論文の概要: Over-the-Air Design of GAN Training for mmWave MIMO Channel Estimation
- arxiv url: http://arxiv.org/abs/2205.12445v1
- Date: Wed, 25 May 2022 02:26:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-26 16:01:12.408304
- Title: Over-the-Air Design of GAN Training for mmWave MIMO Channel Estimation
- Title（参考訳）: ミリ波mimoチャネル推定のためのganトレーニングの空中設計
- Authors: Akash Doshi, Manan Gupta and Jeffrey G. Andrews
- Abstract要約: 我々は,ノイズを受信したパイロット測度を利用して深層生成モデルの訓練を行う,教師なしオーバー・ザ・エア(OTA)アルゴリズムを開発した。
次に、逆問題として、限られた数のパイロット測定値からチャネル推定を定式化する。
提案するフレームワークは,実雑音のパイロット測定を用いてオンライントレーニングを行うことが可能である。
- 参考スコア（独自算出の注目度）: 35.62977046569772
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Future wireless systems are trending towards higher carrier frequencies that
offer larger communication bandwidth but necessitate the use of large antenna
arrays. Existing signal processing techniques for channel estimation do not
scale well to this "high-dimensional" regime in terms of performance and pilot
overhead. Meanwhile, training deep learning based approaches for channel
estimation requires large labeled datasets mapping pilot measurements to clean
channel realizations, which can only be generated offline using simulated
channels. In this paper, we develop a novel unsupervised over-the-air (OTA)
algorithm that utilizes noisy received pilot measurements to train a deep
generative model to output beamspace MIMO channel realizations. Our approach
leverages Generative Adversarial Networks (GAN), while using a conditional
input to distinguish between Line-of-Sight (LOS) and Non-Line-of-Sight (NLOS)
channel realizations. We also present a federated implementation of the OTA
algorithm that distributes the GAN training over multiple users and greatly
reduces the user side computation. We then formulate channel estimation from a
limited number of pilot measurements as an inverse problem and reconstruct the
channel by optimizing the input vector of the trained generative model. Our
proposed approach significantly outperforms Orthogonal Matching Pursuit on both
LOS and NLOS channel models, and EM-GM-AMP -- an Approximate Message Passing
algorithm -- on LOS channel models, while achieving comparable performance on
NLOS channel models in terms of the normalized channel reconstruction error.
More importantly, our proposed framework has the potential to be trained online
using real noisy pilot measurements, is not restricted to a specific channel
model and can even be utilized for a federated OTA design of a dataset
generator from noisy data.
- Abstract（参考訳）: 将来の無線システムは、より大きな通信帯域を提供するが、大きなアンテナアレイを使用する必要があるキャリア周波数の傾向にある。
チャネル推定のための既存の信号処理技術は、パフォーマンスとパイロットのオーバーヘッドの観点から、この"高次元"方式ではうまくスケールしない。
一方、チャネル推定のためのディープラーニングベースのアプローチのトレーニングには、パイロット測定をクリーンチャネル実現にマッピングする大規模なラベル付きデータセットが必要である。
本稿では,騒音受入パイロット計測を応用し,ビームスペースmimoチャネル実現のための深部生成モデルを訓練する,教師なしオーバーザ・エア(ota)アルゴリズムを開発した。
提案手法は,Line-of-Sight(LOS)とNon-Line-of-Sight(NLOS)を区別するために条件入力を用いてGAN(Generative Adversarial Networks)を利用する。
また、複数のユーザに対してGANトレーニングを分散し、ユーザ側の計算を大幅に削減するOTAアルゴリズムの連合実装を提案する。
次に、限られた数のパイロット測定からチャネル推定を逆問題として定式化し、訓練された生成モデルの入力ベクトルを最適化してチャネルを再構築する。
提案手法は,ロスチャネルモデル,nlosチャネルモデル,および近似メッセージパッシングアルゴリズムのem-gm-ampをそれぞれ比較し,正規化チャネル再構成誤差の点でnlosチャネルモデルと同等の性能を達成している。
さらに重要なことは、提案フレームワークは、実雑音のパイロット測定を用いてオンラインでトレーニングできる可能性があり、特定のチャネルモデルに制限されず、ノイズの多いデータからデータセットジェネレータをフェデレーションしたOTA設計にも利用できることだ。
関連論文リスト
- Generating High Dimensional User-Specific Wireless Channels using Diffusion Models [28.270917362301972]
本稿では拡散モデルを用いて合成無線チャネルデータを生成する新しい手法を提案する。
我々は、ユーザ位置を条件入力として合成された高忠実度チャネルサンプルを生成し、測定不足を克服するために、より大きな拡張データセットを作成する。
論文 参考訳（メタデータ） (2024-09-05T22:08:28Z) - UAV-aided Wireless Node Localization Using Hybrid Radio Channel Models [19.374861475180712]
我々は,UAV-ユーザリンクチャネルモデルパラメータとUAVのアンテナ放射パターンを推定する必要のある未知として扱う。
従来の経路損失モデルとUAVアンテナゲイン関数を近似したニューラルネットワークを組み合わせたハイブリッドチャネルモデルを提案する。
次に,学習したハイブリッドチャネルモデルと環境の3次元マップを併用した粒子群最適化手法を用いて,地上ユーザを正確にローカライズする。
論文 参考訳（メタデータ） (2022-05-06T16:04:42Z) - Deep Generative Models for Downlink Channel Estimation in FDD Massive
MIMO Systems [13.267048706241157]
この課題に対処するために, 深部生成モデル(DGM)に基づく手法を提案する。
アップリンクチャネルとダウンリンクチャネルの部分的相互性を実行し、まず、周波数非依存のチャネルパラメータを推定する。
次に、各伝搬路の位相である周波数固有チャネルパラメータをダウンリンクトレーニングにより推定する。
論文 参考訳（メタデータ） (2022-03-09T18:32:10Z) - 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) - 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) - Distributed Conditional Generative Adversarial Networks (GANs) for
Data-Driven Millimeter Wave Communications in UAV Networks [116.94802388688653]
無人航空機(UAV)無線ネットワークにおけるミリ波(mmWave)通信のための,データ駆動型空対地(A2G)チャネル推定手法を提案する。
実効的なチャネル推定手法を開発し、各UAVは、各ビームフォーミング方向に沿って条件付き生成対向ネットワーク(CGAN)を介してスタンドアロンチャネルモデルを訓練することができる。
分散CGANアーキテクチャに基づく協調的なフレームワークを開発し、各UAVがmmWaveチャネルの分布を協調的に学習できるようにする。
論文 参考訳（メタデータ） (2021-02-02T20:56:46Z) - Power Control for a URLLC-enabled UAV system incorporated with DNN-Based
Channel Estimation [82.16169603954663]
この手紙は、ディープニューラルネットワーク(DNN)に基づくチャネル推定を組み込んだ超信頼性低遅延通信(URLLC)有効無人航空機(UAV)システムの電力制御に関するものである。
論文 参考訳（メタデータ） (2020-11-14T02:31:04Z) - 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) - 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) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z)
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。