論文の概要: SICNN: Soft Interference Cancellation Inspired Neural Network Equalizers
- arxiv url: http://arxiv.org/abs/2308.12591v2
- Date: Mon, 11 Mar 2024 10:02:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 16:40:55.191120
- 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: 我々はSICNNと呼ばれる新しいニューラルネットワーク(NN)ベースのアプローチを提案する。
SICNNはモデルに基づく反復型ソフト干渉キャンセル(SIC)法を深く展開して設計されている。
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との比較を行った。
- 参考スコア（独自算出の注目度）: 1.6451639748812472
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years data-driven machine learning approaches have been extensively
studied to replace or enhance traditionally model-based processing in digital
communication systems. In this work, we focus on equalization and propose a
novel neural network (NN-)based approach, referred to as SICNN. SICNN is
designed by deep unfolding a model-based iterative soft interference
cancellation (SIC) method. It eliminates the main disadvantages of its
model-based counterpart, which suffers from high computational complexity and
performance degradation due to required approximations. We present different
variants of SICNN. SICNNv1 is specifically tailored to single carrier frequency
domain equalization (SC-FDE) systems, the communication system mainly regarded
in this work. SICNNv2 is more universal and is applicable as an equalizer in
any communication system with a block-based data transmission scheme. Moreover,
for both SICNNv1 and SICNNv2, we present versions with highly reduced numbers
of learnable parameters. Another contribution of this work is a novel approach
for generating training datasets for NN-based equalizers, which significantly
improves their performance at high signal-to-noise ratios. We compare the 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 for SC-FDE. Exemplarily, to
emphasize its universality, SICNNv2 is additionally applied to a unique word
orthogonal frequency division multiplexing (UW-OFDM) system, where it achieves
state-of-the-art performance. Furthermore, 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）: 近年、デジタル通信システムにおける従来のモデルベース処理を置き換えたり、強化するために、データ駆動機械学習アプローチが広く研究されている。
本研究では、等化に着目し、SICNNと呼ばれる新しいニューラルネットワーク(NN-)アプローチを提案する。
SICNNはモデルに基づく反復型ソフト干渉キャンセル(SIC)法を深く展開して設計されている。
これは、必要となる近似によって高い計算複雑性と性能劣化に悩まされるモデルベースの主な欠点を取り除く。
SICNNには様々なバリエーションがある。
SICNNv1はシングルキャリア周波数領域等化(SC-FDE)システムに特化している。
sicnnv2はより普遍的であり、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。
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示す。
この研究のもうひとつの貢献は、NNベースの等化器のトレーニングデータセットを生成するための新しいアプローチである。
提案するnnベースイコライザのビット誤り率性能を,最先端モデルベースおよびnnベース手法と比較し,sc-fdeの他の手法よりもsicnnv1が優れていることを示す。
例として、SICNNv2はその普遍性を強調するために、一意の単語直交周波数分割多重化(UW-OFDM)システムに適用され、最先端の性能を達成する。
さらに,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
- 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) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-07-27T12:38:37Z) - 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。