論文の概要: SigT: An Efficient End-to-End MIMO-OFDM Receiver Framework Based on Transformer

• arxiv url: http://arxiv.org/abs/2211.09712v1
• Date: Wed, 2 Nov 2022 14:08:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-20 13:40:42.107080
• Title: SigT: An Efficient End-to-End MIMO-OFDM Receiver Framework Based on Transformer
• Title（参考訳）: SigT: Transformerに基づく効率的なエンドツーエンドMIMO-OFDM受信フレームワーク
• Authors: Ziyou Ren, Nan Cheng, Ruijin Sun, Xiucheng Wang, Ning Lu and Wenchao Xu
• Abstract要約: SigTという名前のtextit Transformer に基づく新しいエンド・ツー・エンド・レシーバフレームワークが提案されている。 実験結果から,SigTはベンチマーク法よりも信号回復精度が高いことがわかった。
• 参考スコア（独自算出の注目度）: 16.00729720170457
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiple-input multiple-output and orthogonal frequency-division multiplexing (MIMO-OFDM) are the key technologies in 4G and subsequent wireless communication systems. Conventionally, the MIMO-OFDM receiver is performed by multiple cascaded blocks with different functions and the algorithm in each block is designed based on ideal assumptions of wireless channel distributions. However, these assumptions may fail in practical complex wireless environments. The deep learning (DL) method has the ability to capture key features from complex and huge data. In this paper, a novel end-to-end MIMO-OFDM receiver framework based on \textit{transformer}, named SigT, is proposed. By regarding the signal received from each antenna as a token of the transformer, the spatial correlation of different antennas can be learned and the critical zero-shot problem can be mitigated. Furthermore, the proposed SigT framework can work well without the inserted pilots, which improves the useful data transmission efficiency. Experiment results show that SigT achieves much higher performance in terms of signal recovery accuracy than benchmark methods, even in a low SNR environment or with a small number of training samples. Code is available at https://github.com/SigTransformer/SigT.
• Abstract（参考訳）: 多重出力多重出力および直交周波数分割多重化(MIMO-OFDM)は4Gおよびその後の無線通信システムにおいて重要な技術である。 従来、mimo-ofdm受信機は異なる機能を持つ複数のカスケードブロックによって実行され、各ブロック内のアルゴリズムは無線チャネル分布の理想的な仮定に基づいて設計される。 しかし、これらの仮定は実際の複雑なワイヤレス環境では失敗する可能性がある。 deep learning(dl)メソッドには、複雑で巨大なデータから重要な機能をキャプチャする機能がある。 本稿では,SigT という名前の \textit{transformer} に基づく新しいエンドツーエンドMIMO-OFDM受信フレームワークを提案する。 各アンテナから受信した信号をトランスのトークンとして扱うことにより、異なるアンテナの空間相関を学習し、臨界ゼロショット問題を軽減することができる。 さらに,提案するsigtフレームワークは,挿入パイロットを使わずにうまく動作し,データ伝送効率が向上する。 実験結果から,SigTは,低SNR環境でも少数のトレーニングサンプルでも,ベンチマーク法よりも信号回復精度が高いことがわかった。 コードはhttps://github.com/sigtransformer/sigtで入手できる。

関連論文リスト

• Low-Latency Task-Oriented Communications with Multi-Round, Multi-Task Deep Learning [45.622060532244944]
  本稿では,マルチラウンド・マルチタスク・ラーニング(MRMTL)によるマルチラウンド・トランスミッションにおけるチャネル利用の動的更新を提案する。 MRMTLはタスク指向通信の効率を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-11-15T17:48:06Z)
• Deformable Mixer Transformer with Gating for Multi-Task Learning of Dense Prediction [126.34551436845133]
  CNNとTransformerには独自の利点があり、MTL(Multi-task Learning)の高密度予測に広く使われている。 本稿では,変形可能なCNNと問合せベースのTransformerの長所を共用したMTLモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-10T17:37:49Z)
• Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
  再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。 しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。 本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
  論文  参考訳（メタデータ） (2022-09-18T03:07:37Z)
• 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)
• DEFORM: A Practical, Universal Deep Beamforming System [4.450750414447688]
  我々は、ユニバーサルレシーバービームフォーミング技術を紹介し、設計し、評価する。 我々のアプローチとシステムDEFORMは、深層学習(DL)ベースのRXビームフォーミングであり、マルチアンテナRF受信機において大きな利益をもたらす。
  論文  参考訳（メタデータ） (2022-03-18T03:52:18Z)
• TransCMD: Cross-Modal Decoder Equipped with Transformer for RGB-D Salient Object Detection [86.94578023985677]
  本研究では,グローバルな情報アライメントと変革の観点から,この課題を再考する。 具体的には、トランスCMD(TransCMD)は、複数のクロスモーダル統合ユニットをカスケードして、トップダウントランスフォーマーベースの情報伝達経路を構築する。 7つのRGB-D SODベンチマークデータセットの実験結果から、単純な2ストリームエンコーダデコーダフレームワークが、最先端のCNNベースの手法を超越できることが示されている。
  論文  参考訳（メタデータ） (2021-12-04T15:45:34Z)
• Machine Learning-enhanced Receive Processing for MU-MIMO OFDM Systems [15.423422040627331]
  機械学習は、マルチユーザマルチインプットマルチアウトプット(MU-MIMO)受信処理を改善するために使用できる。 本稿では,従来の受信機の利点を保ちつつ,特定の部品をMLコンポーネントで強化する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2021-06-30T14:02:27Z)
• 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)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)
• DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection [98.43451011898212]
  複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。 本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
  論文  参考訳（メタデータ） (2020-02-08T18:31:00Z)
• ANN-Based Detection in MIMO-OFDM Systems with Low-Resolution ADCs [0.0]
  本稿では,信号検出に使用するLevenberg-Marquardtアルゴリズムを用いて,多層ニューラルネットワーク(ANN)を提案する。 本研究では,受信機におけるチャネル状態情報を知ることなく,データシンボル推定を行うブラインド検出方式を検討する。
  論文  参考訳（メタデータ） (2020-01-31T03:38:42Z)

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。