論文の概要: Channelformer: Attention based Neural Solution for Wireless Channel
Estimation and Effective Online Training
- arxiv url: http://arxiv.org/abs/2302.04368v1
- Date: Wed, 8 Feb 2023 23:18:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-10 17:14:28.458047
- Title: Channelformer: Attention based Neural Solution for Wireless Channel
Estimation and Effective Online Training
- Title（参考訳）: Channelformer: 無線チャネル推定と効果的なオンライントレーニングのための注意に基づくニューラルソリューション
- Authors: Dianxin Luan, John Thompson
- Abstract要約: 本稿では,改良されたチャネル推定を実現するために,エンコーダ・デコーダニューラルアーキテクチャ(Channelformer)を提案する。
我々は,復号器として,エンコーダと残差畳み込みニューラルアーキテクチャに多面的注意を払っている。
また,現代通信システムにおける第5世代(5G)新しい無線(NR)構成に基づく効果的なオンライントレーニング手法を提案する。
- 参考スコア（独自算出の注目度）: 1.0499453838486013
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose an encoder-decoder neural architecture (called
Channelformer) to achieve improved channel estimation for orthogonal
frequency-division multiplexing (OFDM) waveforms in downlink scenarios. The
self-attention mechanism is employed to achieve input precoding for the input
features before processing them in the decoder. In particular, we implement
multi-head attention in the encoder and a residual convolutional neural
architecture as the decoder, respectively. We also employ a customized
weight-level pruning to slim the trained neural network with a fine-tuning
process, which reduces the computational complexity significantly to realize a
low complexity and low latency solution. This enables reductions of up to 70\%
in the parameters, while maintaining an almost identical performance compared
with the complete Channelformer. We also propose an effective online training
method based on the fifth generation (5G) new radio (NR) configuration for the
modern communication systems, which only needs the available information at the
receiver for online training. Using industrial standard channel models, the
simulations of attention-based solutions show superior estimation performance
compared with other candidate neural network methods for channel estimation.
- Abstract（参考訳）: 本稿では、直交周波数分割多重化(OFDM)波形をダウンリンクシナリオで改善したチャネル推定を実現するためのエンコーダデコーダニューラルアーキテクチャ(Channelformer)を提案する。
セルフアテンション機構を用いて、デコーダで処理する前に、入力特徴の入力プリコーディングを行う。
特に、エンコーダにマルチヘッドアテンションを実装し、デコーダとして残畳み込みニューラルネットワークアーキテクチャを実装した。
また、トレーニングされたニューラルネットワークを微調整プロセスでスリム化するために、カスタマイズされた重みレベルプルーニングも採用しています。
これにより、パラメータの最大70\%の削減が可能となり、完全なchannelformerとほぼ同じパフォーマンスを維持することができる。
また,現代通信システムにおける第5世代(5G)新しい無線(NR)構成に基づく効果的なオンライントレーニング手法を提案する。
産業用標準チャネルモデルを用いて,注意に基づく解のシミュレーションは,他の候補ニューラルネットワーク法と比較して優れた推定性能を示す。
関連論文リスト
- 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) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。
我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2022-08-17T02:01:18Z) - Attention Based Neural Networks for Wireless Channel Estimation [1.0499453838486013]
本稿では,アテンション機構を利用して最も重要な入力情報に注目するハイブリッドエンコーダデコーダ構造(HA02)を初めて提案する。
特に,変換器エンコーダブロックをエンコーダとして実装し,入力特徴の空間性を達成するとともに,残差ニューラルネットワークをデコーダとして実装する。
本シミュレーションは,チャネル推定のための他の候補ニューラルネットワーク手法と比較して,優れた推定性能を示す。
論文 参考訳（メタデータ） (2022-04-28T12:54:19Z) - DeepTx: Deep Learning Beamforming with Channel Prediction [8.739166282613118]
本研究では,送信機の機械学習アルゴリズムに着目した。
ビームフォーミングを考慮し、所定のアップリンクチャネル推定を入力として、ビームフォーミングに使用するダウンリンクチャネル情報を出力するCNNを提案する。
ニューラルネットワークの主なタスクは、アップリンクとダウンリンクスロットの間のチャネル進化を予測することだが、チェーン全体の非効率性とエラーを処理することも学べる。
論文 参考訳（メタデータ） (2022-02-16T11:19:54Z) - Low Complexity Channel estimation with Neural Network Solutions [1.0499453838486013]
我々は、ダウンリンクシナリオでチャネル推定を実現するために、一般的な残差畳み込みニューラルネットワークをデプロイする。
チャネル推定における他のディープラーニング手法と比較して,平均二乗誤差計算の改善が示唆された。
論文 参考訳（メタデータ） (2022-01-24T19:55:10Z) - Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid
Precoding [94.40747235081466]
本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。
我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
論文 参考訳（メタデータ） (2021-10-22T20:49:02Z) - Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。
受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。
エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文 参考訳（メタデータ） (2021-08-03T14:26:14Z) - 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) - 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。