論文の概要: Data-Driven Deep Learning Based Hybrid Beamforming for Aerial Massive
MIMO-OFDM Systems with Implicit CSI
- arxiv url: http://arxiv.org/abs/2201.06778v1
- Date: Tue, 18 Jan 2022 07:21:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-20 15:27:32.341030
- Title: Data-Driven Deep Learning Based Hybrid Beamforming for Aerial Massive
MIMO-OFDM Systems with Implicit CSI
- Title（参考訳）: 入射型MIMO-OFDMシステムのためのデータ駆動深層学習によるハイブリッドビームフォーミング
- Authors: Zhen Gao, Minghui Wu, Chun Hu, Feifei Gao, Guanghui Wen, Dezhi Zheng,
Jun Zhang
- Abstract要約: 本稿では,データ駆動型深層学習に基づく統合ハイブリッドビームフォーミングフレームワークを提案する。
TDDシステムでは、提案されたDLベースのアプローチは、E2Eニューラルネットワークとして、アップリンクパイロットの組み合わせとダウンリンクハイブリッドビームフォーミングモジュールを共同でモデル化する。
FDDシステムにおいて、我々は、E2Eニューラルネットワークとして、ダウンリンクパイロットトランスミッション、アップリンクCSIフィードバック、およびダウンリンクハイブリッドビームフォーミングモジュールを共同でモデル化する。
- 参考スコア（独自算出の注目度）: 29.11998008894847
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In an aerial hybrid massive multiple-input multiple-output (MIMO) and
orthogonal frequency division multiplexing (OFDM) system, how to design a
spectral-efficient broadband multi-user hybrid beamforming with a limited pilot
and feedback overhead is challenging. To this end, by modeling the key
transmission modules as an end-to-end (E2E) neural network, this paper proposes
a data-driven deep learning (DL)-based unified hybrid beamforming framework for
both the time division duplex (TDD) and frequency division duplex (FDD) systems
with implicit channel state information (CSI). For TDD systems, the proposed
DL-based approach jointly models the uplink pilot combining and downlink hybrid
beamforming modules as an E2E neural network. While for FDD systems, we jointly
model the downlink pilot transmission, uplink CSI feedback, and downlink hybrid
beamforming modules as an E2E neural network. Different from conventional
approaches separately processing different modules, the proposed solution
simultaneously optimizes all modules with the sum rate as the optimization
object. Therefore, by perceiving the inherent property of air-to-ground massive
MIMO-OFDM channel samples, the DL-based E2E neural network can establish the
mapping function from the channel to the beamformer, so that the explicit
channel reconstruction can be avoided with reduced pilot and feedback overhead.
Besides, practical low-resolution phase shifters (PSs) introduce the
quantization constraint, leading to the intractable gradient backpropagation
when training the neural network. To mitigate the performance loss caused by
the phase quantization error, we adopt the transfer learning strategy to
further fine-tune the E2E neural network based on a pre-trained network that
assumes the ideal infinite-resolution PSs. Numerical results show that our
DL-based schemes have considerable advantages over state-of-the-art schemes.
