論文の概要: DEFORM: A Practical, Universal Deep Beamforming System
- arxiv url: http://arxiv.org/abs/2203.09727v1
- Date: Fri, 18 Mar 2022 03:52:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-21 15:53:20.452061
- Title: DEFORM: A Practical, Universal Deep Beamforming System
- Title（参考訳）: 変形:実用的で普遍的な深層ビームフォーミングシステム
- Authors: Hai N. Nguyen, Guevara Noubir
- Abstract要約: 我々は、ユニバーサルレシーバービームフォーミング技術を紹介し、設計し、評価する。
我々のアプローチとシステムDEFORMは、深層学習(DL)ベースのRXビームフォーミングであり、マルチアンテナRF受信機において大きな利益をもたらす。
- 参考スコア（独自算出の注目度）: 4.450750414447688
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce, design, and evaluate a set of universal receiver beamforming
techniques. Our approach and system DEFORM, a Deep Learning (DL) based RX
beamforming achieves significant gain for multi antenna RF receivers while
being agnostic to the transmitted signal features (e.g., modulation or
bandwidth). It is well known that combining coherent RF signals from multiple
antennas results in a beamforming gain proportional to the number of receiving
elements. However in practice, this approach heavily relies on explicit channel
estimation techniques, which are link specific and require significant
communication overhead to be transmitted to the receiver. DEFORM addresses this
challenge by leveraging Convolutional Neural Network to estimate the channel
characteristics in particular the relative phase to antenna elements. It is
specifically designed to address the unique features of wireless signals
complex samples, such as the ambiguous $2\pi$ phase discontinuity and the high
sensitivity of the link Bit Error Rate. The channel prediction is subsequently
used in the Maximum Ratio Combining algorithm to achieve an optimal combination
of the received signals. While being trained on a fixed, basic RF settings, we
show that DEFORM DL model is universal, achieving up to 3 dB of SNR gain for a
two antenna receiver in extensive experiments demonstrating various settings of
modulations, bandwidths, and channels. The universality of DEFORM is
demonstrated through joint beamforming relaying of LoRa (Chirp Spread Spectrum
modulation) and ZigBee signals, achieving significant improvements to Packet
Loss/Delivery Rates relatively to conventional Amplify and Forward (LoRa PLR
reduced by 23 times and ZigBee PDR increased by 8 times).
- Abstract（参考訳）: 我々は,ユニバーサル受信機ビームフォーミング技術の導入,設計,評価を行う。
我々のアプローチとシステムDEFORM, ディープラーニング(DL)ベースのRXビームフォーミングは, 伝送信号の特徴(変調や帯域幅など)に依存しないマルチアンテナRF受信機において, 顕著な利得を達成する。
複数のアンテナからのコヒーレントRF信号を組み合わせることで、受信素子数に比例するビームフォーミングゲインが得られることはよく知られている。
しかし実際には、この手法はリンク固有であり、受信機に送信するためにかなりの通信オーバーヘッドを必要とする明示的なチャネル推定技術に大きく依存している。
デフォルムはこの課題に対処し、畳み込みニューラルネットワークを利用して、特にアンテナ要素に対する相対位相のチャネル特性を推定する。
無線信号の複雑なサンプルのユニークな特徴、例えば、2ドルのあいまいな位相の不連続性やリンクビット誤り率の高感度に対処するために特別に設計されている。
チャネル予測はその後、受信した信号の最適な組み合わせを達成するために最大比結合アルゴリズムで使用される。
固定された基礎的なRF設定でトレーニングしながら、DeFORM DLモデルが普遍的であることを示し、2つのアンテナ受信機に対して最大3dBのSNRゲインを達成し、変調、帯域幅、チャネルの様々な設定を実証する広範囲な実験を行った。
DEFORMの普遍性は、LoRa(Chirp Spread Spectrum modulation)とZigBee信号のジョイントビームフォーミングにより示され、従来のAmplifyおよびForward(LoRa PLRを23倍、ZigBee PDRを8倍)に比べてパケット損失/配送率を大幅に改善した。
