論文の概要: Alternating Channel Estimation and Prediction for Cell-Free mMIMO with
Channel Aging: A Deep Learning Based Scheme
- arxiv url: http://arxiv.org/abs/2204.07868v1
- Date: Sat, 16 Apr 2022 20:27:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-20 05:03:37.482641
- Title: Alternating Channel Estimation and Prediction for Cell-Free mMIMO with
Channel Aging: A Deep Learning Based Scheme
- Title（参考訳）: チャネル老化を伴う無細胞mMIMOのチャネル推定と予測:ディープラーニングに基づく手法
- Authors: Mohanad Obeed, Yasser Al-Eryani, and Anas Chaaban
- Abstract要約: 大規模動的無線ネットワークでは,チャネル推定(CE)によるオーバーヘッドの増大が主な性能ボトルネックとなっている。
本稿では,マルチインプット・マルチインプット・マルチアウトプット(mMIMO)システムにおいて,時間分割デュプレックス(TDD)のオーバヘッドを低減するためのハイブリッドチャネル推定・予測手法を提案する。
- 参考スコア（独自算出の注目度）: 17.486123129104882
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In large scale dynamic wireless networks, the amount of overhead caused by
channel estimation (CE) is becoming one of the main performance bottlenecks.
This is due to the large number users whose channels should be estimated, the
user mobility, and the rapid channel change caused by the usage of the
high-frequency spectrum (e.g. millimeter wave). In this work, we propose a new
hybrid channel estimation/prediction (CEP) scheme to reduce overhead in
time-division duplex (TDD) wireless cell-free massive
multiple-input-multiple-output (mMIMO) systems. The scheme proposes sending a
pilot signal from each user only once in a given number (window) of coherence
intervals (CIs). Then minimum mean-square error (MMSE) estimation is used to
estimate the channel of this CI, while a deep neural network (DNN) is used to
predict the channels of the remaining CIs in the window. The DNN exploits the
temporal correlation between the consecutive CIs and the received pilot signals
to improve the channel prediction accuracy. By doing so, CE overhead is reduced
by at least 50 percent at the expense of negligible CE error for practical user
mobility settings. Consequently, the proposed CEP scheme improves the spectral
efficiency compared to the conventional MMSE CE approach, especially when the
number of users is large, which is demonstrated numerically.
- Abstract（参考訳）: 大規模動的無線ネットワークでは,チャネル推定(ce)によるオーバヘッドの量がパフォーマンスボトルネックの1つとなっている。
これは、チャネルを推定すべきユーザ数が多いこと、ユーザモビリティ、高周波スペクトル(ミリ波など)の使用によるチャネル変化が原因である。
本研究では,時間分割重複(TDD)無線セルレスマルチインプット・マルチプル・アウトプット(mMIMO)システムのオーバヘッドを低減するために,新しいハイブリッドチャネル推定・予測手法を提案する。
本方式では、各ユーザからのパイロット信号をコヒーレンス間隔(cis)の所定の数(ウィンドウ)に一度だけ送信することを提案する。
次に、このCIのチャネルを推定するために最小平均二乗誤差(MMSE)推定を使用し、ウィンドウ内の残りのCIのチャネルを予測するためにディープニューラルネットワーク(DNN)を使用する。
DNNは、連続したCIと受信したパイロット信号の時間的相関を利用して、チャネル予測精度を向上させる。
これにより、実用的なユーザモビリティ設定のための無視可能なCEエラーを犠牲にして、CEオーバーヘッドを少なくとも50%削減できる。
その結果,提案手法は従来のMMSE CE手法と比較してスペクトル効率を向上し,特にユーザ数が大きい場合,数値的に示される。
関連論文リスト
- 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) - Pay Less But Get More: A Dual-Attention-based Channel Estimation Network
for Massive MIMO Systems with Low-Density Pilots [41.213515826100696]
低密度パイロットによる正確なチャネル推定を実現するために,デュアルアテンションに基づくチャネル推定ネットワーク(DACEN)を提案する。
実験結果から,提案手法は既存の手法よりも優れたチャネル推定性能が得られることがわかった。
論文 参考訳（メタデータ） (2023-03-02T05:34:25Z) - 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) - Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid
Precoding [94.40747235081466]
本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。
我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
論文 参考訳（メタデータ） (2021-10-22T20:49:02Z) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳（メタデータ） (2021-09-06T13:42:32Z) - 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) - 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) - Massive MIMO Channel Prediction: Kalman Filtering vs. Machine Learning [18.939010023327498]
本稿では,Multiple-input multiple-output (MIMO)システムにおけるチャネル予測手法について述べる。
ベクトルカルマンフィルタ(VKF)に基づくチャネル予測器と機械学習(ML)に基づくチャネル予測器を開発し比較する。
論文 参考訳（メタデータ） (2020-09-21T15:47:34Z) - Pruning the Pilots: Deep Learning-Based Pilot Design and Channel
Estimation for MIMO-OFDM Systems [8.401473551081748]
本稿では,ニューラルネットワークを用いた共同パイロット設計とダウンリンクチャネル推定手法を提案する。
提案したNNアーキテクチャは、周波数対応のパイロット設計に完全連結層を使用し、線形最小二乗誤差(LMMSE)推定に優れる。
また、トレーニング中に高密度のNN層から少ない有意なニューロンを徐々に刈り取ることにより、効果的なパイロットリダクション手法を提案する。
論文 参考訳（メタデータ） (2020-06-21T13:10:26Z) - 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。