Fugu-MT 論文翻訳(概要): Waveform Learning for Reduced Out-of-Band Emissions Under a Nonlinear Power Amplifier

論文の概要: Waveform Learning for Reduced Out-of-Band Emissions Under a Nonlinear Power Amplifier

arxiv url: http://arxiv.org/abs/2201.05524v1
Date: Fri, 14 Jan 2022 15:51:07 GMT
ステータス: 処理完了
システム内更新日: 2022-01-17 15:31:11.311952
Title: Waveform Learning for Reduced Out-of-Band Emissions Under a Nonlinear Power Amplifier
Title（参考訳）: 非線形パワーアンプによる帯域外放出低減のための波形学習
Authors: Dani Korpi, Mikko Honkala, Janne M.J. Huttunen, Fay\c{c}al Ait Aoudia, Jakob Hoydis
Abstract要約: 送信機電力増幅器が非線形に動作しているシナリオを考察し,帯域外放出を最小限に抑えるために波形の最適化にMLを用いる。シミュレーション結果から,このようなエンドツーエンド最適化システムにより,帯域外エミッションがより正確かつ少ないデータ通信が可能であることが示唆された。これらの知見は6Gのビルディングブロックの1つであるMLネイティブのエアインターフェースへの道を開いた。
参考スコア（独自算出の注目度）: 15.615546727945501
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine learning (ML) has shown great promise in optimizing various aspects of the physical layer processing in wireless communication systems. In this paper, we use ML to learn jointly the transmit waveform and the frequency-domain receiver. In particular, we consider a scenario where the transmitter power amplifier is operating in a nonlinear manner, and ML is used to optimize the waveform to minimize the out-of-band emissions. The system also learns a constellation shape that facilitates pilotless detection by the simultaneously learned receiver. The simulation results show that such an end-to-end optimized system can communicate data more accurately and with less out-of-band emissions than conventional systems, thereby demonstrating the potential of ML in optimizing the air interface. To the best of our knowledge, there are no prior works considering the power amplifier induced emissions in an end-to-end learned system. These findings pave the way towards an ML-native air interface, which could be one of the building blocks of 6G.
Abstract（参考訳）: 機械学習(ML)は、無線通信システムにおける物理層処理の様々な側面を最適化する上で、非常に有望である。本稿では,MLを用いて送信波形と周波数領域受信機を共同で学習する。特に、送信機電源増幅器が非線形に動作しているシナリオを考察し、MLを用いて波形を最適化し、帯域外放射を最小限に抑える。このシステムは同時に学習した受信機によるパイロットレス検出を容易にするコンステレーション形状も学習する。シミュレーションの結果,このようなエンドツーエンド最適化システムにより,従来のシステムに比べてデータ通信の精度が向上し,帯域外エミッションも小さくなった。我々の知る限りでは、エンド・ツー・エンドの学習システムにおいて電力増幅器によるエミッションを考慮に入れた先行研究はない。これらの知見は6Gのビルディングブロックの1つであるMLネイティブのエアインターフェースへの道を開いた。

関連論文リスト

Digital Over-the-Air Federated Learning in Multi-Antenna Systems [30.137208705209627]
デジタル変調とオーバー・ザ・エア計算(AirComp)を用いた現実的な無線通信システム上でのフェデレーション学習(FL)の性能最適化について検討する。本稿では,デジタル変調とAirCompを組み合わせたFedAvg(FedAvg)アルゴリズムを提案する。人工ニューラルネットワーク(ANN)は、すべてのデバイスの局所FLモデルを推定し、将来のモデル伝送のためにPSのビーム形成行列を調整するために使用される。
論文参考訳（メタデータ） (2023-02-04T07:26:06Z)
Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文参考訳（メタデータ） (2022-10-08T04:32:58Z)
Performance Optimization for Variable Bitwidth Federated Learning in Wireless Networks [103.22651843174471]
本稿では,モデル量子化による統合学習(FL)における無線通信と計算効率の向上について考察する。提案したビット幅FL方式では,エッジデバイスは局所FLモデルパラメータの量子化バージョンを調整し,コーディネートサーバに送信し,それらを量子化されたグローバルモデルに集約し,デバイスを同期させる。 FLトレーニングプロセスはマルコフ決定プロセスとして記述でき、反復よりも行動選択を最適化するためのモデルベース強化学習(RL)手法を提案する。
論文参考訳（メタデータ） (2022-09-21T08:52:51Z)
Over-the-Air Federated Learning with Retransmissions (Extended Version) [21.37147806100865]
資源制約のある無線ネットワーク上でのフェデレート学習(FL)の収束に対する推定誤差の影響について検討する。資源制約のある無線ネットワーク上でFL収束を改善する手法として再送信を提案する。
論文参考訳（メタデータ） (2021-11-19T15:17:15Z)
Learning OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
達成可能な情報レートを最大化しつつ,選択した制約を満たすOFDMベースの波形を設計するための学習ベース手法を提案する。エンドツーエンドシステムは,PAPRとACLRの制約を満たすことができ,スループットを著しく向上させることができることを示す。
論文参考訳（メタデータ） (2021-10-21T08:58:59Z)
HybridDeepRx: Deep Learning Receiver for High-EVM Signals [13.678714245633596]
機械学習(ML)を用いたOFDM信号の復調のための物理層レシーバソリューションを提案する。時間領域と周波数領域の両方に層を含む、新しいディープラーニングベースの畳み込みニューラルネットワークレシーバが考案された。
論文参考訳（メタデータ） (2021-06-30T14:10:01Z)
Distributional Reinforcement Learning for mmWave Communications with Intelligent Reflectors on a UAV [119.97450366894718]
無人航空機(UAV)搭載のインテリジェントリフレクタ(IR)を用いた新しい通信フレームワークを提案する。ダウンリンク和率を最大化するために、最適プリコーディング行列(基地局)と反射係数(IR)を共同で導出する。
論文参考訳（メタデータ） (2020-11-03T16:50:37Z)
Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文参考訳（メタデータ） (2020-08-29T08:39:43Z)
Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A Complete Pipeline [54.73337667795997]
移動学習(TL)は、新しい被験者の校正作業を減らすために、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)に広く用いられている。本稿では,MIベースのBCIの3つのコンポーネント(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。
論文参考訳（メタデータ） (2020-07-03T23:44:21Z)
On Deep Learning Solutions for Joint Transmitter and Noncoherent Receiver Design in MU-MIMO Systems [27.204307615068544]
本稿では,Multiuser Multi-Input Multi-MIMO(MU-MIMO)システムにおける共同送信機と非コヒーレント受信機の設計をディープラーニングにより処理することを目的とする。ディープニューラルネットワーク(DNN)ベースの非コヒーレント受信機を考えると、この研究の新規性は主に送信側におけるマルチユーザ波形設計にある。
論文参考訳（メタデータ） (2020-04-14T15:27:15Z)
A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文参考訳（メタデータ） (2020-03-18T05:56:27Z)

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。