論文の概要: Hybrid Far- and Near-Field Channel Estimation for THz Ultra-Massive MIMO
via Fixed Point Networks
- arxiv url: http://arxiv.org/abs/2205.04944v1
- Date: Tue, 10 May 2022 14:57:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-12 21:35:02.831396
- Title: Hybrid Far- and Near-Field Channel Estimation for THz Ultra-Massive MIMO
via Fixed Point Networks
- Title（参考訳）: 固定点ネットワークによるthz超大質量mimoのハイブリッド遠距離・近距離チャネル推定
- Authors: Wentao Yu, Yifei Shen, Hengtao He, Xianghao Yu, Jun Zhang, and Khaled
B. Letaief
- Abstract要約: テラヘルツ超大容量多重出力(THz UM-MIMO)は6G無線システムのキーイネーブラーとして想定されている。
我々は適応的複雑性と線形収束保証を備えた効率的なディープラーニングに基づくチャネル推定器を開発した。
アルゴリズムの大きな革新は、任意の深さでニューラルネットワークをモデリングし、ハイブリッドフィールドのチャネル条件に適応しながら、チャネル推定を計算するために固定点を適用することである。
- 参考スコア（独自算出の注目度）: 15.498866529344275
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Terahertz ultra-massive multiple-input multiple-output (THz UM-MIMO) is
envisioned as one of the key enablers of 6G wireless systems. Due to the joint
effect of its large array aperture and small wavelength, the near-field region
of THz UM-MIMO systems is greatly enlarged. The high-dimensional channel of
such systems thus consists of a stochastic mixture of far and near fields,
which renders channel estimation extremely challenging. Previous works based on
uni-field assumptions cannot capture the hybrid far- and near-field features,
and will suffer significant performance loss. This motivates us to consider
hybrid-field channel estimation. We draw inspirations from fixed point theory
to develop an efficient deep learning based channel estimator with adaptive
complexity and linear convergence guarantee. Built upon classic orthogonal
approximate message passing, we transform each iteration into a contractive
mapping, comprising a closed-form linear estimator and a neural network based
non-linear estimator. A major algorithmic innovation involves applying fixed
point iteration to compute the channel estimate while modeling neural networks
with arbitrary depth and adapting to the hybrid-field channel conditions.
Simulation results will verify our theoretical analysis and show significant
performance gains over state-of-the-art approaches in the estimation accuracy
and convergence rate.
- Abstract（参考訳）: terahertz ultra-massive multiple-input multi-output (thz um-mimo) は6gワイヤレスシステムのキーイネーブラとして考えられている。
大きなアレイ開口と小さな波長の結合効果により、THz UM-MIMO系の近接場領域は大幅に拡大される。
このようなシステムの高次元チャネルは、遠距離場と近距離場の確率混合からなるため、チャネル推定は非常に困難である。
以前のユニフィールドの仮定に基づく作業は、ハイブリッドな遠距離および近距離フィールドの特徴を捉えることができず、大きなパフォーマンス損失を被ることになる。
これは、ハイブリッドフィールドチャネル推定を考える動機となる。
我々は,不動点理論から着想を得て,適応的複雑性と線形収束保証を備えた効率的な深層学習型チャネル推定器を開発した。
古典的直交近似メッセージパッシングに基づいて,各イテレーションを,閉形式線形推定器とニューラルネットワークに基づく非線形推定器からなる縮約写像に変換する。
アルゴリズムの大きな革新は、任意の深さでニューラルネットワークをモデル化し、ハイブリッドフィールドチャネル条件に適応しながら、チャネル推定を計算するために固定点反復を適用することである。
シミュレーション結果は理論解析を検証し, 推定精度と収束率において, 最先端手法に比べて有意な性能向上を示す。
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) - 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) - Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、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)システムにおいて重要な役割を果たす。
受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。
エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文 参考訳（メタデータ） (2021-08-03T14:26:14Z) - 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) - Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。
本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-08T12:48:06Z) - 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 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) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z)
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。