論文の概要: Efficient Deep Unfolding for SISO-OFDM Channel Estimation
- arxiv url: http://arxiv.org/abs/2210.06588v1
- Date: Tue, 11 Oct 2022 11:29:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 15:23:09.591591
- Title: Efficient Deep Unfolding for SISO-OFDM Channel Estimation
- Title（参考訳）: SISO-OFDMチャネル推定のための効率的な深部展開
- Authors: Baptiste Chatelier (IRT b-com, INSA Rennes, IETR), Luc Le Magoarou
(IRT b-com, INSA Rennes, IETR), Getachew Redieteab (IRT b-com)
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In modern communication systems, channel state information is of paramount
importance to achieve capacity. It is then crucial to accurately estimate the
channel. It is possible to perform SISO-OFDM channel estimation using sparse
recovery techniques. However, this approach relies on the use of a physical
wave propagation model to build a dictionary, which requires perfect knowledge
of the system's parameters. In this paper, an unfolded neural network is used
to lighten this constraint. Its architecture, based on a sparse recovery
algorithm, allows SISO-OFDM channel estimation even if the system's parameters
are not perfectly known. Indeed, its unsupervised online learning allows to
learn the system's imperfections in order to enhance the estimation
performance. The practicality of the proposed method is improved with respect
to the state of the art in two aspects: constrained dictionaries are introduced
in order to reduce sample complexity and hierarchical search within
dictionaries is proposed in order to reduce time complexity. Finally, the
performance of the proposed unfolded network is evaluated and compared to
several baselines using realistic channel data, showing the great potential of
the approach.
- Abstract（参考訳）: 現代の通信システムでは、チャネル状態情報はキャパシティを実現するための最重要事項である。
チャネルを正確に見積もるのは極めて重要です。
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。
しかし、このアプローチは、システムのパラメータの完全な知識を必要とする辞書を構築するために物理的波動伝播モデルを使うことに依存している。
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。
スパースリカバリアルゴリズムに基づくそのアーキテクチャは、システムのパラメータが完全には分かっていなくても、siso-ofdmチャネル推定を可能にする。
実際、教師なしオンライン学習は、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。
提案手法の実用性は,2つの点で改善されている: 制約付き辞書は, サンプルの複雑さを軽減するために導入され, 時間的複雑さを低減するために, 辞書内の階層探索が提案される。
最後に,提案するアンフォールドネットワークの性能を評価し,現実的なチャネルデータを用いていくつかのベースラインと比較し,アプローチの可能性を示した。
関連論文リスト
- Adaptive Anomaly Detection in Network Flows with Low-Rank Tensor Decompositions and Deep Unrolling [9.20186865054847]
異常検出(AD)は、将来の通信システムのレジリエンスを確保するための重要な要素として、ますます認識されている。
この研究は、不完全測定を用いたネットワークフローにおけるADについて考察する。
本稿では,正規化モデル適合性に基づくブロック帰属凸近似アルゴリズムを提案する。
ベイズ的アプローチに触発されて、我々はモデルアーキテクチャを拡張し、フローごとのオンライン適応とステップごとの統計処理を行う。
論文 参考訳（メタデータ） (2024-09-17T19:59:57Z) - Machine Learning-Based Channel Prediction for RIS-assisted MIMO Systems With Channel Aging [11.867884158309373]
再構成可能なインテリジェントサーフェス (RIS) は,第6世代 (6G) および通信システムを越えた性能向上のための有望な技術として登場した。
RISの受動的性質とその多数の反射要素は、チャネル推定プロセスに困難をもたらす。
本稿では、自己回帰(AR)予測器と統合された畳み込みニューラルネットワーク(CNN)に基づく、RIS支援マルチインプットマルチアウトプット(MIMO)システムのための拡張チャネル推定フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-09T19:45:49Z) - 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) - 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) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳（メタデータ） (2021-07-27T06:57:56Z) - 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) - DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator
Search [55.164053971213576]
畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。
構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。
既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
論文 参考訳（メタデータ） (2020-11-04T07:43:01Z) - Online unsupervised deep unfolding for MIMO channel estimation [0.0]
チャネル推定のためのオンライン学習を大規模に行うことを提案する。
これにより、不完全なモデルでオンラインにトレーニングできる計算効率のよいニューラルネットワークが実現される。
現実的なチャネルに適用され、優れた性能を示し、完全に校正されたシステムで得られるチャネル推定誤差をほぼ低くする。
論文 参考訳（メタデータ） (2020-04-30T07:32:58Z)
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。