を含む関数を学習する。
実証的に評価され、現実的な合成チャネル上で有望な結果が得られる。
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。
関連論文リスト
- Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。
バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。
ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-02-25T13:22:17Z) - Model-based learning for location-to-channel mapping [0.0]
本稿では,ターゲットマッピング関数の高周波成分から低周波を分離するフラガー型モデルベースネットワークを提案する。
これにより、ニューラルネットワークは、高周波成分の辞書において、低周波スパース係数のみを学習するハイパーネットワークアーキテクチャが得られる。
シミュレーションの結果,提案したニューラルネットワークは,現実的な合成データに対する標準的なアプローチよりも優れていた。
論文 参考訳（メタデータ） (2023-08-28T07:39:53Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - 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) - LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法
提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。
推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
論文 参考訳（メタデータ） (2022-02-01T20:27:46Z) - Machine Learning for CSI Recreation Based on Prior Knowledge [19.0581196881206]
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。
論文 参考訳（メタデータ） (2021-11-15T15:49:08Z) - Similarity-based prediction for channel mapping and user positioning [0.0]
無線ネットワークでは、アップリンクチャネル測定のみに基づくモバイルユーザーの情報収集が興味深い課題である。
本稿では,これらのタスクを統一的に処理する教師あり機械学習手法を提案する。
これは、ベースステーションが操作中に簡単に取得できるラベル付きデータベースに依存している。
論文 参考訳（メタデータ） (2020-12-02T11:30:51Z) - Zero-Shot Multi-View Indoor Localization via Graph Location Networks [66.05980368549928]
屋内ローカライゼーションは、位置ベースアプリケーションにおける基本的な問題である。
本稿では,インフラストラクチャフリーで多視点画像に基づく屋内ローカライゼーションを実現するために,新しいニューラルネットワークアーキテクチャであるGraph Location Networks(GLN)を提案する。
GLNは、メッセージパッシングネットワークを通じて画像から抽出されたロバストな位置表現に基づいて位置予測を行う。
新たにゼロショット屋内ローカライズ設定を導入し,提案したGLNを専用ゼロショットバージョンに拡張することで,その課題に対処する。
論文 参考訳（メタデータ） (2020-08-06T07:36:55Z) - Online unsupervised deep unfolding for MIMO channel estimation [0.0]
チャネル推定のためのオンライン学習を大規模に行うことを提案する。
これにより、不完全なモデルでオンラインにトレーニングできる計算効率のよいニューラルネットワークが実現される。
現実的なチャネルに適用され、優れた性能を示し、完全に校正されたシステムで得られるチャネル推定誤差をほぼ低くする。
論文 参考訳（メタデータ） (2020-04-30T07:32:58Z) - DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO
Detection [98.43451011898212]
複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。
本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。
DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
論文 参考訳（メタデータ） (2020-02-08T18:31:00Z)
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。