論文の概要: Neural Network-based OFDM Receiver for Resource Constrained IoT Devices
- arxiv url: http://arxiv.org/abs/2205.06159v1
- Date: Thu, 12 May 2022 15:32:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 14:16:15.492167
- Title: Neural Network-based OFDM Receiver for Resource Constrained IoT Devices
- Title（参考訳）: 資源制約IoTデバイスのためのニューラルネットワークを用いたOFDM受信装置
- Authors: Nasim Soltani, Hai Cheng, Mauro Belgiovine, Yanyu Li, Haoqing Li,
Bahar Azari, Salvatore D'Oro, Tales Imbiriba, Tommaso Melodia, Pau Closas,
Yanzhi Wang, Deniz Erdogmus, Kaushik Chowdhury
- Abstract要約: モノのインターネット(IoT)のための新しいモジュール型機械学習(ML)ベースのレシーバチェーンの設計について検討する。
MLブロックはOFDM受信機の個々の処理ブロックを置換し,従来のチャネル推定,シンボルデマッピング,デコードブロックをニューラルネットワーク(NN)で置き換える。
提案手法は,従来の非MLレシーバのビット誤り率を,シミュレーションとオーバー・ザ・エアで平均61%,10%向上させるものである。
- 参考スコア（独自算出の注目度）: 44.8697473676516
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Orthogonal Frequency Division Multiplexing (OFDM)-based waveforms are used
for communication links in many current and emerging Internet of Things (IoT)
applications, including the latest WiFi standards. For such OFDM-based
transceivers, many core physical layer functions related to channel estimation,
demapping, and decoding are implemented for specific choices of channel types
and modulation schemes, among others. To decouple hard-wired choices from the
receiver chain and thereby enhance the flexibility of IoT deployment in many
novel scenarios without changing the underlying hardware, we explore a novel,
modular Machine Learning (ML)-based receiver chain design. Here, ML blocks
replace the individual processing blocks of an OFDM receiver, and we
specifically describe this swapping for the legacy channel estimation, symbol
demapping, and decoding blocks with Neural Networks (NNs). A unique aspect of
this modular design is providing flexible allocation of processing functions to
the legacy or ML blocks, allowing them to interchangeably coexist. Furthermore,
we study the implementation cost-benefits of the proposed NNs in
resource-constrained IoT devices through pruning and quantization, as well as
emulation of these compressed NNs within Field Programmable Gate Arrays
(FPGAs). Our evaluations demonstrate that the proposed modular NN-based
receiver improves bit error rate of the traditional non-ML receiver by
averagely 61% and 10% for the simulated and over-the-air datasets,
respectively. We further show complexity-performance tradeoffs by presenting
computational complexity comparisons between the traditional algorithms and the
proposed compressed NNs.
- Abstract（参考訳）: 直交周波数分割多重化(OFDM)ベースの波形は、最新のWiFi標準を含む多くのモノのインターネット(IoT)アプリケーションにおける通信リンクに使用される。
このようなOFDMベースのトランスシーバでは、チャネルタイプや変調方式の特定の選択に対して、チャネル推定、デマッピング、デコードに関連する多くの物理層関数が実装されている。
ハードワイヤによる選択をレシーバチェーンから切り離し、基盤となるハードウェアを変更することなく、多くの新しいシナリオでiotデプロイメントの柔軟性を高めるために、新しいモジュラー機械学習(ml)ベースのレシーバチェーン設計を探求する。
ここで、mlブロックはofdm受信機の個々の処理ブロックを置き換えるものであり、これをレガシチャネル推定、シンボルデマップ、デコードブロックとニューラルネットワーク(nns)の交換に具体的に記述する。
このモジュラーデザインのユニークな側面は、レガシブロックやmlブロックに柔軟な処理関数を割り当てることであり、それらは相互に共存できる。
さらに,資源制約型IoTデバイスにおけるNNの実装費用効果について,プルーニングと量子化,およびフィールドプログラマブルゲートアレイ(FPGA)内のこれらの圧縮NNのエミュレーションについて検討した。
提案手法は,従来の非ML受信機のビット誤り率を,シミュレーションとオーバーザエアで平均61%,10%向上させるものである。
さらに,従来のアルゴリズムと提案した圧縮NNとの計算複雑性の比較により,複雑性性能のトレードオフを示す。
関連論文リスト
- Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。
ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。
本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - Signal Detection in MIMO Systems with Hardware Imperfections: Message
Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。
パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。
我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文 参考訳（メタデータ） (2022-10-08T04:32:58Z) - Over-the-Air Split Machine Learning in Wireless MIMO Networks [56.27831295707334]
スプリット機械学習(ML)では、ニューラルネットワーク(NN)の異なるパーティションが異なる計算ノードによって実行される。
通信負担を軽減するため、OAC(Over-the-air calculation)は通信と同時に計算の全てまたは一部を効率的に実装することができる。
論文 参考訳（メタデータ） (2022-10-07T15:39:11Z) - Deep Learning for Multi-User MIMO Systems: Joint Design of Pilot,
Limited Feedback, and Precoding [28.53535169241923]
本稿では、パイロットシーケンス、限られたフィードバック、プリコーディングを含むダウンリンクMU-MIMOシステムのエンドツーエンド設計について検討する。
本稿では,ユーザによるフィードバック情報生成と基地局でのプリコーダ設計を協調的に最適化する新しいディープラーニング(DL)フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-21T13:02:06Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
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。
論文 参考訳（メタデータ） (2022-05-02T12:23:55Z) - Machine Learning-enhanced Receive Processing for MU-MIMO OFDM Systems [15.423422040627331]
機械学習は、マルチユーザマルチインプットマルチアウトプット(MU-MIMO)受信処理を改善するために使用できる。
本稿では,従来の受信機の利点を保ちつつ,特定の部品をMLコンポーネントで強化する新たな戦略を提案する。
論文 参考訳（メタデータ） (2021-06-30T14:02:27Z) - 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) - Volumetric Transformer Networks [88.85542905676712]
学習可能なモジュールである容積変換器ネットワーク(VTN)を導入する。
VTNは、中間CNNの空間的およびチャネル的特徴を再設定するために、チャネル回りの歪み場を予測する。
実験の結果,VTNは特徴量の表現力を一貫して向上し,細粒度画像認識とインスタンスレベルの画像検索におけるネットワークの精度が向上することがわかった。
論文 参考訳（メタデータ） (2020-07-18T14:00:12Z) - A Modular Neural Network Based Deep Learning Approach for MIMO Signal
Detection [12.769554897969307]
人工ニューラルネットワーク(ANN)支援多重出力多重出力(MIMO)信号検出は、ANN支援損失ベクトル量子化(VQ)としてモデル化できる
我々は、MNNetと呼ばれる新しいモジュラーニューラルネットワークベースのアプローチを提案し、ネットワーク全体が事前に定義されたANNモジュールの集合によって形成される。
シミュレーションの結果、MNNetアプローチは、様々なケースにおいて、ほぼ最適性能でディープラーニング能力を大幅に改善することが示された。
論文 参考訳（メタデータ） (2020-04-01T12:56:38Z) - ANN-Based Detection in MIMO-OFDM Systems with Low-Resolution ADCs [0.0]
本稿では,信号検出に使用するLevenberg-Marquardtアルゴリズムを用いて,多層ニューラルネットワーク(ANN)を提案する。
本研究では,受信機におけるチャネル状態情報を知ることなく,データシンボル推定を行うブラインド検出方式を検討する。
論文 参考訳（メタデータ） (2020-01-31T03:38:42Z)
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。