論文の概要: Low PAPR MIMO-OFDM Design Based on Convolutional Autoencoder
- arxiv url: http://arxiv.org/abs/2301.05017v1
- Date: Wed, 11 Jan 2023 11:35:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 15:33:14.493390
- Title: Low PAPR MIMO-OFDM Design Based on Convolutional Autoencoder
- Title（参考訳）: 畳み込みオートエンコーダを用いた低PAPRMIMO-OFDM設計
- Authors: Yara Huleihel and Haim H. Permuter
- Abstract要約: ピーク対平均電力比(mathsfPAPR$)削減と波形設計のための新しい枠組みを提案する。
畳み込みオートコーダ(mathsfCAE$)アーキテクチャが提示される。
1つのトレーニングされたモデルが、幅広いSNRレベルにわたって、$mathsfPAPR$の削減、スペクトル設計、および$mathsfMIMO$の検出のタスクをカバーしていることを示す。
- 参考スコア（独自算出の注目度）: 20.544993155126967
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An enhanced framework for peak-to-average power ratio ($\mathsf{PAPR}$)
reduction and waveform design for Multiple-Input-Multiple-Output
($\mathsf{MIMO}$) orthogonal frequency-division multiplexing ($\mathsf{OFDM}$)
systems, based on a convolutional-autoencoder ($\mathsf{CAE}$) architecture, is
presented. The end-to-end learning-based autoencoder ($\mathsf{AE}$) for
communication networks represents the network by an encoder and decoder, where
in between, the learned latent representation goes through a physical
communication channel. We introduce a joint learning scheme based on projected
gradient descent iteration to optimize the spectral mask behavior and MIMO
detection under the influence of a non-linear high power amplifier
($\mathsf{HPA}$) and a multipath fading channel. The offered efficient
implementation novel waveform design technique utilizes only a single
$\mathsf{PAPR}$ reduction block for all antennas. It is throughput-lossless, as
no side information is required at the decoder. Performance is analyzed by
examining the bit error rate ($\mathsf{BER}$), the $\mathsf{PAPR}$, and the
spectral response and compared with classical $\mathsf{PAPR}$ reduction
$\mathsf{MIMO}$ detector methods on 5G simulated data. The suggested system
exhibits competitive performance when considering all optimization criteria
simultaneously. We apply gradual loss learning for multi-objective optimization
and show empirically that a single trained model covers the tasks of
$\mathsf{PAPR}$ reduction, spectrum design, and $\mathsf{MIMO}$ detection
together over a wide range of SNR levels.
- Abstract（参考訳）: 多入力多重出力(\mathsf{mimo}$)直交周波数分割多重化(\mathsf{ofdm}$)システムのピーク平均電力比(\mathsf{papr}$)削減と波形設計のための拡張フレームワークについて,畳み込み自動符号化($\mathsf{cae}$)アーキテクチャに基づいて述べる。
通信ネットワークのためのエンドツーエンドの学習ベースのオートエンコーダ($\mathsf{ae}$)は、エンコーダとデコーダによってネットワークを表現する。
本研究では,非線形高出力増幅器(\mathsf{hpa}$)とマルチパスフェージングチャネルの影響下でのスペクトルマスク挙動とmimo検出を最適化するために,投影勾配降下反復に基づく合同学習方式を提案する。
提案された効率的な実装の新規な波形設計手法は、全てのアンテナに対して1ドル$\mathsf{PAPR}$リダクションブロックのみを使用する。
デコーダではサイド情報を必要としないため、スループットが失われる。
性能は、ビットエラー率($\mathsf{BER}$)、$\mathsf{PAPR}$、およびスペクトル応答を調べ、古典的な$\mathsf{PAPR}$ reduction $\mathsf{MIMO}$を5Gシミュレートしたデータで比較して分析する。
提案システムは,全ての最適化基準を同時に検討する際の競合性能を示す。
