論文の概要: Channel Estimation for Underwater Visible Light Communication: A Sparse Learning Perspective

• arxiv url: http://arxiv.org/abs/2303.07248v1
• Date: Mon, 13 Mar 2023 16:22:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 13:54:44.292948
• Title: Channel Estimation for Underwater Visible Light Communication: A Sparse Learning Perspective
• Title（参考訳）: 水中可視光通信におけるチャネル推定 : スパース学習の視点から
• Authors: Younan Mou, Sicong Liu
• Abstract要約: 本稿では,スパース学習に基づく水中可視光チャネル推定(SL-UVCE)手法を提案する。 具体的には、近似メッセージパッシング(AMP)の古典的反復スパース回復アルゴリズムを模倣したディープアンフォールディングニューラルネットワークを用いる。 提案手法は,既存の非CS方式やCS方式と比較して,チャネル推定における精度の向上を示す。
• 参考スコア（独自算出の注目度）: 1.7830921962643287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The underwater propagation environment for visible light signals is affected by complex factors such as absorption, shadowing, and reflection, making it very challengeable to achieve effective underwater visible light communication (UVLC) channel estimation. It is difficult for the UVLC channel to be sparse represented in the time and frequency domains, which limits the chance of using sparse signal processing techniques to achieve better performance of channel estimation. To this end, a compressed sensing (CS) based framework is established in this paper by fully exploiting the sparsity of the underwater visible light channel in the distance domain of the propagation links. In order to solve the sparse recovery problem and achieve more accurate UVLC channel estimation, a sparse learning based underwater visible light channel estimation (SL-UVCE) scheme is proposed. Specifically, a deep-unfolding neural network mimicking the classical iterative sparse recovery algorithm of approximate message passing (AMP) is employed, which decomposes the iterations of AMP into a series of layers with different learnable parameters. Compared with the existing non-CS-based and CS-based schemes, the proposed scheme shows better performance of accuracy in channel estimation, especially in severe conditions such as insufficient measurement pilots and large number of multipath components.
• Abstract（参考訳）: 可視光信号の水中伝搬環境は、吸収、シャドーイング、反射といった複雑な要因に影響され、効果的な水中可視光通信(uvlc)チャネル推定を達成することが非常に困難である。 UVLCチャネルが時間領域と周波数領域でスパース表現されることは困難であり、チャンネル推定の性能を向上させるためにスパース信号処理技術を使用する可能性を制限する。 この目的のために,水中可視光チャネルの伝搬リンク距離領域におけるスパーシティを十分に活用し,圧縮センシング(cs)ベースの枠組みを確立する。 スパースリカバリ問題の解決と、より正確なUVLCチャネル推定を実現するために、スパースラーニングに基づく水中可視光チャネル推定法(SL-UVCE)を提案する。 具体的には、ampの反復を学習可能なパラメータの異なる一連の層に分解する近似メッセージパッシング(amp)の古典的な反復スパースリカバリアルゴリズムを模倣したディープアンフォールディングニューラルネットワークを用いる。 提案手法は,既存の非cs系およびcs系スキームと比較して,チャネル推定における精度が向上することを示す。

関連論文リスト

• Low-Overhead Channel Estimation via 3D Extrapolation for TDD mmWave Massive MIMO Systems Under High-Mobility Scenarios [41.213515826100696]
  本稿では,パイロットオーバヘッドを体系的に低減する空間的,周波数的,時間的領域(3D)チャネル外挿フレームワークを提案する。 数値計算の結果,提案手法はパイロット訓練のオーバーヘッドを16倍以上に抑えることができた。
  論文  参考訳（メタデータ） (2024-06-13T07:42:25Z)
• 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)
• Optical Channel Impulse Response-Based Localization Using An Artificial Neural Network [0.0]
  人工ニューラルネットワーク(ANN)を用いた光チャネルインパルス応答(OCIR)の局在特性の研究 その結果,OCIRをベースとしたローカライゼーションは,2つの光検出器のみをアンカーポイントとして,従来のRSS手法よりも2桁の精度で優れていた。
  論文  参考訳（メタデータ） (2022-11-02T00:54:18Z)
• Efficient Deep Unfolding for SISO-OFDM Channel Estimation [0.0]
  スパースリカバリ技術を用いてSISO-OFDMチャネル推定を行うことができる。 本稿では,この制約を緩和するために,展開ニューラルネットワークを用いる。 教師なしのオンライン学習は、推定性能を高めるためにシステムの欠陥を学習することができる。
  論文  参考訳（メタデータ） (2022-10-11T11:29:54Z)
• 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)
• 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)
• 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)
• 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)
• 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。