関連論文リスト
- Deep-Learning-Based Channel Estimation for Distributed MIMO with 1-bit Radio-Over-Fiber Fronthaul [11.370869277334227]
分散マルチインプット・マルチアウトプット(MIMO)アーキテクチャにおけるパイロット支援・アップリンクチャネル推定の問題点を考察する。
我々は最近Nguyenらによって提案されたディープラーニングに基づくチャネル推定アルゴリズムを適用した。
提案手法は,Bussgang線形最小二乗誤差チャネル推定器よりも有意に優れていることを示す。
論文 参考訳（メタデータ） (2024-06-17T08:38:29Z) - Random Orthogonalization for Federated Learning in Massive MIMO Systems [85.71432283670114]
大規模マルチインプット・マルチアウトプット(MIMO)無線システムにおいて,フェデレートラーニング(FL)のための新しい通信設計を提案する。
ランダム直交化の主な特徴は、FLの密結合と、チャネル硬化と良好な伝播の2つの特徴から生じる。
我々は、この原理をダウンリンク通信フェーズに拡張し、FLの簡易かつ高効率なモデル放送法を開発する。
論文 参考訳（メタデータ） (2022-10-18T14:17:10Z) - Learning OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
達成可能な情報レートを最大化しつつ,選択した制約を満たすOFDMベースの波形を設計するための学習ベース手法を提案する。
エンドツーエンドシステムは,PAPRとACLRの制約を満たすことができ,スループットを著しく向上させることができることを示す。
論文 参考訳（メタデータ） (2021-10-21T08:58:59Z) - Waveform Learning for Next-Generation Wireless Communication Systems [16.26230847183709]
本稿では,送信受信フィルタ,星座形状,それに付随するビットラベリング,およびニューラルネットワーク(NN)ベースの検出器の結合設計のための学習に基づく手法を提案する。
この方法は、隣接するチャネルリーク比(ACLR)とピーク・ツー・アベイジ・パワー比(PAPR)の制約を同時に満たしつつ、達成可能な情報レートを最大化する。
論文 参考訳（メタデータ） (2021-09-02T14:51:16Z) - 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) - Two-step Machine Learning Approach for Channel Estimation with Mixed
Resolution RF Chains [19.0581196881206]
機械学習(ML)アルゴリズムを適用し,効率的なアップリンクチャネル推定手法を提案する。
第1ステップでは、条件付き生成逆転ネットワーク(cGAN)は、フル解像度RFチェーンの限られたセットから低解像度RFチェーンアンテナ要素の残りの部分まで、無線チャネルを予測します。
長期長期メモリ(LSTM)ニューラルネットワークは、低分解能RFチェーンアンテナ要素からさらなる位相情報を抽出します。
論文 参考訳（メタデータ） (2021-01-24T12:33:54Z) - Distributional Reinforcement Learning for mmWave Communications with
Intelligent Reflectors on a UAV [119.97450366894718]
無人航空機(UAV)搭載のインテリジェントリフレクタ(IR)を用いた新しい通信フレームワークを提案する。
ダウンリンク和率を最大化するために、最適プリコーディング行列(基地局)と反射係数(IR)を共同で導出する。
論文 参考訳（メタデータ） (2020-11-03T16:50:37Z) - End-to-end Learning for OFDM: From Neural Receivers to Pilotless
Communication [12.325545487629297]
周波数選択型および時間選択型フェーディングチャネル上でのエンド・ツー・エンド・ラーニングの効果について検討する。
受信機における不完全なチャネル知識により、AWGNチャネルで観測されたシェイピングゲインは消滅する。
他の2つのパフォーマンス改善源を特定します。
論文 参考訳（メタデータ） (2020-09-11T07:33:00Z) - Deep Learning Based Antenna Selection for Channel Extrapolation in FDD
Massive MIMO [54.54508321463112]
大規模なマルチインプット多重出力(MIMO)システムでは、多数のアンテナが正確なチャネル状態情報を取得する上で大きな課題となる。
ニューラルネットワーク(NN)を用いて、アップリンクとダウンリンクチャネルデータセット間の固有の接続を捕捉し、アップリンクチャネル状態情報のサブセットからダウンリンクチャネルを外挿する。
アンテナサブセット選択問題について検討し、最高のチャネル外挿を実現し、NNのデータサイズを小さくする。
論文 参考訳（メタデータ） (2020-09-03T13:38:52Z) - Deep Learning Optimized Sparse Antenna Activation for Reconfigurable
Intelligent Surface Assisted Communication [54.72880662623178]
再構成可能なインテリジェントサーフェス(RIS)は通常、パッシブモードで動作する。
カスケードチャネル構造と信号処理能力の欠如により、RISが個々のチャネル状態情報を取得することは困難である。
本稿では、RISのアンテナの一部に信号処理ユニットを追加し、チャネルを部分的に取得する。
論文 参考訳（メタデータ） (2020-09-03T12:27:22Z) - Deep Denoising Neural Network Assisted Compressive Channel Estimation
for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。
我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。
完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
論文 参考訳（メタデータ） (2020-06-03T12:18:57Z)
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。