論文の概要: Towards Efficient Subarray Hybrid Beamforming: Attention Network-based
Practical Feedback in FDD Massive MU-MIMO Systems
- arxiv url: http://arxiv.org/abs/2302.02401v1
- Date: Sun, 5 Feb 2023 15:12:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 18:25:05.850425
- Title: Towards Efficient Subarray Hybrid Beamforming: Attention Network-based
Practical Feedback in FDD Massive MU-MIMO Systems
- Title（参考訳）: 高性能サブアレイハイブリッドビームフォーミングに向けて:FDD大規模MU-MIMOシステムにおける注意ネットワークに基づく実践的フィードバック
- Authors: Zhilin Lu, Xudong Zhang, Rui Zeng and Jintao Wang
- Abstract要約: 本稿では,チャネル推定とフィードバックのための協調最適化ネットワークを提案する。
実験の結果,提案するネットワークは,リソースに敏感なユーザ機器において10倍以上軽量であることがわかった。
- 参考スコア（独自算出の注目度）: 9.320559153486885
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Channel state information (CSI) feedback is necessary for the frequency
division duplexing (FDD) multiple input multiple output (MIMO) systems due to
the channel non-reciprocity. With the help of deep learning, many works have
succeeded in rebuilding the compressed ideal CSI for massive MIMO. However,
simple CSI reconstruction is of limited practicality since the channel
estimation and the targeted beamforming design are not considered. In this
paper, a jointly optimized network is introduced for channel estimation and
feedback so that a spectral-efficient beamformer can be learned. Moreover, the
deployment-friendly subarray hybrid beamforming architecture is applied and a
practical lightweight end-to-end network is specially designed. Experiments
show that the proposed network is over 10 times lighter at the
resource-sensitive user equipment compared with the previous state-of-the-art
method with only a minor performance loss.
- Abstract（参考訳）: チャネル状態情報(CSI)フィードバックは、周波数分割二重化(FDD)多重入力多重出力(MIMO)システムにおいて、チャネル非相互性に起因する。
深層学習の助けを借りて、大量のMIMOのために圧縮された理想のCSIを再構築することに成功している。
しかし,チャネル推定やビームフォーミング設計は考慮されていないため,単純なcsi再構成は実用性に乏しい。
本稿では,スペクトル効率の高いビームフォーマを学習できるように,チャネル推定とフィードバックのための協調最適化ネットワークを提案する。
さらに、配置に優しいサブアレイハイブリッドビームフォーミングアーキテクチャを適用し、実用的なエンドツーエンドネットワークを特別に設計する。
実験の結果,提案ネットワークは,従来の最先端手法に比べて,リソースに敏感なユーザ機器では10倍以上軽量であり,性能損失は少ないことがわかった。
関連論文リスト
- TBSN: Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising [94.09442506816724]
BSN(Blind-spot Network)は、自己教師型イメージデノベーション(SSID)において一般的なネットワークアーキテクチャである。
本稿では, ブラインドスポット要求を満たす変圧器演算子の解析と再設計により, 変圧器ベースブラインドスポットネットワーク(TBSN)を提案する。
空間的自己注意のために、注意行列に精巧なマスクを適用して受容場を制限し、拡張された畳み込みを模倣する。
チャネル自己アテンションについては,マルチスケールアーキテクチャの深層部において,チャネル数が空間的サイズよりも大きい場合,盲点情報を漏洩する可能性がある。
論文 参考訳（メタデータ） (2024-04-11T15:39:10Z) - 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) - MIMO-DBnet: Multi-channel Input and Multiple Outputs DOA-aware
Beamforming Network for Speech Separation [55.533789120204055]
混合信号のみを用いた方向案内音声分離のためのエンドツーエンドビームフォーミングネットワークを提案する。
具体的には,複数チャネルの入力と複数出力アーキテクチャを設計し,各ソースの指向性に基づく埋め込みとビームフォーミング重みを推定する。
論文 参考訳（メタデータ） (2022-12-07T01:52:40Z) - PolarDenseNet: A Deep Learning Model for CSI Feedback in MIMO Systems [18.646674391114548]
UEにおけるCSIを低次元の潜在空間に符号化し、基地局で復号する自動エンコーダアーキテクチャに基づくAIベースのCSIフィードバックを提案する。
シミュレーションの結果,AIに基づく提案したアーキテクチャは,最先端の高分解能線形組合せ符号ブックよりも優れていた。
論文 参考訳（メタデータ） (2022-02-02T19:04:49Z) - CSI Feedback with Model-Driven Deep Learning of Massive MIMO Systems [0.0]
モデル駆動深層学習に基づく2段階低ランクCSIフィードバック方式を提案する。
さらに、より効率的なCSIフィードバックを実現するために、高速反復収縮しきい値アルゴリズム(FISTA)を展開させることにより、FISTA-Netというディープ反復ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2021-12-13T03:50:43Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳（メタデータ） (2021-07-27T06:57:56Z) - Binarized Aggregated Network with Quantization: Flexible Deep Learning
Deployment for CSI Feedback in Massive MIMO System [22.068682756598914]
アグリゲートチャネル再構築ネットワーク(ACRNet)と呼ばれる新しいネットワークは、フィードバックパフォーマンスを高めるように設計されています。
異なる資源制約を満たすために,ネットワークを柔軟に適応させる弾性フィードバック方式を提案する。
実験の結果、提案したACRNetは従来の最先端ネットワークの負荷よりも優れていた。
論文 参考訳（メタデータ） (2021-05-01T22:50:25Z) - 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) - A Deep Learning Framework for Hybrid Beamforming Without Instantaneous
CSI Feedback [4.771833920251869]
本稿では,ハイブリッドビームフォーミングとチャネル推定の両方を扱うためのディープラーニング(DL)フレームワークを提案する。
提案手法は,従来の最適化手法に比べて,少なくとも10倍の計算複雑性を示す。
論文 参考訳（メタデータ） (2020-06-19T05:47:25Z) - Deep Denoising Neural Network Assisted Compressive Channel Estimation
for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。
我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。
完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
論文 参考訳（メタデータ） (2020-06-03T12:18:57Z)
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。