論文の概要: Deep Learning for 1-Bit Compressed Sensing-based Superimposed CSI Feedback

• arxiv url: http://arxiv.org/abs/2203.06606v1
• Date: Sun, 13 Mar 2022 09:33:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-16 09:29:37.248265
• Title: Deep Learning for 1-Bit Compressed Sensing-based Superimposed CSI Feedback
• Title（参考訳）: 1ビット圧縮型重畳CSIフィードバックの深層学習
• Authors: Chaojin Qing, Qing Ye, Bin Cai, Wenhui Liu, and Jiafan Wang
• Abstract要約: 本稿では,1ビット圧縮されたセンサによる重畳されたCSIフィードバックを改善するためのディープラーニング方式を提案する。 提案方式は,UL-USとダウンリンクCSIの回復精度を低処理遅延で向上する。
• 参考スコア（独自算出の注目度）: 2.6831842796906393
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In frequency-division duplexing (FDD) massive multiple-input multiple-output (MIMO) systems, 1-bit compressed sensing (CS)-based superimposed channel state information (CSI) feedback has shown many advantages, while still faces many challenges, such as low accuracy of the downlink CSI recovery and large processing delays. To overcome these drawbacks, this paper proposes a deep learning (DL) scheme to improve the 1-bit compressed sensing-based superimposed CSI feedback. On the user side, the downlink CSI is compressed with the 1-bit CS technique, superimposed on the uplink user data sequences (UL-US), and then sent back to the base station (BS). At the BS, based on the model-driven approach and assisted by the superimposition-interference cancellation technology, a multi-task detection network is first constructed for detecting both the UL-US and downlink CSI. In particular, this detection network is jointly trained to detect the UL-US and downlink CSI simultaneously, capturing a globally optimized network parameter. Then, with the recovered bits for the downlink CSI, a lightweight reconstruction scheme, which consists of an initial feature extraction of the downlink CSI with the simplified traditional method and a single hidden layer network, is utilized to reconstruct the downlink CSI with low processing delay. Compared with the 1-bit CS-based superimposed CSI feedback scheme, the proposed scheme improves the recovery accuracy of the UL-US and downlink CSI with lower processing delay and possesses robustness against parameter variations.
• Abstract（参考訳）: 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) システムでは、1ビット圧縮センシング (CS) に基づく重畳チャネル状態情報 (CSI) フィードバックが多くの利点を示す一方で、ダウンリンクCSI回復の精度の低下や大きな処理遅延といった多くの課題に直面している。 これらの欠点を克服するため,本稿では1ビット圧縮センシングに基づくcsiフィードバックの改善を目的とした深層学習(dl)方式を提案する。 ユーザ側では、ダウンリンクCSIを1ビットCS技術で圧縮し、アップリンクユーザデータシーケンス(UL-US)に重畳し、基地局(BS)に送信する。 BSでは、モデル駆動方式をベースとして、重畳干渉キャンセル技術により、UL-USとダウンリンクCSIの両方を検出するマルチタスク検出ネットワークを構築した。 特に、この検出ネットワークは、ul-usとdownlink csiを同時に検出するために共同で訓練され、グローバルに最適化されたネットワークパラメータをキャプチャする。 そして、回収したダウンリンクcsiのビットを用いて、簡易な従来の方法によるダウンリンクcsiの最初の特徴抽出と単一の隠れ層ネットワークからなる軽量な再構成スキームを用いて、ダウンリンクcsiを低処理遅延で再構築する。 1ビットcsベース重畳csiフィードバック方式と比較して,提案方式は処理遅延の少ないul-usおよびdownlink csiの復元精度を向上し,パラメータ変動に対するロバスト性を有する。

関連論文リスト

• Physics-Inspired Deep Learning Anti-Aliasing Framework in Efficient Channel State Feedback [25.68689988641748]
  この研究は、アンダーサンプリングによるギャップに対処するための後処理ソリューションとして、gNBで新しいCSIアップサンプリングフレームワークを導入している。 また,提案したアルゴリズムをISTA-Netアーキテクチャと統合する学習手法を開発した。 以上の結果から,ルールベースと深層学習の両手法が従来の手法や最先端の手法よりも性能的に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-03-12T23:40:51Z)
• A Low-Overhead Incorporation-Extrapolation based Few-Shot CSI Feedback Framework for Massive MIMO Systems [45.22132581755417]
  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)システムにおけるダウンリンクプリコーディングには、正確なチャネル状態情報(CSI)が不可欠である。 しかし,アンテナやサブキャリアの規模が大きくなると,ユーザ機器(UE)からのフィードバックによるCSI取得が困難になる。 CSIを圧縮するために深層学習に基づく手法が登場したが、これらの方法はかなりの収集サンプルを必要とする。 既存のディープラーニング手法は、フル次元のCSIフィードバックに重点を置いているため、フィードバックオーバーヘッドが劇的に増加することにも悩まされる。 低オーバーヘッド抽出に基づくFew-Shot CSIを提案する。
  論文  参考訳（メタデータ） (2023-12-07T06:01:47Z)
• 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)
• Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
  再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。 しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。 本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
  論文  参考訳（メタデータ） (2022-09-18T03:07:37Z)
• Overview of Deep Learning-based CSI Feedback in Massive MIMO Systems [77.0986534024972]
  ディープラーニング(DL)ベースのCSIフィードバックは、DLベースのオートエンコーダによるCSI圧縮と再構築を指し、フィードバックオーバーヘッドを大幅に削減することができる。 その焦点は、CSIフィードバックの正確性を改善するために、新しいニューラルネットワークアーキテクチャとコミュニケーション専門家の知識の利用である。
  論文  参考訳（メタデータ） (2022-06-29T03:28:57Z)
• PolarDenseNet: A Deep Learning Model for CSI Feedback in MIMO Systems [18.646674391114548]
  UEにおけるCSIを低次元の潜在空間に符号化し、基地局で復号する自動エンコーダアーキテクチャに基づくAIベースのCSIフィードバックを提案する。 シミュレーションの結果,AIに基づく提案したアーキテクチャは,最先端の高分解能線形組合せ符号ブックよりも優れていた。
  論文  参考訳（メタデータ） (2022-02-02T19:04:49Z)
• Deep Learning-based Implicit CSI Feedback in Massive MIMO [68.81204537021821]
  ニューラルネットワーク(NN)を用いて,プリコーディング行列インジケータ(PMI)符号化とデコードモジュールを置き換える,低オーバヘッド特性を継承するDLベースの暗黙的フィードバックアーキテクチャを提案する。 1つのリソースブロック(RB)では、2つのアンテナ構成下のタイプIコードブックと比較して25.0%と40.0%のオーバーヘッドを節約できる。
  論文  参考訳（メタデータ） (2021-05-21T02:43:02Z)
• Aggregated Network for Massive MIMO CSI Feedback [18.04633171156304]
  ACRNetは、ネットワークアグリゲーションとパラメトリックなRuLUアクティベーションによってフィードバック性能を向上させるように設計されている。 実験では、ACRNetは追加情報なしで、以前の最先端のフィードバックネットワークの負荷を上回ります。
  論文  参考訳（メタデータ） (2021-01-17T08:19:40Z)
• 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)

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。