Fugu-MT 論文翻訳(概要): Learn to Detect and Detect to Learn: Structure Learning and Decision Feedback for MIMO-OFDM Receive Processing

論文の概要: Learn to Detect and Detect to Learn: Structure Learning and Decision Feedback for MIMO-OFDM Receive Processing

arxiv url: http://arxiv.org/abs/2208.09287v1
Date: Wed, 17 Aug 2022 20:01:05 GMT
ステータス: 処理完了
システム内更新日: 2022-08-22 17:43:33.781714
Title: Learn to Detect and Detect to Learn: Structure Learning and Decision Feedback for MIMO-OFDM Receive Processing
Title（参考訳）: 学習と検出と学習: mimo-ofdm受信処理のための構造学習と意思決定フィードバック
Authors: Jiarui Xu, Lianjun Li, Lizhong Zheng, and Lingjia Liu
Abstract要約: 本稿では、貴重なパイロットシンボルから効率的に学習できるオンラインサブフレームベースのアプローチであるRC-StructNetを紹介する。ネットワークのユニークな設計により、検出されたデータシンボルから学習することで、チャネルの変更とともに動的に更新することができる。
参考スコア（独自算出の注目度）: 25.66317464603635
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: One of the major open challenges in MIMO-OFDM receive processing is how to efficiently and effectively utilize the extremely limited over-the-air pilot symbols to detect the transmitted data symbols. Recent advances have been devoted to investigating effective ways to utilize the limited pilots. However, we notice that besides exploiting the pilots, one can take advantage of the data symbols to improve the detection performance. Thus, this paper introduces an online subframe-based approach, namely RC-StructNet, that can efficiently learn from the precious pilot symbols and be dynamically updated with the detected payload data using the decision feedback (DF) approach. The network consists of a reservoir computing (RC) module in the time domain and a neural network StructNet in the frequency domain. The unique design of the network allows it to be dynamically updated with the changes of the channel by learning from the detected data symbols. Experiments demonstrate the effectiveness of RC-StructNet in detection under dynamic transmission modes and in reducing the training overhead requirement when taking the DF approach.
Abstract（参考訳）: MIMO-OFDM受信処理における大きな課題の1つは、非常に制限されたパイロットシンボルを効率よく効果的に利用して送信されたデータシンボルを検出することである。近年の進歩は、限られたパイロットを効果的に活用する方法の調査に費やされている。しかし、パイロットを利用する以外に、検出性能を向上させるためにデータシンボルを活用できることに気付きました。そこで本稿では,貴重なパイロットシンボルから効率的に学習し,決定フィードバック(df)アプローチを用いて検出されたペイロードデータで動的に更新可能なrc-structnetというオンラインサブフレームベースアプローチを提案する。ネットワークは、時間領域におけるリザーバコンピューティング(rc)モジュールと、周波数領域におけるニューラルネットワーク構造体から成る。ネットワークのユニークな設計により、検出されたデータシンボルから学習することで、チャネルの変更によって動的に更新することができる。動的伝送モードにおける検出におけるRC-StructNetの有効性とDFアプローチによるトレーニングオーバーヘッドの低減について実験を行った。

関連論文リスト

Online Multi-modal Root Cause Analysis [61.94987309148539]
ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。 OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
論文参考訳（メタデータ） (2024-10-13T21:47:36Z)
Towards xAI: Configuring RNN Weights using Domain Knowledge for MIMO Receive Processing [19.995241682744567]
我々は、無線通信の物理層における説明可能なAI(xAI)の分野を前進させる。私たちはその仕事に集中する。 MIMO-OFDMは、リザーブコンピューティング(RC)フレームワークを使用した処理(シンボル検出など)を受信する。リカレントニューラルネットワーク(RNN)の中で本稿では,信号処理をベースとした第1原理によるRCの動作の理解について述べる。
論文参考訳（メタデータ） (2024-10-09T17:16:11Z)
DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文参考訳（メタデータ） (2024-06-05T06:18:03Z)
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)
ASR: Attention-alike Structural Re-parameterization [53.019657810468026]
本稿では,アテンション機構の有効性を享受しながら,与えられたネットワークに対してSRPを実現するための,シンプルなアテンション型構造的再パラメータ化(ASR)を提案する。本稿では,統計的観点から広範囲にわたる実験を行い,Stripe Observationという興味深い現象を発見し,チャネル注意値が訓練中に一定のベクトルに素早く接近することを明らかにする。
論文参考訳（メタデータ） (2023-04-13T08:52:34Z)
Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文参考訳（メタデータ） (2021-11-23T22:25:10Z)
RC-Struct: A Structure-based Neural Network Approach for MIMO-OFDM Detection [33.414673669107906]
信号検出のための構造ベースニューラルネットワークアーキテクチャであるRC-Structを導入する。 RC構造は貯水池計算(RC)を通して信号の時間構造を利用する紹介されたRC-Structは、5Gと5G Beyondの通信ドメイン知識と学習ベースの受信処理の組み合わせに光を当てている。
論文参考訳（メタデータ） (2021-10-03T19:39:21Z)
Learnable Multi-level Frequency Decomposition and Hierarchical Attention Mechanism for Generalized Face Presentation Attack Detection [7.324459578044212]
顔提示攻撃検知(PAD)は多くの注目を集めており、顔認識システムを保護する上で重要な役割を果たしている。両ストリーム畳み込みニューラルネットワーク(CNN)フレームワークを提案する。ステップワイドアブレーション研究において提案したPAD法の設計を実証した。
論文参考訳（メタデータ） (2021-09-16T13:06:43Z)
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)
Harnessing Tensor Structures -- Multi-Mode Reservoir Computing and Its Application in Massive MIMO [39.46260351352041]
新しいニューラルネットワーク(NN)構造、マルチモード貯留層コンピューティング(マルチモードRC)を紹介します。マルチモードRCベースの学習フレームワークは、無線システムの実用的制約を効果的に効果的に対処することができる。
論文参考訳（メタデータ） (2021-01-25T20:30:22Z)
RCNet: Incorporating Structural Information into Deep RNN for MIMO-OFDM Symbol Detection with Limited Training [26.12840500767443]
我々は、OFDM信号に固有の構造情報を活用するために、時間周波数RCを導入する。 RCNetは、浅いRC構造よりも高速な学習収束と最大20%のビット誤り率を提供できることを示す。
論文参考訳（メタデータ） (2020-03-15T21:06:40Z)

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。