論文の概要: Learning Optimal Phase-Shifts of Holographic Metasurface Transceivers

• arxiv url: http://arxiv.org/abs/2301.03371v1
• Date: Mon, 12 Dec 2022 12:43:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-15 23:24:22.020355
• Title: Learning Optimal Phase-Shifts of Holographic Metasurface Transceivers
• Title（参考訳）: ホログラフィックメタサーフェストランスシーバーの最適位相シフトの学習
• Authors: Debamita Ghosh and Manjesh K. Hanawal and Nikola Zlatanov
• Abstract要約: 遠距離場チャネルモデルのためのHMTにおける最適位相シフトを学習するためのアルゴリズムを提案する。 提案アルゴリズムは、遠距離領域におけるチャネルゲインの構造を利用して、受信した信号にノイズが存在する場合の最適な位相シフトを学習する。
• 参考スコア（独自算出の注目度）: 8.90567774835436
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Holographic metasurface transceivers (HMT) is an emerging technology for enhancing the coverage and rate of wireless communication systems. However, acquiring accurate channel state information in HMT-assisted wireless communication systems is critical for achieving these goals. In this paper, we propose an algorithm for learning the optimal phase-shifts at a HMT for the far-field channel model. Our proposed algorithm exploits the structure of the channel gains in the far-field regions and learns the optimal phase-shifts in presence of noise in the received signals. We prove that the probability that the optimal phase-shifts estimated by our proposed algorithm deviate from the true values decays exponentially in the number of pilot signals. Extensive numerical simulations validate the theoretical guarantees and also demonstrate significant gains as compared to the state-of-the-art policies.
• Abstract（参考訳）: ホログラフィー・トランスシーバー(HMT)は,無線通信システムのカバレッジと速度を高める新しい技術である。 しかし,HMT支援無線通信システムにおける正確なチャネル状態情報の取得は,これらの目標達成に不可欠である。 本論文では,遠距離チャネルモデルのためのHMTにおける最適位相シフトの学習アルゴリズムを提案する。 提案手法は遠方界領域におけるチャネルゲインの構造を活用し,受信信号における雑音の存在下での最適位相シフトを学習する。 提案アルゴリズムにより推定された最適位相シフトが真の値から逸脱する確率はパイロット信号数で指数関数的に減衰することを示す。 大規模な数値シミュレーションは、理論上の保証を検証し、最先端の政策と比較して大きな効果を示す。

関連論文リスト

• HoloBeam: Learning Optimal Beamforming in Far-Field Holographic Metasurface Transceivers [5.402030962296633]
  ミリ波およびテラヘルツ波通信におけるビームフォーミングのための大型アンテナアレイの代用として,ホログラフィック・メタサーフェス・トランシーバー (HMT) が登場している。 HMTにおけるビームフォーミングによる所望のチャネルゲインを達成するには、多数の要素の位相シフトを適切に設定する必要がある。 遠距離領域の受信機における受信信号強度をビームフォーミングし最大化するために,固定予算のマルチアーム・バンディット・フレームワークを用いた学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-30T03:29:32Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• 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)
• An Efficient Machine Learning-based Channel Prediction Technique for OFDM Sub-Bands [0.0]
  我々はOFDMサブバンドにおけるチャネル予測のための効率的な機械学習(ML)に基づく手法を提案する。 提案手法の新規性は、選択的なフェーディングにおける将来のチャネル挙動を推定するために使用されるチャネルフェーディングサンプルのトレーニングにある。
  論文  参考訳（メタデータ） (2023-05-31T09:41:27Z)
• Federated Radio Frequency Fingerprinting with Model Transfer and Adaptation [26.646820912136416]
  本稿では,モデル転送と適応という新しい手法を用いたRFフィンガープリントアルゴリズムを提案する。 提案アルゴリズムは、RFフィンガープリントに畳み込み層間の密接な接続を導入し、学習精度を高め、モデルの複雑さを低減する。 現状のRFフィンガープリンティングアルゴリズムと比較して,提案アルゴリズムは最大15%の性能向上で予測性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2023-02-22T14:55:30Z)
• Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
  不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。 特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
  論文  参考訳（メタデータ） (2023-02-13T19:57:17Z)
• On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
  本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。 本稿では,密集市街地における局所化問題について検討する。 まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
  論文  参考訳（メタデータ） (2022-11-28T00:31:02Z)
• Random Orthogonalization for Federated Learning in Massive MIMO Systems [85.71432283670114]
  大規模マルチインプット・マルチアウトプット(MIMO)無線システムにおいて,フェデレートラーニング(FL)のための新しい通信設計を提案する。 ランダム直交化の主な特徴は、FLの密結合と、チャネル硬化と良好な伝播の2つの特徴から生じる。 我々は、この原理をダウンリンク通信フェーズに拡張し、FLの簡易かつ高効率なモデル放送法を開発する。
  論文  参考訳（メタデータ） (2022-10-18T14:17:10Z)
• Hybrid Far- and Near-Field Channel Estimation for THz Ultra-Massive MIMO via Fixed Point Networks [15.498866529344275]
  テラヘルツ超大容量多重出力(THz UM-MIMO)は6G無線システムのキーイネーブラーとして想定されている。 我々は適応的複雑性と線形収束保証を備えた効率的なディープラーニングに基づくチャネル推定器を開発した。 アルゴリズムの大きな革新は、任意の深さでニューラルネットワークをモデリングし、ハイブリッドフィールドのチャネル条件に適応しながら、チャネル推定を計算するために固定点を適用することである。
  論文  参考訳（メタデータ） (2022-05-10T14:57:56Z)
• Learning OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
  達成可能な情報レートを最大化しつつ,選択した制約を満たすOFDMベースの波形を設計するための学習ベース手法を提案する。 エンドツーエンドシステムは,PAPRとACLRの制約を満たすことができ,スループットを著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-10-21T08:58:59Z)
• 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)

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。