Fugu-MT 論文翻訳(概要): Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks

論文の概要: Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks

arxiv url: http://arxiv.org/abs/2210.03911v1
Date: Sat, 8 Oct 2022 04:32:58 GMT
ステータス: 処理完了
システム内更新日: 2022-10-11 19:25:23.492363
Title: Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks
Title（参考訳）: ハードウェア欠陥のあるMIMOシステムにおける信号検出:ニューラルネットワーク上のメッセージパッシング
Authors: Dawei Gao, Qinghua Guo, Guisheng Liao, Yonina C. Eldar, Yonghui Li, Yanguang Yu, and Branka Vucetic
Abstract要約: 本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
参考スコア（独自算出の注目度）: 101.59367762974371
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we investigate signal detection in multiple-input-multiple-output (MIMO) communication systems with hardware impairments, such as power amplifier nonlinearity and in-phase/quadrature imbalance. To deal with the complex combined effects of hardware imperfections, neural network (NN) techniques, in particular deep neural networks (DNNs), have been studied to directly compensate for the impact of hardware impairments. However, it is difficult to train a DNN with limited pilot signals, hindering its practical applications. In this work, we investigate how to achieve efficient Bayesian signal detection in MIMO systems with hardware imperfections. Characterizing combined hardware imperfections often leads to complicated signal models, making Bayesian signal detection challenging. To address this issue, we first train an NN to "model" the MIMO system with hardware imperfections and then perform Bayesian inference based on the trained NN. Modelling the MIMO system with NN enables the design of NN architectures based on the signal flow of the MIMO system, minimizing the number of NN layers and parameters, which is crucial to achieving efficient training with limited pilot signals. We then represent the trained NN with a factor graph, and design an efficient message passing based Bayesian signal detector, leveraging the unitary approximate message passing (UAMP) algorithm. The implementation of a turbo receiver with the proposed Bayesian detector is also investigated. Extensive simulation results demonstrate that the proposed technique delivers remarkably better performance than state-of-the-art methods.
Abstract（参考訳）: 本稿では,電力増幅器非線形性や位相/量子不均衡といったハードウェア障害を有するマルチ入力多重出力(mimo)通信システムにおける信号検出について検討する。ハードウェアの不完全性の複雑な複合効果に対処するために、ニューラルネットワーク(nn)技術、特にディープニューラルネットワーク(dnn)は、ハードウェア障害の影響を直接補償するために研究されている。しかし、パイロット信号が限られているDNNの訓練は困難であり、実用化を妨げている。そこで本研究では,MIMOシステムにおけるハードウェア不完全性を考慮した効率の良いベイズ信号検出手法について検討する。複合ハードウェアの不完全な特徴付けはしばしば複雑な信号モデルにつながり、ベイズ信号の検出が困難になる。この問題に対処するために、まずNNにハードウェア不完全なMIMOシステムを"モデル化"するよう訓練し、訓練されたNNに基づいてベイズ推論を実行する。 MIMO システムを NN でモデル化することにより,MIMO システムの信号フローに基づく NN アーキテクチャの設計が可能となり,NN 層数やパラメータの最小化が可能となった。次に、学習したNNを因子グラフで表現し、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率の良いメッセージパッシングに基づくベイズ信号検出器を設計する。提案するベイズ検出器を用いたターボ受信機の実装についても検討した。シミュレーション結果から,提案手法は最先端手法よりも極めて優れた性能を示すことが示された。

関連論文リスト

Edge Graph Neural Networks for Massive MIMO Detection [15.970981766599035]
無線通信システムにおいて、MIMO(Massive Multiple-Input Multiple-Out)検出は重要な問題である。従来のBreief Propagation(BP)検出器はループグラフでは性能が良くないが、最近のグラフニューラルネットワーク(GNN)ベースの手法はBPの欠点を克服し、優れた性能を実現することができる。
論文参考訳（メタデータ） (2022-05-22T08:01:47Z)
Deep Convolutional Learning-Aided Detector for Generalized Frequency Division Multiplexing with Index Modulation [0.0]
提案手法は、まずゼロフォース検出器(ZF)を用いて受信信号を前処理し、その後、畳み込みニューラルネットワーク(CNN)と完全連結ニューラルネットワーク(FCNN)からなるニューラルネットワークを用いる。 FCNN部は2つの完全に接続された層しか使用せず、複雑さとBER(bit error rate)パフォーマンスのトレードオフをもたらすことができる。提案したディープ畳み込みニューラルネットワークに基づく検出・復調方式は,ZF検出器よりも高いBER性能を示し,複雑性が増大することが実証されている。
論文参考訳（メタデータ） (2022-02-06T22:18:42Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文参考訳（メタデータ） (2021-02-05T04:26:05Z)
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)
Graph Neural Networks for Massive MIMO Detection [8.516590865173407]
我々は,無線通信におけるMIMO(Multiple-input multiple-output)検出の推測タスクに対するメッセージパッシングソリューションを学習する。我々は、マルコフ確率場(MRF)に基づくグラフィカルモデルを採用し、送信されたシンボルに対して一様であると仮定すると、信念伝播(BP)が貧弱な結果をもたらす。
論文参考訳（メタデータ） (2020-07-11T07:34:56Z)
A Modular Neural Network Based Deep Learning Approach for MIMO Signal Detection [12.769554897969307]
人工ニューラルネットワーク(ANN)支援多重出力多重出力(MIMO)信号検出は、ANN支援損失ベクトル量子化(VQ)としてモデル化できる我々は、MNNetと呼ばれる新しいモジュラーニューラルネットワークベースのアプローチを提案し、ネットワーク全体が事前に定義されたANNモジュールの集合によって形成される。シミュレーションの結果、MNNetアプローチは、様々なケースにおいて、ほぼ最適性能でディープラーニング能力を大幅に改善することが示された。
論文参考訳（メタデータ） (2020-04-01T12:56:38Z)
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)
Deep HyperNetwork-Based MIMO Detection [10.433286163090179]
従来のアルゴリズムは複雑すぎて実用的すぎるか、パフォーマンスが悪いかのどちらかだ。最近のアプローチでは、ディープニューラルネットワークとして検出器を実装することで、これらの課題に対処しようとした。本研究では、チャネル行列を入力とし、ニューラルネットワークベースの検出器の重みを生成するハイパーネットワークと呼ばれる追加のニューラルネットワーク(NN)をトレーニングすることで、両方の問題に対処する。
論文参考訳（メタデータ） (2020-02-07T13:03:22Z)

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。