論文の概要: Unsupervised Learning Based Hybrid Beamforming with Low-Resolution Phase
Shifters for MU-MIMO Systems
- arxiv url: http://arxiv.org/abs/2202.01946v1
- Date: Fri, 4 Feb 2022 02:45:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-07 16:02:04.979090
- Title: Unsupervised Learning Based Hybrid Beamforming with Low-Resolution Phase
Shifters for MU-MIMO Systems
- Title（参考訳）: 教師なし学習によるmu-mimoシステムのための低分解能位相シフト型ハイブリッドビームフォーミング
- Authors: Chia-Ho Kuo, Hsin-Yuan Chang, Ronald Y. Chang, Wei-Ho Chung
- Abstract要約: 無限分解能位相シフタ(PS)に基づく既存のハイブリッドビームフォーミング設計は、ハードウェアコストと消費電力のために実用的ではない。
アナログプリコーダとコンバインダを低解像度PSで共同設計するための教師なし学習に基づくスキームを提案する。
アナログプリコーダとコンバインダの設計問題を位相分類問題に変換し,汎用ニューラルネットワークアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 7.585540240110219
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Millimeter wave (mmWave) is a key technology for fifth-generation (5G) and
beyond communications. Hybrid beamforming has been proposed for large-scale
antenna systems in mmWave communications. Existing hybrid beamforming designs
based on infinite-resolution phase shifters (PSs) are impractical due to
hardware cost and power consumption. In this paper, we propose an
unsupervised-learning-based scheme to jointly design the analog precoder and
combiner with low-resolution PSs for multiuser multiple-input multiple-output
(MU-MIMO) systems. We transform the analog precoder and combiner design problem
into a phase classification problem and propose a generic neural network
architecture, termed the phase classification network (PCNet), capable of
producing solutions of various PS resolutions. Simulation results demonstrate
the superior sum-rate and complexity performance of the proposed scheme, as
compared to state-of-the-art hybrid beamforming designs for the most commonly
used low-resolution PS configurations.
- Abstract（参考訳）: ミリ波(ミリ波)は第5世代(5G)と通信以上の重要な技術である。
mm波通信の大規模アンテナシステムではハイブリッドビームフォーミングが提案されている。
無限分解能位相シフタ(PS)に基づく既存のハイブリッドビームフォーミング設計は、ハードウェアコストと消費電力のために実用的ではない。
本論文では,マルチユーザマルチインプットマルチアウトプット(mu-mimo)システムにおいて,アナログプリコーダと低解像度pssを併用した教師なし学習方式を提案する。
我々は、アナログプリコーダとコンバインダの設計問題を位相分類問題に変換し、様々なPS解像度の解を生成することができる位相分類ネットワーク(PCNet)と呼ばれる汎用ニューラルネットワークアーキテクチャを提案する。
シミュレーションの結果,提案手法は高精細PS構成に対して,最先端のハイブリッドビームフォーミング設計と比較して,より優れた総和率と複雑性性能を示す。
関連論文リスト
- Deep Learning Assisted Multiuser MIMO Load Modulated Systems for
Enhanced Downlink mmWave Communications [68.96633803796003]
本稿では, マルチユーザ負荷変調アレイ (MU-LMA) に着目し, マイクロウェーブ (mmWave) マルチインプット・マルチアウトプット (MIMO) システムにおいて, マルチユーザ負荷変調アレイ (MU-LMA) の小型化とコスト削減を図っている。
ダウンリンクMU-LMAの既存のプリコーディングアルゴリズムは、自由度と複雑なシステム構成の低下に悩まされるサブアレイ構造化(SAS)送信機に依存している。
本稿では,FAS (Full-array Structured) 送信機を用いたMU-LMAシステムを提案し,それに応じて2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-11-08T08:54:56Z) - AI-Empowered Hybrid MIMO Beamforming [85.48860461696417]
ハイブリッドマルチインプット・マルチアウトプット(MIMO)システムは、アナログおよびデジタルのビームフォーミングの一部を実装している。
近年、ハイブリッドビームフォーミング設計にデータ支援人工知能(AI)ツールを使うことへの関心が高まっている。
本稿では、リアルタイムハイブリッドビームフォーミング設計を改善するために、データを活用するための候補戦略についてレビューする。
論文 参考訳（メタデータ） (2023-03-03T06:04:20Z) - Flexible Unsupervised Learning for Massive MIMO Subarray Hybrid
Beamforming [1.181206257787103]
サブアレイハイブリッドビームフォーミングは、大規模システムのエネルギー効率を改善するための有望な技術である。
ニューラル化位相シフト器とCSIをサポートしながらハイブリッドビームフォーミングを設計するための新しい教師なし学習手法を提案する。
論文 参考訳（メタデータ） (2022-08-10T16:55:00Z) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳（メタデータ） (2022-03-26T20:37:14Z) - Proximal Policy Optimization-based Transmit Beamforming and Phase-shift
Design in an IRS-aided ISAC System for the THz Band [90.45915557253385]
テラヘルツ(THz)帯で動作するIRS支援統合センシング・通信(ISAC)システムを提案し,システム容量を最大化する。
透過ビームフォーミングと位相シフト設計はエルゴード制約を伴う普遍最適化問題に変換される。
論文 参考訳（メタデータ） (2022-03-21T09:15:18Z) - Data-Driven Deep Learning Based Hybrid Beamforming for Aerial Massive
MIMO-OFDM Systems with Implicit CSI [29.11998008894847]
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。
論文 参考訳（メタデータ） (2022-01-18T07:21:00Z) - Joint Deep Reinforcement Learning and Unfolding: Beam Selection and
Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。
本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
論文 参考訳（メタデータ） (2021-01-05T03:55:04Z) - Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。
本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-08T12:48:06Z) - Unsupervised Deep Learning for Massive MIMO Hybrid Beamforming [1.290382979353427]
ハイブリッドビームフォーミングは、MIMO(Multiple-input multiple-output)システムの複雑さとコストを低減するための有望な技術である。
本稿では,ハイブリッドビームフォーミングを設計するためのRSSIに基づく非教師なし深層学習手法を提案する。
論文 参考訳（メタデータ） (2020-06-30T18:10:36Z) - RSSI-Based Hybrid Beamforming Design with Deep Learning [4.037009782513272]
ハイブリッドビームフォーミングは、5Gミリ波通信の有望な技術である。
実践的なマルチインプットマルチアウトプットシステムでは実装が困難である。
適切な学習と関連する最適化を行うために,ディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2020-03-12T22:22:49Z)
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。