論文の概要: SICNN: Soft Interference Cancellation Inspired Neural Network Equalizers
- arxiv url: http://arxiv.org/abs/2308.12591v1
- Date: Thu, 24 Aug 2023 06:40:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-25 15:08:38.839181
- Title: SICNN: Soft Interference Cancellation Inspired Neural Network Equalizers
- Title（参考訳）: SICNN: ソフト干渉キャンセラによるニューラルネットワーク等化器
- Authors: Stefan Baumgartner and Oliver Lang and Mario Huemer
- Abstract要約: モデルベース反復SIC手法の深部展開により設計したSICNNと呼ばれる新しいニューラルネットワークに基づく等化手法を提案する。
提案したNNベースの等化器のビット誤り率性能と最先端モデルとNNベースのアプローチを比較した。
- 参考スコア（独自算出の注目度）: 1.6451639748812472
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Equalization is an important task at the receiver side of a digital wireless
communication system, which is traditionally conducted with model-based
estimation methods. Among the numerous options for model-based equalization,
iterative soft interference cancellation (SIC) is a well-performing approach
since error propagation caused by hard decision data symbol estimation during
the iterative estimation procedure is avoided. However, the model-based method
suffers from high computational complexity and performance degradation due to
required approximations. In this work, we propose a novel neural network
(NN-)based equalization approach, referred to as SICNN, which is designed by
deep unfolding of a model-based iterative SIC method, eliminating the main
disadvantages of its model-based counterpart. We present different variants of
SICNN. SICNNv1 is very similar to the model-based method, and is specifically
tailored for single carrier frequency domain equalization systems, which is the
communication system we regard in this work. The second variant, SICNNv2, is
more universal, and is applicable as an equalizer in any communication system
with a block-based data transmission scheme. We highlight the pros and cons of
both variants. Moreover, for both SICNNv1 and SICNNv2 we present a version with
a highly reduced number of learnable parameters. We compare the achieved bit
error ratio performance of the proposed NN-based equalizers with
state-of-the-art model-based and NN-based approaches, highlighting the
superiority of SICNNv1 over all other methods. Also, we present a thorough
complexity analysis of the proposed NN-based equalization approaches, and we
investigate the influence of the training set size on the performance of
NN-based equalizers.
- Abstract（参考訳）: デジタル無線通信システムの受信側では,従来モデルに基づく推定手法で行われている等化が重要な課題である。
モデルに基づく等化の多くの選択肢の中で、反復的ソフト干渉キャンセル(SIC)は、反復的推定手順中のハード決定データシンボル推定による誤差伝播を避けるため、良好な性能のアプローチである。
しかし, モデルに基づく手法は, 必要近似による計算複雑性と性能劣化に悩まされている。
本研究では、モデルベース反復SIC法の深い展開により設計され、モデルベース手法の主な欠点を解消する新しいニューラルネットワーク(NN--based equalization approach, SICNN)を提案する。
SICNNには様々なバリエーションがある。
SICNNv1はモデルベース手法と非常によく似ており、特に本研究で検討した通信システムである単一キャリア周波数領域等化システムに特化している。
第2の変種であるSICNNv2はより普遍的で、ブロックベースのデータ伝送方式を持つ任意の通信システムにおいて等化器として適用できる。
我々は両方のバリエーションの長所と短所を強調する。
さらに、SICNNv1とSICNNv2の両方に対して、学習可能なパラメータの数が大幅に削減されたバージョンを提示する。
提案したNNベースの等化器のビット誤り率性能と最先端のモデルベースおよびNNベースのアプローチを比較し,SICNNv1の他の手法よりも優れていることを示す。
また,提案したNNベースの等化手法の複雑度解析を行い,トレーニングセットのサイズがNNベースの等化器の性能に及ぼす影響について検討する。
関連論文リスト
- Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。
ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。
本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - Spiking Neural Network Decision Feedback Equalization [70.3497683558609]
決定フィードバック等化器(DFE)に似たフィードバック構造を持つSNNベースの等化器を提案する。
提案手法は,3種類の模範チャネルに対して,従来の線形等化器よりも明らかに優れていることを示す。
決定フィードバック構造を持つSNNは、競合エネルギー効率の良いトランシーバへのパスを可能にする。
論文 参考訳（メタデータ） (2022-11-09T09:19:15Z) - Deep Convolutional Learning-Aided Detector for Generalized Frequency
Division Multiplexing with Index Modulation [0.0]
提案手法は、まずゼロフォース検出器(ZF)を用いて受信信号を前処理し、その後、畳み込みニューラルネットワーク(CNN)と完全連結ニューラルネットワーク(FCNN)からなるニューラルネットワークを用いる。
FCNN部は2つの完全に接続された層しか使用せず、複雑さとBER(bit error rate)パフォーマンスのトレードオフをもたらすことができる。
提案したディープ畳み込みニューラルネットワークに基づく検出・復調方式は,ZF検出器よりも高いBER性能を示し,複雑性が増大することが実証されている。
論文 参考訳（メタデータ） (2022-02-06T22:18:42Z) - On the adaptation of recurrent neural networks for system identification [2.5234156040689237]
本稿では,動的システムのリカレントニューラルネットワーク(RNN)モデルの高速かつ効率的な適応を可能にするトランスファー学習手法を提案する。
その後、システムダイナミクスが変化すると仮定され、摂動系における名目モデルの性能が不可避的に低下する。
ミスマッチに対処するため、新しい動的状態からの新鮮なデータに基づいてトレーニングされた付加的補正項でモデルを拡張する。
論文 参考訳（メタデータ） (2022-01-21T12:04:17Z) - Verification of Neural-Network Control Systems by Integrating Taylor
Models and Zonotopes [0.0]
ニューラルネットワークコントローラ(NNCS)を用いた閉ループ力学系の検証問題について検討する。
本稿では,Taylorモデルとzonotopesに基づくアプローチをチェーンするアルゴリズムを提案し,NNCSの精度の高い到達性アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-16T20:46:39Z) - 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) - Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by
Spiking Neural Network [68.43026108936029]
雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。
このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。
実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
論文 参考訳（メタデータ） (2020-07-07T08:22:56Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z) - Progressive Tandem Learning for Pattern Recognition with Deep Spiking
Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。
高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-02T15:38:44Z) - Run-time Mapping of Spiking Neural Networks to Neuromorphic Hardware [0.44446524844395807]
本研究では、オンライン学習SNNベースのアプリケーションのニューロンとシナプスを、実行時にニューロモルフィックアーキテクチャに分割し、マッピングする設計手法を提案する。
提案アルゴリズムは, 設計時間に基づくSNN分割手法と比較して, ソリューション品質が6.25%低いSNNマッピング時間を平均780倍に削減する。
論文 参考訳（メタデータ） (2020-06-11T19:56:55Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z)
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。