論文の概要: Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access

• arxiv url: http://arxiv.org/abs/2205.00849v1
• Date: Mon, 2 May 2022 12:23:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-03 16:36:13.697116
• Title: Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access
• Title（参考訳）: レートスプリッティング多重アクセスのためのモデルベースディープラーニング受信機設計
• Authors: Rafael Cerna Loli, Onur Dizdar, Bruno Clerckx, Cong Ling
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 65.21117658030235
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective and adaptive interference management is required in next generation wireless communication systems. To address this challenge, Rate-Splitting Multiple Access (RSMA), relying on multi-antenna rate-splitting (RS) at the transmitter and successive interference cancellation (SIC) at the receivers, has been intensively studied in recent years, albeit mostly under the assumption of perfect Channel State Information at the Receiver (CSIR) and ideal capacity-achieving modulation and coding schemes. To assess its practical performance, benefits, and limits under more realistic conditions, this work proposes a novel design for a practical RSMA receiver based on model-based deep learning (MBDL) methods, which aims to unite the simple structure of the conventional SIC receiver and the robustness and model agnosticism of deep learning techniques. The MBDL receiver is evaluated in terms of uncoded Symbol Error Rate (SER), throughput performance through Link-Level Simulations (LLS), and average training overhead. Also, a comparison with the SIC receiver, with perfect and imperfect CSIR, is given. Results reveal that the MBDL outperforms by a significant margin the SIC receiver with imperfect CSIR, due to its ability to generate on demand non-linear symbol detection boundaries in a pure data-driven manner.
• Abstract（参考訳）: 次世代無線通信システムでは効果的かつ適応的な干渉管理が必要である。 この課題に対処するために、送信機におけるマルチアンテナレートスプリッティング(RS)と受信機における逐次干渉キャンセル(SIC)に依存したRSMA(Rate-Splitting Multiple Access)が近年集中的に研究されている。 本研究は,より現実的な条件下での実用的性能,利点,限界を評価するため,従来のSIC受信機の単純な構造と深層学習技術の堅牢性とモデル非依存性を一体化することを目的とした,モデルベース深層学習(MBDL)手法に基づく実用的RSMA受信機の設計を提案する。 mbdl受信機は、アンコードシンボル誤り率(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、および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。 また、完全かつ不完全なCSIRを有するSIC受信機との比較を行う。 その結果,SIC受信機に不完全なCSIRを付与することでMBDLの精度が向上し,要求された非線形シンボル検出境界を純粋なデータ駆動方式で生成できることが判明した。

関連論文リスト

• Latent Diffusion Model-Enabled Real-Time Semantic Communication Considering Semantic Ambiguities and Channel Noises [18.539501941328393]
  本稿では, 遅延拡散モデル対応SemComシステムを構築し, 既存システムと比較して3つの改良点を提案する。 軽量な単層遅延空間変換アダプタは、送信機でのワンショット学習を完了させる。 終端整合蒸留法を用いて, 潜時空間で訓練した拡散模型を蒸留する。
  論文  参考訳（メタデータ） (2024-06-09T23:39:31Z)
• Deep learning approaches to indoor wireless channel estimation for low-power communication [0.0]
  本稿では,LP-IoT通信における高精度チャネル推定にRSSIを利用する,FCNNを用いた2つの低電力チャネル推定モデルを提案する。 我々のモデルAは平均二乗誤差(MSE)の99.02%の顕著な減少を示し、モデルBは現在の研究で設定されたベンチマークと比較して90.03%のMSEの減少を示す。
  論文  参考訳（メタデータ） (2024-05-21T00:36:34Z)
• Causal Semantic Communication for Digital Twins: A Generalizable Imitation Learning Approach [74.25870052841226]
  デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。 無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。 DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
  論文  参考訳（メタデータ） (2023-04-25T00:15:00Z)
• 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)
• HybridDeepRx: Deep Learning Receiver for High-EVM Signals [13.678714245633596]
  機械学習(ML)を用いたOFDM信号の復調のための物理層レシーバソリューションを提案する。 時間領域と周波数領域の両方に層を含む、新しいディープラーニングベースの畳み込みニューラルネットワークレシーバが考案された。
  論文  参考訳（メタデータ） (2021-06-30T14:10:01Z)
• End-to-End Learning for Uplink MU-SIMO Joint Transmitter and Non-Coherent Receiver Design in Fading Channels [11.182920270301304]
  JTRD-Netと呼ばれる新しいエンドツーエンド学習手法が提案され、マルチユーザシングルインプットマルチ出力(MU-SIMO)ジョイントトランスミッタとフェーディングチャネルにおける非コヒーレントレシーバー設計(JTRD)をアップリンクする。 送信側は、マルチユーザー波形設計を担当する並列線形層のグループとしてモデル化されています。 非コヒーレント受信機は、マルチユーザ検出(MUD)機能を提供するために、ディープフィードフォワードニューラルネットワーク(DFNN)によって形成される。
  論文  参考訳（メタデータ） (2021-05-04T02:47:59Z)
• LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
  本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。 無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
  論文  参考訳（メタデータ） (2021-02-05T04:26:05Z)
• FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
  本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。 複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。 得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
  論文  参考訳（メタデータ） (2020-11-14T11:29:55Z)
• Millimeter Wave Communications with an Intelligent Reflector: Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
  ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。 チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。 最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-02-24T22:18:54Z)

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。