論文の概要: A Comparative Study of Deep Learning and Iterative Algorithms for Joint
Channel Estimation and Signal Detection
- arxiv url: http://arxiv.org/abs/2303.03678v1
- Date: Tue, 7 Mar 2023 06:34:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-08 16:16:26.832800
- Title: A Comparative Study of Deep Learning and Iterative Algorithms for Joint
Channel Estimation and Signal Detection
- Title(参考訳): 共同チャネル推定と信号検出のためのディープラーニングと反復アルゴリズムの比較検討
- Authors: Haocheng Ju, Haimiao Zhang, Lin Li, Xiao Li, Bin Dong
- Abstract要約: 無線通信システムでは,共同チャネル推定と信号検出が重要である。
従来のアルゴリズムは低信号対雑音比(SNR)のシナリオでは不十分である。
深層学習 (DL) 手法は検討されているが, 計算コストや低SNR設定による検証の欠如が懸念されている。
- 参考スコア(独自算出の注目度): 14.476149240290761
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Joint channel estimation and signal detection (JCESD) is crucial in wireless
communication systems, but traditional algorithms perform poorly in low
signal-to-noise ratio (SNR) scenarios. Deep learning (DL) methods have been
investigated, but concerns regarding computational expense and lack of
validation in low-SNR settings remain. Hence, the development of a robust and
low-complexity model that can deliver excellent performance across a wide range
of SNRs is highly desirable. In this paper, we aim to establish a benchmark
where traditional algorithms and DL methods are validated on different channel
models, Doppler, and SNR settings. In particular, we propose a new DL model
where the backbone network is formed by unrolling the iterative algorithm, and
the hyperparameters are estimated by hypernetworks. Additionally, we adapt a
lightweight DenseNet to the task of JCESD for comparison. We evaluate different
methods in three aspects: generalization in terms of bit error rate (BER),
robustness, and complexity. Our results indicate that DL approaches outperform
traditional algorithms in the challenging low-SNR setting, while the iterative
algorithm performs better in highSNR settings. Furthermore, the iterative
algorithm is more robust in the presence of carrier frequency offset, whereas
DL methods excel when signals are corrupted by asymmetric Gaussian noise.
- Abstract(参考訳): 無線通信システムではジョイントチャネル推定と信号検出(JCESD)が重要であるが、従来のアルゴリズムは低信号-雑音比(SNR)のシナリオでは不十分である。
深層学習 (DL) 手法は検討されているが, 計算コストや低SNR設定による検証の欠如が懸念されている。
したがって、広範囲のSNRに対して優れた性能を提供できる頑健で低複雑さのモデルの開発が極めて望ましい。
本稿では,従来のアルゴリズムとDL手法を異なるチャネルモデル,ドップラー,SNR設定で検証するベンチマークを確立することを目的とする。
特に,反復アルゴリズムの展開によりバックボーンネットワークが形成される新しいDLモデルを提案し,ハイパーネットワークによりハイパーパラメータを推定する。
さらに、軽量なDenseNetをJCESDのタスクに適用して比較する。
我々は,ビット誤り率(BER)の一般化,堅牢性,複雑性の3つの側面から異なる手法を評価する。
その結果,低snr設定ではdlアプローチが従来のアルゴリズムよりも優れており,高snr設定では反復アルゴリズムの方が優れていた。
さらに、繰り返しアルゴリズムはキャリア周波数オフセットの存在下でより堅牢であり、一方、DL法は非対称ガウス雑音によって信号が破損した場合に優れる。
関連論文リスト
- Domain Generalization Guided by Gradient Signal to Noise Ratio of
Parameters [69.24377241408851]
ソースドメインへのオーバーフィッティングは、ディープニューラルネットワークの勾配に基づくトレーニングにおいて一般的な問題である。
本稿では,ネットワークパラメータの勾配-信号-雑音比(GSNR)を選択することを提案する。
論文 参考訳(メタデータ) (2023-10-11T10:21:34Z) - Study of Robust Sparsity-Aware RLS algorithms with Jointly-Optimized
Parameters for Impulsive Noise Environments [0.0]
提案アルゴリズムは,ロバスト性およびスペーサ性を考慮したペナルティの特定の基準を置き換えることによって,複数のアルゴリズムを一般化する。
忘れ係数と空間的ペナルティパラメータを協調的に最適化することにより,共同最適化されたS-RRLS (JO-S-RRLS) アルゴリズムを開発した。
インパルスノイズシナリオのシミュレーションにより、提案したS-RRLSアルゴリズムとJO-S-RRLSアルゴリズムが既存の手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-04-09T01:13:26Z) - Recursive Least Squares Policy Control with Echo State Network [17.555929738017344]
本稿では,ESNRLS-QとESNRLS-Sarsaの2つの新しいポリシー制御アルゴリズムを提案する。
トレーニングサンプルの相関性を低減するために,リークインテグレータESNとミニバッチ学習モードを用いる。
ミニバッチモードにおけるESNのトレーニングに適したRSSを実現するために,RSS相関行列を更新するための平均近似法を提案する。
論文 参考訳(メタデータ) (2022-01-13T03:41:07Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳(メタデータ) (2021-10-20T06:15:45Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳(メタデータ) (2021-06-10T04:21:20Z) - Phase Retrieval using Expectation Consistent Signal Recovery Algorithm
based on Hypernetwork [73.94896986868146]
位相検索は現代の計算イメージングシステムにおいて重要な要素である。
近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。
我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
論文 参考訳(メタデータ) (2021-01-12T08:36:23Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳(メタデータ) (2020-11-17T12:52:18Z) - Fast Convergence Algorithm for Analog Federated Learning [30.399830943617772]
無線チャネル上での効率的なアナログフェデレーション学習のためのAirCompベースのFedSplitアルゴリズムを提案する。
提案アルゴリズムは, 目的関数が強く凸かつ滑らかであるという仮定の下で, 最適解に線形収束することを示す。
我々のアルゴリズムは、他のベンチマークFLアルゴリズムと比較して、より高速な収束を伴う不条件問題に対して、より堅牢であることが理論的および実験的に検証されている。
論文 参考訳(メタデータ) (2020-10-30T10:59:49Z) - Solving Sparse Linear Inverse Problems in Communication Systems: A Deep
Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。
提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文 参考訳(メタデータ) (2020-10-29T06:32:53Z)
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。