論文の概要: Detect to Learn: Structure Learning with Attention and Decision Feedback
for MIMO-OFDM Receive Processing
- arxiv url: http://arxiv.org/abs/2208.09287v4
- Date: Tue, 20 Jun 2023 18:23:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 18:14:54.405309
- Title: Detect to Learn: Structure Learning with Attention and Decision Feedback
for MIMO-OFDM Receive Processing
- Title（参考訳）: detection to learn: mimo-ofdm受信処理のための注意と意思決定による構造学習
- Authors: Jiarui Xu, Lianjun Li, Lizhong Zheng, and Lingjia Liu
- Abstract要約: 本稿では、パイロットシンボルを効率的に利用し、検出されたペイロードデータで動的に更新できるオンラインアテンションベースのアプローチであるRC-AttStructNet-DFを提案する。
DF機構は、検出されたデータシンボルを介してチャネル変化を動的に追跡することにより、検出性能をさらに向上する。
- 参考スコア（独自算出の注目度）: 25.66317464603635
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The limited over-the-air (OTA) pilot symbols in
multiple-input-multiple-output orthogonal-frequency-division-multiplexing
(MIMO-OFDM) systems presents a major challenge for detecting transmitted data
symbols at the receiver, especially for machine learning-based approaches.
While it is crucial to explore effective ways to exploit pilots, one can also
take advantage of the data symbols to improve detection performance. Thus, this
paper introduces an online attention-based approach, namely RC-AttStructNet-DF,
that can efficiently utilize pilot symbols and be dynamically updated with the
detected payload data using the decision feedback (DF) mechanism. Reservoir
computing (RC) is employed in the time domain network to facilitate efficient
online training. The frequency domain network adopts the novel 2D multi-head
attention (MHA) module to capture the time and frequency correlations, and the
structural-based StructNet to facilitate the DF mechanism. The attention loss
is designed to learn the frequency domain network. The DF mechanism further
enhances detection performance by dynamically tracking the channel changes
through detected data symbols. The effectiveness of the RC-AttStructNet-DF
approach is demonstrated through extensive experiments in MIMO-OFDM and massive
MIMO-OFDM systems with different modulation orders and under various scenarios.
- Abstract（参考訳）: マルチ入出力直交周波数分割多重化(MIMO-OFDM)システムにおけるOTAパイロットシンボルの制限は、特に機械学習に基づくアプローチにおいて、受信機で送信されたデータシンボルを検出する上で大きな課題となる。
パイロットを効果的に活用する方法を検討することは重要であるが、検出性能を改善するためにデータシンボルを利用することもできる。
そこで本稿では,パイロットシンボルを効率的に活用し,決定フィードバック(DF)機構を用いて検出されたペイロードデータを動的に更新する,オンラインアテンションベースのアプローチであるRC-AttStructNet-DFを提案する。
Reservoir Computing (RC) は、効率的なオンライントレーニングを容易にするために、タイムドメインネットワークで使用される。
周波数領域ネットワークは、時間と周波数の相関を捉えるために2D Multi-head attention (MHA)モジュールを採用し、構造ベースのStructNetはDF機構を促進する。
注意損失は周波数領域ネットワークを学ぶために設計されている。
DF機構は、検出されたデータシンボルを介してチャネル変化を動的に追跡することにより、検出性能をさらに向上する。
RC-AttStructNet-DF法の有効性は,MIMO-OFDMおよびMIMO-OFDMシステムにおいて,異なる変調順序および様々なシナリオ下での大規模な実験によって実証される。
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。