論文の概要: Unsupervised Learning for Pilot-free Transmission in 3GPP MIMO Systems
- arxiv url: http://arxiv.org/abs/2302.02191v1
- Date: Sat, 4 Feb 2023 16:32:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 19:38:15.752159
- Title: Unsupervised Learning for Pilot-free Transmission in 3GPP MIMO Systems
- Title（参考訳）: 3GPPMIMOシステムにおけるパイロットフリー伝送の教師なし学習
- Authors: Omar M. Sleem, Mohamed Salah Ibrahim, Akshay Malhotra, Mihaela Beluri,
Philip Pietraski
- Abstract要約: 本稿では、復調基準信号(DM-RS)のない新しいダウンリンクデータ構造を提案する。
ユーザ側で繰り返し構造を実行することで,正準相関解析により信頼性の高いリカバリが可能であることを示す。
また,OFDMシステムにおけるCCA性能向上のための2つの効果的なメカニズムを提案する。
- 参考スコア（独自算出の注目度）: 6.352264764099531
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reference signals overhead reduction has recently evolved as an effective
solution for improving the system spectral efficiency. This paper introduces a
new downlink data structure that is free from demodulation reference signals
(DM-RS), and hence does not require any channel estimation at the receiver. The
new proposed data transmission structure involves a simple repetition step of
part of the user data across the different sub-bands. Exploiting the repetition
structure at the user side, it is shown that reliable recovery is possible via
canonical correlation analysis. This paper also proposes two effective
mechanisms for boosting the CCA performance in OFDM systems; one for repetition
pattern selection and another to deal with the severe frequency selectivity
issues. The proposed approach exhibits favorable complexity-performance
tradeoff, rendering it appealing for practical implementation. Numerical
results, using a 3GPP link-level testbench, demonstrate the superiority of the
proposed approach relative to the state-of-the-art methods.
- Abstract（参考訳）: 参照信号のオーバーヘッド低減は、近年、システムのスペクトル効率を改善する効果的なソリューションとして進化している。
本稿では,復調基準信号(DM-RS)が不要な新しいダウンリンクデータ構造を提案する。
提案したデータ転送構造は,ユーザデータの一部を複数のサブバンドにまたがる簡単な繰り返しステップを含む。
ユーザ側で繰り返し構造を利用すると,正準相関分析により信頼性の高いリカバリが可能となる。
また、OFDMシステムにおけるCCA性能を高めるための2つの効果的なメカニズムを提案し、その1つは繰り返しパターンの選択であり、もう1つは重度周波数選択性の問題に対処するものである。
提案手法は複雑さとパフォーマンスのトレードオフが良好であり,実用的な実装が期待できる。
3gppリンクレベルテストベンチを用いた数値実験により,提案手法が最先端手法よりも優れていることを示す。
関連論文リスト
- ACTRESS: Active Retraining for Semi-supervised Visual Grounding [52.08834188447851]
前回の研究であるRefTeacherは、疑似自信と注意に基づく監督を提供するために教師学生の枠組みを採用することで、この課題に取り組むための最初の試みである。
このアプローチは、Transformerベースのパイプラインに従う現在の最先端のビジュアルグラウンドモデルと互換性がない。
本稿では, ACTRESS を略したセミスーパービジョン視覚グラウンドのためのアクティブ・リトレーニング手法を提案する。
論文 参考訳（メタデータ） (2024-07-03T16:33:31Z) - An ML-assisted OTFS vs. OFDM adaptable modem [1.8492669447784602]
OTFSおよびOFDM波形は、レガシーアーキテクチャの再利用、レシーバ設計の単純さ、低複雑さ検出の利点を享受する。
本稿では,送信機におけるOTFSまたはOFDM信号処理チェーンと受信機とを切り替えて,平均二乗誤差(MSE)性能を最適化するディープニューラルネットワーク(DNN)に基づく適応方式を提案する。
論文 参考訳（メタデータ） (2023-09-04T02:33:44Z) - Unsupervised Visible-Infrared Person ReID by Collaborative Learning with Neighbor-Guided Label Refinement [53.044703127757295]
教師なし学習 可視赤外人物再識別 (USL-VI-ReID) は、ラベルなしのクロスモダリティデータセットからモダリティ不変の特徴を学習することを目的としている。
本稿では,生成したラベルを1つのモダリティからそれに対応するモダリティに同時に割り当てる,Dual Optimal Transport Label Assignment (DOTLA) フレームワークを提案する。
提案したDOTLA機構は、相互強化と相互モダリティデータアソシエーションの効率的な解を定式化することにより、不十分でノイズの多いラベルアソシエーションの副作用を効果的に低減することができる。
論文 参考訳（メタデータ） (2023-05-22T04:40:30Z) - 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) - Omni-frequency Channel-selection Representations for Unsupervised
Anomaly Detection [11.926787216956459]
本稿では,周波数を考慮した新しいOmni- frequency Channel-Selection Reconstruction (OCR-GAN) ネットワークを提案する。
提案手法は, 再建ベースラインを+38.1, 現行のSOTA法を+0.3に大きく上回っている。
論文 参考訳（メタデータ） (2022-03-01T06:35:15Z) - 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) - Channel Estimation Based on Machine Learning Paradigm for Spatial
Modulation OFDM [0.0]
ディープニューラルネットワーク(DNN)は、レイリーフェディングチャネル上のエンドツーエンドデータ検出のための空間変調直交周波数分割多重化(SM-OFDM)技術と統合されている。
提案システムは受信したシンボルを直接復調し,チャネル推定を暗黙的に行う。
論文 参考訳（メタデータ） (2021-09-15T10:54:56Z) - 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) - 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) - Millimeter Wave Communications with an Intelligent Reflector:
Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。
チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。
最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
論文 参考訳（メタデータ） (2020-02-24T22:18:54Z)
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。