論文の概要: Bit-Metric Decoding Rate in Multi-User MIMO Systems: Theory

• arxiv url: http://arxiv.org/abs/2203.06271v1
• Date: Fri, 11 Mar 2022 22:43:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-15 17:46:33.451911
• Title: Bit-Metric Decoding Rate in Multi-User MIMO Systems: Theory
• Title（参考訳）: マルチユーザMIMOシステムにおけるビットメトリック復号速度:理論
• Authors: Pavan Koteshwar Srinath and Jakob Hoydis
• Abstract要約: リンク適応(LA)は、無線通信における最も重要な側面の1つである。 LAは受信機における非等化後信号-干渉-雑音比(SINR)を計算する。 非線形受信機を持つMU-MIMOシステムでは、スフィアデコーダアルゴリズムの変種を使用するような、ポスト等化SINRの等価性は知られていない。 BMDRは任意の検出器に対する非等化後のSINRと同値である。
• 参考スコア（独自算出の注目度）: 12.325545487629297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Link-adaptation (LA) is one of the most important aspects of wireless communications where the modulation and coding scheme (MCS) used by the transmitter is adapted to the channel conditions in order to meet a certain target error-rate. In a single-user SISO (SU-SISO) system, LA is performed by computing the post-equalization signal-to-interference-noise ratio (SINR) at the receiver. The same technique can be employed in multi-user MIMO (MU-MIMO) receivers that use linear detectors. Another important use of post-equalization SINR is for physical layer (PHY) abstraction, where several PHY blocks like the channel encoder, the detector, and the channel decoder are replaced by an abstraction model in order to speed up system-level simulations. This is achieved by mapping the post-equalization SINR to a codeword error rate (CER) or a block error rate (BLER). However, for MU-MIMO systems with non-linear receivers, like those that use variants of the sphere-decoder algorithm, there is no known equivalent of post-equalization SINR which makes both LA and PHY abstraction extremely challenging. This important issue is addressed in this two-part paper. A metric called the bit-metric decoding rate (BMDR) of a detector for a set of channel realizations is presented in this part. BMDR is the proposed equivalent of post-equalization SINR for arbitrary detectors. Since BMDR does not have a closed form expression that would enable its instantaneous calculation, a machine-learning approach to predict it is presented. The second part describes the algorithms to perform LA, detector selection, and PHY abstraction using BMDR for MU-MIMO systems with arbitrary detectors. Extensive simulation results corroborating the claims are presented.
• Abstract（参考訳）: リンク適応(la)は、送信機によって使用される変調符号化方式(mcs)が、特定のターゲット誤り率を満たすためにチャネル条件に適合する無線通信の最も重要な側面の1つである。 シングルユーザsiso(su-siso)システムでは、受信機で後等化信号対干渉雑音比(sinr)を演算してlaを行う。 同じ技術は、線形検出器を使用するマルチユーザMIMO(MU-MIMO)受信機でも使用できる。 ポスト等化SINRのもう1つの重要な用途は物理層(PHY)の抽象化であり、システムレベルのシミュレーションを高速化するために、チャネルエンコーダ、検出器、チャネルデコーダなどのPHYブロックを抽象化モデルに置き換える。 これは、ポスト等化SINRをコードワードエラーレート(CER)またはブロックエラーレート(BLER)にマッピングすることで達成される。 しかし、スフィアデコーダアルゴリズムの変種を使用するような非線形受信機を持つMU-MIMOシステムでは、LAとPHYの抽象化を極めて困難にするポスト等化SINRの等価性は知られていない。 この重要な問題はこの2部からなる論文で論じられている。 ここでは、一連のチャネル実現のための検出器のビットメトリック復号率(BMDR)と呼ばれる計量を示す。 BMDRは任意の検出器に対する非等化後のSINRと同値である。 BMDRには、その瞬時に計算できるクローズドフォーム表現がないため、それを予測するための機械学習アプローチが提示される。 第2部では、任意の検出器を持つMU-MIMOシステムに対して、BMDRを用いてLA、検出器選択、PHY抽象化を行うアルゴリズムを記述している。 主張を裏付ける大規模なシミュレーション結果が提示される。

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)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• 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)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Bit-Metric Decoding Rate in Multi-User MIMO Systems: Applications [13.848471206858617]
  第1部では,非線形受信機を有するMU-MIMOシステムに対するリンク適応(LA)と物理層(PHY)の抽象化に焦点を当てる。 パートIIは、任意の受信機を持つMU-MIMOシステムにおいて、LAのための新しいアルゴリズム、利用可能な検出器のリストからの動的検出器選択、PHY抽象化を開発する。
  論文  参考訳（メタデータ） (2022-03-11T22:51:26Z)
• Deep Learning-Based Active User Detection for Grant-free SCMA Systems [12.565459084483045]
  グループベースのディープニューラルネットワークアクティブユーザ検出方式を2つ提案する。 スキームは非線形マッピング、すなわち多次元コードブック構造とチャネル特性を学ぶ。 オフラインで事前訓練されたモデルは、チャネル状態情報なしでアクティブなデバイスを検出することができる。
  論文  参考訳（メタデータ） (2021-06-21T15:34:14Z)
• Machine Learning for MU-MIMO Receive Processing in OFDM Systems [14.118477167150143]
  従来の線形最小平均二乗誤差(LMMSE)アーキテクチャ上に構築したML強化MU-MIMO受信機を提案する。 cnnはチャネル推定誤差の2次統計量の近似を計算するために用いられる。 CNNベースのデマッパーは、多数の周波数分割多重記号とサブキャリアを共同で処理する。
  論文  参考訳（メタデータ） (2020-12-15T09:55:37Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)
• 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。