論文の概要: Channel charting based beamforming

• arxiv url: http://arxiv.org/abs/2212.12340v2
• Date: Tue, 27 Dec 2022 15:26:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 14:23:37.148096
• Title: Channel charting based beamforming
• Title（参考訳）: チャネルチャートに基づくビームフォーミング
• Authors: Luc Le Magoarou (IRT b-com, Hypermedia, INSA Rennes, IETR), Taha Yassine (IRT b-com, Hypermedia, INSA Rennes, IETR), Stephane Paquelet (IRT b-com, Hypermedia, IETR), Matthieu Crussi\`ere (IRT b-com, Hypermedia, INSA Rennes, IETR)
• Abstract要約: チャネルチャート(英: Channel charting, CC)は、参照なしで相互に相対的なユーザを見つけるための教師なし学習手法である。 本稿では、この潜時モデリングビジョンと、最近提案された位置ベースビームフォーミング(LBB)手法を用いて、チャネルチャートを空間や周波数のチャネルのマッピングに利用できることを示す。
• 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: Channel charting (CC) is an unsupervised learning method allowing to locate users relative to each other without reference. From a broader perspective, it can be viewed as a way to discover a low-dimensional latent space charting the channel manifold. In this paper, this latent modeling vision is leveraged together with a recently proposed location-based beamforming (LBB) method to show that channel charting can be used for mapping channels in space or frequency. Combining CC and LBB yields a neural network resembling an autoencoder. The proposed method is empirically assessed on a channel mapping task whose objective is to predict downlink channels from uplink channels.
• Abstract（参考訳）: チャネルチャート(英: Channel charting, CC)は、参照なしで相互に相対的なユーザを見つけるための教師なし学習手法である。 より広い視点から見て、チャネル多様体をグラフ化する低次元の潜在空間を発見する方法と見なすことができる。 本稿では,最近提案された位置ベースビームフォーミング (lbb) 法と共に,この潜在モデルビジョンを活用し,チャネルチャートが空間や周波数のチャネルのマッピングに使用できることを示す。 ccとlbbを組み合わせると、オートエンコーダに似たニューラルネットワークが得られる。 提案手法は,アップリンクチャネルからダウンリンクチャネルを予測することを目的としたチャネルマッピングタスクで実証的に評価される。

関連論文リスト

• Model-based Deep Learning for Beam Prediction based on a Channel Chart [3.877743904942729]
  チャネルチャートは、教師なしの方法で無線環境のマップを構築する。 得られたチャート位置は、チャネル状態情報の低次元圧縮版と見なすことができる。 非スタンドアローンまたはセルフリーシステムでは、与えられた基地局で計算されたチャート位置を他の基地局に送信し、どのビームを使用するかを予測する。
  論文  参考訳（メタデータ） (2023-12-04T09:31:17Z)
• Leveraging triplet loss and nonlinear dimensionality reduction for on-the-fly channel charting [0.0]
  チャネルチャートは、無線チャネルをいわゆるチャートにマッピングすることを目的とした教師なし学習手法である。 本稿では,モデルに基づくディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-04-04T12:01:36Z)
• Adaptive Channel Encoding for Point Cloud Analysis [7.696435157444049]
  本稿では,適応的なチャネル符号化機構を提案し,チャネル関係を捉える。 特徴のチャネル間の相互依存を明示的に符号化することで、ネットワークによって生成された表現の質を向上させる。
  論文  参考訳（メタデータ） (2021-12-05T08:20:27Z)
• Semi-Supervised Learning for Channel Charting-Aided IoT Localization in Millimeter Wave Networks [97.66522637417636]
  ミリ波ネットワークにおけるチャネルチャート(CC)支援の新たな枠組みを提案する。 特に,無線機器の3次元位置を推定するために,畳み込み型オートエンコーダモデルを提案する。 フレームワークは半教師付きフレームワークに拡張され、オートエンコーダは2つのコンポーネントに分割される。
  論文  参考訳（メタデータ） (2021-08-03T14:41:38Z)
• Group Fisher Pruning for Practical Network Compression [58.25776612812883]
  本稿では,様々な複雑な構造に応用可能な汎用チャネルプルーニング手法を提案する。 我々は、単一チャネルと結合チャネルの重要性を評価するために、フィッシャー情報に基づく統一されたメトリクスを導出する。 提案手法は,結合チャネルを含む任意の構造をプルークするために利用できる。
  論文  参考訳（メタデータ） (2021-08-02T08:21:44Z)
• Efficient channel charting via phase-insensitive distance computation [0.0]
  チャネルチャートは、得られた表現が対応するユーザーの相対的な空間的位置を反映するようにチャネルをエンコードすることを目的とする教師なしの学習タスクです。 本稿では,小型フェーディングの効果を低減すべく特別に設計された距離尺度に基づいて,チャネルチャート法を提案する。 次に, 局所距離(アイソマップ)の保存を目的とした非線形次元減少手法を適用し, 実際にチャネル表現を得る。
  論文  参考訳（メタデータ） (2021-04-27T13:42:18Z)
• 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)
• CAnet: Uplink-aided Downlink Channel Acquisition in FDD Massive MIMO using Deep Learning [51.72869237847767]
  周波数分割二重化システムでは、ダウンリンクチャネル状態情報(CSI)取得方式は高いトレーニングとフィードバックのオーバーヘッドをもたらす。 これらのオーバーヘッドを削減するためにディープラーニングを用いたアップリンク支援ダウンリンクチャネル獲得フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-12T10:12:28Z)
• Channel-wise Knowledge Distillation for Dense Prediction [73.99057249472735]
  本稿では,学生ネットワークと教師ネットワークのチャンネルワイズ機能について提案する。 様々なネットワーク構造を持つ3つのベンチマークにおいて、一貫して優れた性能を実現している。
  論文  参考訳（メタデータ） (2020-11-26T12:00:38Z)
• Channel Interaction Networks for Fine-Grained Image Categorization [61.095320862647476]
  微妙なクラス間差のため、きめ細かい画像分類は困難である。 本稿では,チャネル・インタラクション・ネットワーク(CIN)を提案する。 我々のモデルは、多段階のトレーニングやテストを必要とせずに、エンドツーエンドで効率的にトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-03-11T11:51:51Z)

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。