論文の概要: Deep Learning for Multi-User MIMO Systems: Joint Design of Pilot, Limited Feedback, and Precoding

• arxiv url: http://arxiv.org/abs/2209.10332v1
• Date: Wed, 21 Sep 2022 13:02:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 17:37:57.333481
• Title: Deep Learning for Multi-User MIMO Systems: Joint Design of Pilot, Limited Feedback, and Precoding
• Title（参考訳）: マルチユーザmimoシステムのためのディープラーニング:パイロットの合同設計、限られたフィードバック、プリコーディング
• Authors: Jeonghyeon Jang, Hoon Lee, Il-Min Kim, Inkyu Lee
• Abstract要約: 本稿では、パイロットシーケンス、限られたフィードバック、プリコーディングを含むダウンリンクMU-MIMOシステムのエンドツーエンド設計について検討する。 本稿では,ユーザによるフィードバック情報生成と基地局でのプリコーダ設計を協調的に最適化する新しいディープラーニング(DL)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 28.53535169241923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In conventional multi-user multiple-input multiple-output (MU-MIMO) systems with frequency division duplexing (FDD), channel acquisition and precoder optimization processes have been designed separately although they are highly coupled. This paper studies an end-to-end design of downlink MU-MIMO systems which include pilot sequences, limited feedback, and precoding. To address this problem, we propose a novel deep learning (DL) framework which jointly optimizes the feedback information generation at users and the precoder design at a base station (BS). Each procedure in the MU-MIMO systems is replaced by intelligently designed multiple deep neural networks (DNN) units. At the BS, a neural network generates pilot sequences and helps the users obtain accurate channel state information. At each user, the channel feedback operation is carried out in a distributed manner by an individual user DNN. Then, another BS DNN collects feedback information from the users and determines the MIMO precoding matrices. A joint training algorithm is proposed to optimize all DNN units in an end-to-end manner. In addition, a training strategy which can avoid retraining for different network sizes for a scalable design is proposed. Numerical results demonstrate the effectiveness of the proposed DL framework compared to classical optimization techniques and other conventional DNN schemes.
• Abstract（参考訳）: 従来のマルチユーザマルチインプット多重出力(MU-MIMO)システムでは、チャネル取得とプリコーダ最適化は高結合性ながら別々に設計されている。 本稿では、パイロットシーケンス、限られたフィードバック、プリコーディングを含むダウンリンクMU-MIMOシステムのエンドツーエンド設計について述べる。 本稿では,ユーザによるフィードバック情報生成とベースステーション(BS)におけるプリコーダ設計を協調的に最適化する,新しいディープラーニング(DL)フレームワークを提案する。 MU-MIMOシステムの各手順は、インテリジェントに設計されたマルチディープニューラルネットワーク(DNN)ユニットに置き換えられる。 BSでは、ニューラルネットワークがパイロットシーケンスを生成し、ユーザが正確なチャネル状態情報を取得するのを助ける。 各ユーザにおいて、チャネルフィードバック操作は、個々のユーザdnnによって分散的に実行される。 そして、別のBS DNNがユーザからフィードバック情報を収集し、MIMOプリコーディング行列を決定する。 全てのDNNユニットをエンドツーエンドに最適化する共同トレーニングアルゴリズムを提案する。 また,スケーラブルな設計のために,異なるネットワークサイズに対する再トレーニングを回避できるトレーニング戦略を提案する。 従来の最適化手法や従来のDNN方式と比較して,提案したDLフレームワークの有効性を示す。

関連論文リスト

• Over-the-Air Split Machine Learning in Wireless MIMO Networks [56.27831295707334]
  スプリット機械学習(ML)では、ニューラルネットワーク(NN)の異なるパーティションが異なる計算ノードによって実行される。 通信負担を軽減するため、OAC(Over-the-air calculation)は通信と同時に計算の全てまたは一部を効率的に実装することができる。
  論文  参考訳（メタデータ） (2022-10-07T15:39:11Z)
• A Bipartite Graph Neural Network Approach for Scalable Beamforming Optimization [19.747638780327257]
  マルチユーザ・シングルインプット・シングルアウトプット(MU-MISO)システムの最適化のために,Deep Learning(DL)技術が集中的に研究されている。 本稿では,アンテナ,すなわちユーザ数に関して,ビームフォーミングネットワークのためのフレームワークを開発する。
  論文  参考訳（メタデータ） (2022-07-12T07:59:21Z)
• Neural Network-based OFDM Receiver for Resource Constrained IoT Devices [44.8697473676516]
  モノのインターネット(IoT)のための新しいモジュール型機械学習(ML)ベースのレシーバチェーンの設計について検討する。 MLブロックはOFDM受信機の個々の処理ブロックを置換し,従来のチャネル推定,シンボルデマッピング,デコードブロックをニューラルネットワーク(NN)で置き換える。 提案手法は,従来の非MLレシーバのビット誤り率を,シミュレーションとオーバー・ザ・エアで平均61%,10%向上させるものである。
  論文  参考訳（メタデータ） (2022-05-12T15:32:35Z)
• Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid Precoding [94.40747235081466]
  本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。 我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2021-10-22T20:49:02Z)
• End-to-End Learning for Uplink MU-SIMO Joint Transmitter and Non-Coherent Receiver Design in Fading Channels [11.182920270301304]
  JTRD-Netと呼ばれる新しいエンドツーエンド学習手法が提案され、マルチユーザシングルインプットマルチ出力(MU-SIMO)ジョイントトランスミッタとフェーディングチャネルにおける非コヒーレントレシーバー設計(JTRD)をアップリンクする。 送信側は、マルチユーザー波形設計を担当する並列線形層のグループとしてモデル化されています。 非コヒーレント受信機は、マルチユーザ検出(MUD)機能を提供するために、ディープフィードフォワードニューラルネットワーク(DFNN)によって形成される。
  論文  参考訳（メタデータ） (2021-05-04T02:47:59Z)
• Joint Deep Reinforcement Learning and Unfolding: Beam Selection and Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
  離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。 本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
  論文  参考訳（メタデータ） (2021-01-05T03:55:04Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)

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。