論文の概要: A Survey on Deep Learning based Channel Estimation in Doubly Dispersive Environments

• arxiv url: http://arxiv.org/abs/2206.02165v1
• Date: Sun, 5 Jun 2022 12:44:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-09 13:11:40.830737
• Title: A Survey on Deep Learning based Channel Estimation in Doubly Dispersive Environments
• Title（参考訳）: 二重分散環境における深層学習に基づくチャネル推定に関する調査
• Authors: Abdul Karim Gizzini, Marwa Chafii
• Abstract要約: 無線通信システムは、動的環境におけるマルチパスのフェージングとドップラーシフトの影響を受けている。 従来の方法では、データ転送速度を維持するために、チャネル推定に数名のパイロットしか使われていない。 深層学習は、その低複雑さ、堅牢性、そして優れた一般化能力のために、二重分散チャネル推定に使われている。
• 参考スコア（独自算出の注目度）: 7.310043452300738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wireless communications systems are impacted by multi-path fading and Doppler shift in dynamic environments, where the channel becomes doubly-dispersive and its estimation becomes an arduous task. Only a few pilots are used for channel estimation in conventional approaches to preserve high data rate transmission. Consequently, such estimators experience a significant performance degradation in high mobility scenarios. Recently, deep learning has been employed for doubly-dispersive channel estimation due to its low-complexity, robustness, and good generalization ability. Against this backdrop, the current paper presents a comprehensive survey on channel estimation techniques based on deep learning by deeply investigating different methods. The study also provides extensive experimental simulations followed by a computational complexity analysis. After considering different parameters such as modulation order, mobility, frame length, and deep learning architecture, the performance of the studied estimators is evaluated in several mobility scenarios. In addition, the source codes are made available online in order to make the results reproducible.
• Abstract（参考訳）: 無線通信システムは、チャネルが二重分散化し、その推定が困難なタスクとなる動的環境において、マルチパスフェードとドップラーシフトによって影響を受ける。 従来の方法では、高データレート伝送を維持するために、チャネル推定に使用されるパイロットはごくわずかである。 その結果、そのような推定器は高移動度シナリオにおいて顕著な性能劣化を経験する。 近年, 難易度, 頑健性, 一般化能力の良さから, 二重分散チャネル推定に深層学習が採用されている。 本稿では,この背景に対して,異なる手法を深く調査することにより,深層学習に基づくチャネル推定手法に関する包括的調査を行う。 この研究はまた、計算複雑性解析に続く広範な実験シミュレーションも提供する。 変調順序, 移動度, フレーム長, ディープラーニングアーキテクチャなどの異なるパラメータを考慮し, 検討した推定器の性能をいくつかの移動シナリオで評価した。 さらに、成果を再現できるようにソースコードをオンラインで利用可能にしている。

関連論文リスト

• Hybrid Data-Driven SSM for Interpretable and Label-Free mmWave Channel Prediction [15.984639104292352]
  本稿では,データ駆動型ニューラルネットワークを従来のモデルベースワークフローに統合するハイブリッド手法を提案する。 ラベルのないデータだけで組み込みニューラルネットワークをトレーニングするために、新しい教師なし学習戦略が開発された。
  論文  参考訳（メタデータ） (2024-11-18T13:54:44Z)
• Dynamic Decoupling of Placid Terminal Attractor-based Gradient Descent Algorithm [56.06235614890066]
  勾配降下(GD)と勾配降下(SGD)は多くのアプリケーションドメインで広く使われている。 本稿では, 勾配流の異なる段階における終端アトラクタに基づくGDのダイナミクスを慎重に解析する。
  論文  参考訳（メタデータ） (2024-09-10T14:15:56Z)
• CeBed: A Benchmark for Deep Data-Driven OFDM Channel Estimation [3.3295360710329738]
  いくつかのデータ駆動型OFDMチャネル推定手法を統合するベンチマークを構築するためのイニシアティブを導入する。 この研究は、研究者がデータ駆動チャネル推定アルゴリズムを評価し設計するのに役立つ包括的で統一されたフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-06-23T19:55:41Z)
• Deep Learning Based Channel Estimation in High Mobility Communications Using Bi-RNN Networks [7.310043452300738]
  本稿では,2重選択チャネルを正確に推定する最適化された双方向リカレントニューラルネットワーク (Bi-RNN) を用いたチャネル推定手法を提案する。 開発されたBi-GRU推定器は、最近提案されたCNNベースの推定器を、異なる移動シナリオで大幅に上回っている。
  論文  参考訳（メタデータ） (2023-04-29T09:20:28Z)
• Efficient Deep Unfolding for SISO-OFDM Channel Estimation [0.0]
  スパースリカバリ技術を用いてSISO-OFDMチャネル推定を行うことができる。 本稿では,この制約を緩和するために,展開ニューラルネットワークを用いる。 教師なしのオンライン学習は、推定性能を高めるためにシステムの欠陥を学習することができる。
  論文  参考訳（メタデータ） (2022-10-11T11:29:54Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• MIMO Channel Estimation using Score-Based Generative Models [1.6752182911522517]
  本稿では,ディープスコアに基づく生成モデルを用いたチャネル推定手法を提案する。 これらのモデルは、対数-主分布の勾配を推定するために訓練され、観測された信号の測定から推定を反復的に洗練するために使用することができる。
  論文  参考訳（メタデータ） (2022-04-14T17:23:58Z)
• A Variational Bayesian Approach to Learning Latent Variables for Acoustic Knowledge Transfer [55.20627066525205]
  本稿では,ディープニューラルネットワーク(DNN)モデルにおける潜伏変数の分布を学習するための変分ベイズ(VB)アプローチを提案する。 我々の提案するVBアプローチは,ターゲットデバイスにおいて良好な改善が得られ,しかも,13の最先端知識伝達アルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2021-10-16T15:54:01Z)
• 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)
• Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
  疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。 提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
  論文  参考訳（メタデータ） (2020-10-29T06:32:53Z)
• Disentangling Adaptive Gradient Methods from Learning Rates [65.0397050979662]
  適応的勾配法が学習率のスケジュールとどのように相互作用するかを、より深く検討する。 我々は、更新の規模をその方向から切り離す"グラフティング"実験を導入する。 適応勾配法の一般化に関する経験的および理論的考察を示す。
  論文  参考訳（メタデータ） (2020-02-26T21:42:49Z)

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。