論文の概要: Channel Estimation under Hardware Impairments: Bayesian Methods versus
Deep Learning
- arxiv url: http://arxiv.org/abs/2208.04033v1
- Date: Mon, 8 Aug 2022 10:32:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 14:29:48.822844
- Title: Channel Estimation under Hardware Impairments: Bayesian Methods versus
Deep Learning
- Title(参考訳): ハードウェア障害下におけるチャネル推定:ベイズ法とディープラーニング
- Authors: \"Ozlem Tugfe Demir and Emil Bj\"ornson
- Abstract要約: 効率的なチャネルを推定するために、ディープフィードフォワードニューラルネットワークを設計、訓練する。
その性能は、最先端の歪み認識およびベイズ線形最小二乗誤差(LMMSE)推定器と比較される。
- 参考スコア(独自算出の注目度): 2.055949720959582
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper considers the impact of general hardware impairments in a
multiple-antenna base station and user equipments on the uplink performance.
First, the effective channels are analytically derived for distortion-aware
receivers when using finite-sized signal constellations. Next, a deep
feedforward neural network is designed and trained to estimate the effective
channels. Its performance is compared with state-of-the-art distortion-aware
and unaware Bayesian linear minimum mean-squared error (LMMSE) estimators. The
proposed deep learning approach improves the estimation quality by exploiting
impairment characteristics, while LMMSE methods treat distortion as noise.
- Abstract(参考訳): 本稿では,マルチアンテナ基地局とユーザ機器における一般的なハードウェア障害がアップリンク性能に与える影響を考察する。
まず, 有限サイズ信号列を用いた歪み認識受信機に対して, 有効チャネルを解析的に導出する。
次に、ディープフィードフォワードニューラルネットワークを設計、訓練し、効果的なチャネルを推定する。
その性能は、最先端の歪み認識およびベイズ線形最小二乗誤差(LMMSE)推定器と比較される。
LMMSE法は歪みをノイズとして扱うのに対し,提案手法は障害特性を利用して推定品質を向上させる。
関連論文リスト
- Denoising Diffusion Probabilistic Models for Hardware-Impaired
Communication Systems: Towards Wireless Generative AI [13.731989014750388]
ハードウェア不備なトランシーバを用いた有限精度無線通信システムにおいて,拡散確率モデル(DDPM)を提案する。
これに触発されて、現実的な非理想に直面する実用的な無線通信方式としてDDPMベースの受信機が提案される。
提案手法は低SNR下でのネットワークレジリエンス,HWIレベルと量子化誤差の相違によるほぼ不変な再構成性能,非ガウス雑音に対するロバストなアウト・オブ・ディストリビューション性能を実現する。
論文 参考訳(メタデータ) (2023-10-30T11:33:01Z) - Debias the Training of Diffusion Models [53.49637348771626]
本研究では,拡散モデルにおいて一定の損失重み戦略を用いることで,トレーニング期間中に偏りが生じるという理論的証拠を提供する。
理論的に偏りのない原理に基づくエレガントで効果的な重み付け戦略を提案する。
これらの分析は、拡散モデルの内部動作の理解とデミステレーションを促進することが期待されている。
論文 参考訳(メタデータ) (2023-10-12T16:04:41Z) - 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) - 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) - 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) - 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) - Channel Estimation via Successive Denoising in MIMO OFDM Systems: A
Reinforcement Learning Approach [31.841070867319686]
本稿では,強化学習フレームワークの適用に基づく周波数領域雑音除去法を提案する。
提案アルゴリズムは,最小二乗 (LS) チャネル推定法を大幅に改善する。
論文 参考訳(メタデータ) (2021-01-25T18:33:54Z) - 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) - 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。