段階的損失学習を多目的最適化に適用し,1つのトレーニングされたモデルが,広いSNRレベルにわたって,$\mathsf{PAPR}$リダクション,スペクトル設計,$\mathsf{MIMO}$検出のタスクをカバーすることを実証的に示す。
関連論文リスト
- Pruning is Optimal for Learning Sparse Features in High-Dimensions [15.967123173054535]
本研究では,勾配勾配勾配で学習したプルーンドニューラルネットワークを用いて,統計モデルのクラスを最適に学習可能であることを示す。
ニューラルネットワークのプルーニングが$boldsymbolV$のスパーシリティレベルに比例すると、未切断ネットワークと比較してサンプルの複雑さが向上することを示す。
論文 参考訳（メタデータ） (2024-06-12T21:43:12Z) - Efficiently Learning One-Hidden-Layer ReLU Networks via Schur
Polynomials [50.90125395570797]
正方形損失に関して、標準的なガウス分布の下での$k$ReLU活性化の線形結合をPAC学習する問題をmathbbRd$で検討する。
本研究の主な成果は,この学習課題に対して,サンプルおよび計算複雑性が$(dk/epsilon)O(k)$で,epsilon>0$が目標精度である。
論文 参考訳（メタデータ） (2023-07-24T14:37:22Z) - Filter Pruning for Efficient CNNs via Knowledge-driven Differential
Filter Sampler [103.97487121678276]
フィルタプルーニングは同時に計算を加速し、CNNのメモリオーバーヘッドを低減する。
本稿では,MFM(Masked Filter Modeling)フレームワークを用いた知識駆動型微分フィルタサンプリング(KDFS)を提案する。
論文 参考訳（メタデータ） (2023-07-01T02:28:41Z) - FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。
Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
論文 参考訳（メタデータ） (2022-10-26T00:23:36Z) - Communication-Efficient Adam-Type Algorithms for Distributed Data Mining [93.50424502011626]
我々はスケッチを利用した新しい分散Adam型アルゴリズムのクラス(例:SketchedAMSGrad)を提案する。
我々の新しいアルゴリズムは、反復毎に$O(frac1sqrtnT + frac1(k/d)2 T)$の高速収束率を$O(k log(d))$の通信コストで達成する。
論文 参考訳（メタデータ） (2022-10-14T01:42:05Z) - Training Overparametrized Neural Networks in Sublinear Time [14.918404733024332]
ディープラーニングには膨大な計算とエネルギーのコストが伴う。
探索木の小さな部分集合として、二分ニューラルネットワークの新しいサブセットを示し、それぞれが探索木のサブセット(Ds)に対応する。
我々はこの見解が深層ネットワーク(Ds)の分析解析にさらに応用できると考えている。
論文 参考訳（メタデータ） (2022-08-09T02:29:42Z) - Matching Pursuit Based Scheduling for Over-the-Air Federated Learning [67.59503935237676]
本稿では,フェデレートラーニング手法を用いて,オーバー・ザ・エアラーニングのための低複雑さデバイススケジューリングアルゴリズムのクラスを開発する。
最先端の提案方式と比較すると,提案方式は極めて低効率なシステムである。
提案手法の有効性は,CIFARデータセットを用いた実験により確認した。
論文 参考訳（メタデータ） (2022-06-14T08:14:14Z) - A Communication-Efficient Distributed Gradient Clipping Algorithm for
Training Deep Neural Networks [11.461878019780597]
グラディエントDescentは、ディープニューラルネットワークにおいてゆっくりと収束する。
勾配クリッピング方式が並列スピードアップを楽しむために複数のマシンを活用できるかどうかは謎のままである。
論文 参考訳（メタデータ） (2022-05-10T16:55:33Z) - ConvMath: A Convolutional Sequence Network for Mathematical Expression
Recognition [11.645568743440087]
ConvMathの性能は、103556サンプルを含むIM2LATEX-100Kというオープンデータセットで評価される。
提案手法は,従来の手法よりも精度と効率性が向上した。
論文 参考訳（メタデータ） (2020-12-23T12:08:18Z) - Determination of the Semion Code Threshold using Neural Decoders [0.0]
セミオン符号の誤差しきい値を計算し、同じゲージ対称性群$mathbbZ$の北エフトーリック符号を伴って計算する。
我々は、多層パーセプトロンと畳み込みニューラルネットワークという、ニューラルネットワークデコーダのほぼ最適性能を生かしている。
論文 参考訳（メタデータ） (2020-02-20T10:56:47Z) - Backward Feature Correction: How Deep Learning Performs Deep
(Hierarchical) Learning [66.05472746340142]
本稿では,SGD による階層的学習 _efficiently_ と _automatically_ を学習目標として,多層ニューラルネットワークがどのように行うかを分析する。
我々は、下位機能のエラーを上位層と共にトレーニングする際に自動的に修正できる"後方特徴補正"と呼ばれる新しい原則を確立する。
論文 参考訳（メタデータ） (2020-01-13T17:28:29Z)
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。