論文の概要: A Novel Channel Identification Architecture for mmWave Systems Based on
Eigen Features
- arxiv url: http://arxiv.org/abs/2204.05052v1
- Date: Mon, 11 Apr 2022 12:42:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-12 17:24:44.879998
- Title: A Novel Channel Identification Architecture for mmWave Systems Based on
Eigen Features
- Title（参考訳）: 固有特性に基づくmm波システムのための新しいチャネル識別アーキテクチャ
- Authors: Yibin Zhang, Jinlong Sun, Guan Gui, Haris Gacanin and Fumiyuki Adachi
- Abstract要約: 本稿では,LOS(Line-of- sight)環境とNLOS(Non-LOS)環境におけるチャネル識別技術について述べる。
本稿では,ユーザ機器(UE)の限られた計算能力を考えると,固有特徴に基づく新しいチャネル識別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）: 14.341218918618567
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Millimeter wave (mmWave) communication technique has been developed rapidly
because of many advantages of high speed, large bandwidth, and ultra-low delay.
However, mmWave communications systems suffer from fast fading and frequent
blocking. Hence, the ideal communication environment for mmWave is line of
sight (LOS) channel. To improve the efficiency and capacity of mmWave system,
and to better build the Internet of Everything (IoE) service network, this
paper focuses on the channel identification technique in line-of- sight (LOS)
and non-LOS (NLOS) environments. Considering the limited computing ability of
user equipments (UEs), this paper proposes a novel channel identification
architecture based on eigen features, i.e. eigenmatrix and eigenvector (EMEV)
of channel state information (CSI). Furthermore, this paper explores clustered
delay line (CDL) channel identification with mmWave, which is defined by the
3rd generation partnership project (3GPP). Ther experimental results show that
the EMEV based scheme can achieve identification accuracy of 99.88% assuming
perfect CSI. In the robustness test, the maximum noise can be tolerated is SNR=
16 dB, with the threshold acc \geq 95%. What is more, the novel architecture
based on EMEV feature will reduce the comprehensive overhead by about 90%.
- Abstract（参考訳）: ミリ波(ミリ波)通信技術は、高速、広帯域、超低遅延の長所が多く、急速に発展してきた。
しかし、mmWave通信システムは急速に衰退し、頻繁に遮断される。
したがって、mmwave の理想的な通信環境は line of sight (los) channel である。
本稿では,mmwaveシステムの効率とキャパシティを向上し,iot (internet of everything) サービスネットワークをより良く構築するために,ライン・オブ・アイズ (los) と非ロス (nlos) 環境におけるチャネル識別技術に注目した。
本稿では,ユーザ機器 (ues) の計算能力の制限を考えると,チャネル状態情報 (csi) の固有特性,固有行列および固有ベクトル (emev) に基づく新しいチャネル識別アーキテクチャを提案する。
さらに,第3世代パートナーシッププロジェクト(3GPP)によって定義されたmmWaveによるクラスタ遅延線(CDL)チャネルの同定について検討する。
実験の結果、EMEVベースのスキームは完全なCSIを仮定して99.88%の精度で識別できることがわかった。
強靭性試験では、最大雑音は SNR= 16 dB で、閾値は acc \geq 95% である。
さらに、EMEV機能に基づく新しいアーキテクチャは、全体的なオーバーヘッドを約90%削減します。
関連論文リスト
- Hybrid Knowledge-Data Driven Channel Semantic Acquisition and
Beamforming for Cell-Free Massive MIMO [6.010360758759109]
本稿では、ユビキタス・拡張現実(XR)アプリケーションのサポートを改善するために、屋外無線システムの進歩に焦点を当てる。
セルレス大規模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,チャネル意味獲得とマルチユーザビームフォーミングのためのハイブリッド知識データ駆動方式を提案する。
論文 参考訳（メタデータ） (2023-07-06T15:35:55Z) - Enhancing Reliability in Federated mmWave Networks: A Practical and
Scalable Solution using Radar-Aided Dynamic Blockage Recognition [14.18507067281377]
本稿では,ミリ波(mmWave)およびテラヘルツ(THz)ネットワークサービスの動的屋外環境における信頼性向上のための新しい手法を提案する。
これらの設定では、人や車などの障害物を動かすことで、視線接続(LoS)が簡単に中断される。
提案手法はRadar-Aided Blockage Dynamic Recognition (RaDaR)と呼ばれ、レーダー計測とフェデレートラーニング(FL)を活用して、二重出力ニューラルネットワーク(NN)モデルをトレーニングする。
論文 参考訳（メタデータ） (2023-06-22T10:10:25Z) - 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 Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z) - CNN based Channel Estimation using NOMA for mmWave Massive MIMO System [0.0]
本稿では,ハイブリッドアーキテクチャ上に構築されたミリ波(mmWave)系のチャネルを推定するための畳み込みニューラルネットワーク手法を提案する。
まず、受信した信号からチャネルの粗い推定を行う。
数値図は,提案手法が最小二乗推定,最小平均二乗誤差(MMSE)推定を上回り,クラマー・ラオ境界(CRB)に近いことを示す。
論文 参考訳（メタデータ） (2021-08-01T05:33:55Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳（メタデータ） (2021-07-27T06:57:56Z) - 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) - Neural Architecture Search For LF-MMI Trained Time Delay Neural Networks [61.76338096980383]
TDNN(State-of-the-the-art Factored Time delay Neural Network)の2種類のハイパーパラメータを自動的に学習するために、さまざまなニューラルネットワークサーチ(NAS)技術が使用されている。
DARTSメソッドはアーキテクチャ選択とLF-MMI(格子のないMMI)TDNNトレーニングを統合する。
300時間のSwitchboardコーパスで行われた実験では、自動構成システムはベースラインLF-MMI TDNNシステムより一貫して優れていることが示唆された。
論文 参考訳（メタデータ） (2020-07-17T08:32:11Z) - 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) - Learning Based Hybrid Beamforming Design for Full-Duplex Millimeter Wave
Systems [22.478350298755892]
我々は、FD mmWaveシステムのためのHBF設計のための2つの学習スキーム、すなわち、極端な学習マシンベースのHBFと畳み込みニューラルネットワークベースのHBFを提案する。
その結果、どちらの学習ベーススキームもより堅牢なHBF性能を実現し、少なくとも22.1%のスペクトル効率が得られることが示された。
論文 参考訳（メタデータ） (2020-04-16T15:48:57Z)
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。