論文の概要: Deep Learning-Aided Spatial Multiplexing with Index Modulation
- arxiv url: http://arxiv.org/abs/2202.02856v1
- Date: Sun, 6 Feb 2022 21:26:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-09 06:22:49.618901
- Title: Deep Learning-Aided Spatial Multiplexing with Index Modulation
- Title(参考訳): インデックス変調を用いた深層学習支援空間多重化
- Authors: Merve Turhan and Ersin Ozturk and Hakan Ali Cirpan
- Abstract要約: 深部SMX-IMはゼロフォース検出器(ZF)とDL技術を組み合わせて構築されている。
ディープSMX-IMはZF検出器と比較して誤差性能が著しく向上することが示されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, deep learning (DL)-aided data detection of spatial
multiplexing (SMX) multiple-input multiple-output (MIMO) transmission with
index modulation (IM) (Deep-SMX-IM) has been proposed. Deep-SMX-IM has been
constructed by combining a zero-forcing (ZF) detector and DL technique. The
proposed method uses the significant advantages of DL techniques to learn
transmission characteristics of the frequency and spatial domains. Furthermore,
thanks to using subblockbased detection provided by IM, Deep-SMX-IM is a
straightforward method, which eventually reveals reduced complexity. It has
been shown that Deep-SMX-IM has significant error performance gains compared to
ZF detector without increasing computational complexity for different system
configurations.
- Abstract(参考訳): 本稿では,空間多重化(SMX)マルチインプット多重出力(MIMO)伝送におけるインデックス変調(IM)を用いた深層学習(DL)支援データ検出手法を提案する。
深部SMX-IMはゼロフォース検出器(ZF)とDL技術を組み合わせて構築されている。
提案手法は,周波数領域と空間領域の伝送特性を学習するために,dl法の重要な利点を用いる。
さらに、IMによって提供されるサブブロックベースの検出により、Deep-SMX-IMは単純な方法であり、最終的には複雑さが減少する。
深部SMX-IMは、ZF検出器と比較して、異なるシステム構成の計算複雑性を増大させることなく、エラー性能が著しく向上することが示されている。
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) - SS-MAE: Spatial-Spectral Masked Auto-Encoder for Multi-Source Remote
Sensing Image Classification [35.52272615695294]
本研究では,HSIとLiDAR/SARデータ共同分類のための空間スペクトルマスク付きオートエンコーダ(SS-MAE)を提案する。
我々のSS-MAEは入力データの空間的およびスペクトル的表現を完全に活用する。
訓練段階における局所的な特徴を補完するため、特徴抽出のために2つの軽量CNNを追加します。
論文 参考訳(メタデータ) (2023-11-08T03:54:44Z) - Provable Multi-instance Deep AUC Maximization with Stochastic Pooling [39.46116380220933]
本稿では,マルチインスタンス学習(MIL)における深層AUC(DAM)の新たな応用について考察する。
単一のクラスラベルは、インスタンスのバッグに割り当てられる(例えば、患者のためのスキャンの複数の2Dスライスなど)。
論文 参考訳(メタデータ) (2023-05-14T01:29:56Z) - Machine Learning-based Methods for Joint {Detection-Channel Estimation}
in OFDM Systems [0.0]
OFDMシステムにおける共同検出チャネル推定のための機械学習(ML)に基づく2つの構造を提案し,広範囲に評価した。
ビットエラーレート(BER)性能と計算複雑性のトレードオフを解析する。
論文 参考訳(メタデータ) (2023-04-08T19:30:23Z) - Machine Learning-enhanced Receive Processing for MU-MIMO OFDM Systems [15.423422040627331]
機械学習は、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)受信処理を改善するために使用できる。
本稿では,従来の受信機の利点を保ちつつ,特定の部品をMLコンポーネントで強化する新たな戦略を提案する。
論文 参考訳(メタデータ) (2021-06-30T14:02:27Z) - Solving Sparse Linear Inverse Problems in Communication Systems: A Deep
Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。
提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文 参考訳(メタデータ) (2020-10-29T06:32:53Z) - Multi-document Summarization with Maximal Marginal Relevance-guided
Reinforcement Learning [54.446686397551275]
RL-MMRは、古典的MDSで使用される高度な神経SDS法と統計測度を統一する。
RL-MMRは、より少ない有望な候補にMMRガイダンスを投入し、探索空間を抑え、より良い表現学習をもたらす。
論文 参考訳(メタデータ) (2020-09-30T21:50:46Z) - Performance Indicator in Multilinear Compressive Learning [106.12874293597754]
マルチリニア圧縮学習(MCL)フレームワークは,多次元信号を扱う際の知覚と学習のステップを効率的に最適化するために提案された。
本稿では,入力信号の分解能,圧縮された測定値数,MCLの学習性能の関係を解析する。
論文 参考訳(メタデータ) (2020-09-22T11:27:50Z) - X-ModalNet: A Semi-Supervised Deep Cross-Modal Network for
Classification of Remote Sensing Data [69.37597254841052]
我々はX-ModalNetと呼ばれる新しいクロスモーダルディープラーニングフレームワークを提案する。
X-ModalNetは、ネットワークの上部にある高レベルな特徴によって構築されたアップダスタブルグラフ上にラベルを伝搬するため、うまく一般化する。
我々は2つのマルチモーダルリモートセンシングデータセット(HSI-MSIとHSI-SAR)上でX-ModalNetを評価し、いくつかの最先端手法と比較して大幅に改善した。
論文 参考訳(メタデータ) (2020-06-24T15:29:41Z) - 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) - ANN-Based Detection in MIMO-OFDM Systems with Low-Resolution ADCs [0.0]
本稿では,信号検出に使用するLevenberg-Marquardtアルゴリズムを用いて,多層ニューラルネットワーク(ANN)を提案する。
本研究では,受信機におけるチャネル状態情報を知ることなく,データシンボル推定を行うブラインド検出方式を検討する。
論文 参考訳(メタデータ) (2020-01-31T03:38:42Z)
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。