- Abstract（参考訳）: 航空用ハイブリッドマルチインプット多重出力(MIMO)と直交周波数分割多重化(OFDM)システムでは、スペクトル効率のよい広帯域マルチユーザハイブリッドビームをパイロットとフィードバックのオーバーヘッドに制限のある設計方法が困難である。
そこで本研究では,鍵伝送モジュールをエンド・ツー・エンド(E2E)ニューラルネットワークとしてモデル化することにより,暗黙のチャネル状態情報(CSI)を持つ時間分割二重化(TDD)と周波数分割二重化(FDD)の両方のためのデータ駆動型深層学習(DL)に基づく統合ハイブリッドビームフォーミングフレームワークを提案する。
TDDシステムでは、提案されたDLベースのアプローチは、E2Eニューラルネットワークとして、アップリンクパイロットの組み合わせとダウンリンクハイブリッドビームフォーミングモジュールを共同でモデル化する。
FDDシステムにおいて、我々は、E2Eニューラルネットワークとして、ダウンリンクパイロットトランスミッション、アップリンクCSIフィードバック、およびダウンリンクハイブリッドビームフォーミングモジュールを共同でモデル化する。
異なるモジュールを個別に処理する従来の手法とは異なり、提案手法は最適化対象の和率で全てのモジュールを同時に最適化する。
したがって、地上から地上までのMIMO-OFDMチャネルサンプルの特性を知覚することにより、DLベースのE2Eニューラルネットワークは、チャネルからビームフォーマへのマッピング機能を確立でき、パイロットとフィードバックのオーバーヘッドを低減して、明示的なチャネル再構築を回避することができる。
さらに、実用的な低分解能位相シフタ(pss)は量子化制約を導入し、ニューラルネットワークを訓練する際には難解な勾配バックプロパゲーションをもたらす。
位相量子化誤差による性能損失を軽減するため、e2eニューラルネットワークを理想の無限分解pssを前提とした事前学習ネットワークに基づいてさらに微調整する転送学習戦略を採用する。
その結果,dlベースのスキームは最先端のスキームよりも大きなアドバンテージを持つことがわかった。
関連論文リスト
- Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。
ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。
本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳（メタデータ） (2023-10-04T03:32:39Z) - Deep Convolutional Learning-Aided Detector for Generalized Frequency
Division Multiplexing with Index Modulation [0.0]
提案手法は、まずゼロフォース検出器(ZF)を用いて受信信号を前処理し、その後、畳み込みニューラルネットワーク(CNN)と完全連結ニューラルネットワーク(FCNN)からなるニューラルネットワークを用いる。
FCNN部は2つの完全に接続された層しか使用せず、複雑さとBER(bit error rate)パフォーマンスのトレードオフをもたらすことができる。
提案したディープ畳み込みニューラルネットワークに基づく検出・復調方式は,ZF検出器よりも高いBER性能を示し,複雑性が増大することが実証されている。
論文 参考訳（メタデータ） (2022-02-06T22:18:42Z) - Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、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)システムにおいて重要な役割を果たす。
受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。
エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文 参考訳（メタデータ） (2021-08-03T14:26:14Z) - 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) - 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) - Self-Organizing mmWave MIMO Cell-Free Networks With Hybrid Beamforming:
A Hierarchical DRL-Based Design [30.70798412145064]
セルフリー無線ネットワークにおいて、分散アクセスポイント(AP)は、同じ時間/周波数リソースを用いて、カバーエリア内のすべてのユーザ機器(UE)を共同で提供する。
深層学習(DRL)に基づく複数のネットワーク分割を提案する。
異なるセルフリーワーク間の干渉を設計するために,新しいハイブリッドビームストデジタルビームモデルを開発した。
論文 参考訳（メタデータ） (2021-03-17T03:31:52Z) - Federated Dropout Learning for Hybrid Beamforming With Spatial Path
Index Modulation In Multi-User mmWave-MIMO Systems [19.10321102094638]
SPIM-MIMOシステムにおけるビームフォーマー設計のためのモデルベースおよびモデルフリーフレームワークを紹介します。
提案手法は,最新のSPIM-MIMO法やmmWave-MIMO法よりも高いスペクトル効率を示す。
論文 参考訳（メタデータ） (2021-02-15T10:49:26Z) - Pruning the Pilots: Deep Learning-Based Pilot Design and Channel
Estimation for MIMO-OFDM Systems [8.401473551081748]
本稿では,ニューラルネットワークを用いた共同パイロット設計とダウンリンクチャネル推定手法を提案する。
提案したNNアーキテクチャは、周波数対応のパイロット設計に完全連結層を使用し、線形最小二乗誤差(LMMSE)推定に優れる。
また、トレーニング中に高密度のNN層から少ない有意なニューロンを徐々に刈り取ることにより、効果的なパイロットリダクション手法を提案する。
論文 参考訳（メタデータ） (2020-06-21T13:10:26Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳（メタデータ） (2019-10-12T22:07:15Z)
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。