Fugu-MT 論文翻訳(概要): Deep Learning-Based Pilotless Spatial Multiplexing

論文の概要: Deep Learning-Based Pilotless Spatial Multiplexing

arxiv url: http://arxiv.org/abs/2312.05158v1
Date: Fri, 8 Dec 2023 16:38:02 GMT
ステータス: 処理完了
システム内更新日: 2023-12-11 14:36:46.384876
Title: Deep Learning-Based Pilotless Spatial Multiplexing
Title（参考訳）: 深層学習に基づくパイロットレス空間多重化
Authors: Dani Korpi, Mikko Honkala, Janne M.J. Huttunen
Abstract要約: 送信機と受信機を共同で訓練することにより、送信機は空間ストリームのこのような星座形状を学習できることを示す。チャネル推定パイロットのないMLベースの空間多重化が実証されたのはこれが初めてである。その結果、学習したパイロットレススキームは、スペクトル効率の点で従来のパイロットベースシステムよりも最大で15～20%優れていた。
参考スコア（独自算出の注目度）: 8.68775490839808
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper investigates the feasibility of machine learning (ML)-based pilotless spatial multiplexing in multiple-input and multiple-output (MIMO) communication systems. Especially, it is shown that by training the transmitter and receiver jointly, the transmitter can learn such constellation shapes for the spatial streams which facilitate completely blind separation and detection by the simultaneously learned receiver. To the best of our knowledge, this is the first time ML-based spatial multiplexing without channel estimation pilots is demonstrated. The results show that the learned pilotless scheme can outperform a conventional pilot-based system by as much as 15-20% in terms of spectral efficiency, depending on the modulation order and signal-to-noise ratio.
Abstract（参考訳）: 本稿では、マルチインプットおよびマルチアウトプット(MIMO)通信システムにおける、機械学習(ML)ベースのパイロットレス空間多重化の実現可能性について検討する。特に、送信機と受信機を共同で訓練することにより、送信機は空間ストリームのこのような星座形状を学習でき、同時に学習した受信機による完全に視覚的分離と検出を容易にする。我々の知る限りでは、チャネル推定パイロットを使わずにMLベースの空間多重化を実演するのはこれが初めてである。その結果,学習したパイロットレススキームは,変調順序や信号対雑音比に応じて,スペクトル効率を最大15～20%向上させることができることがわかった。

関連論文リスト

Optimizing Multicarrier Multiantenna Systems for LoS Channel Charting [6.6297544881511055]
チャネルチャート(CC)は、生のチャネル観測の空間と、近接点がユーザ機器(UE)のチャネルと空間的に近接する低次元空間の間のマッピングを学習する。このマッピングを学習する様々な方法のなかには、チャネルベクトル間の距離測定に依存するものもある。
論文参考訳（メタデータ） (2023-09-28T09:21:41Z)
Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2022-08-04T15:46:48Z)
Waveform Learning for Reduced Out-of-Band Emissions Under a Nonlinear Power Amplifier [15.615546727945501]
送信機電力増幅器が非線形に動作しているシナリオを考察し,帯域外放出を最小限に抑えるために波形の最適化にMLを用いる。シミュレーション結果から,このようなエンドツーエンド最適化システムにより,帯域外エミッションがより正確かつ少ないデータ通信が可能であることが示唆された。これらの知見は6Gのビルディングブロックの1つであるMLネイティブのエアインターフェースへの道を開いた。
論文参考訳（メタデータ） (2022-01-14T15:51:07Z)
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)
FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
論文参考訳（メタデータ） (2020-11-14T11:29:55Z)
End-to-end Learning for OFDM: From Neural Receivers to Pilotless Communication [12.325545487629297]
周波数選択型および時間選択型フェーディングチャネル上でのエンド・ツー・エンド・ラーニングの効果について検討する。受信機における不完全なチャネル知識により、AWGNチャネルで観測されたシェイピングゲインは消滅する。他の2つのパフォーマンス改善源を特定します。
論文参考訳（メタデータ） (2020-09-11T07:33:00Z)
Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A Complete Pipeline [54.73337667795997]
移動学習(TL)は、新しい被験者の校正作業を減らすために、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)に広く用いられている。本稿では,MIベースのBCIの3つのコンポーネント(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。
論文参考訳（メタデータ） (2020-07-03T23:44:21Z)
Acquisition of Channel State Information for mmWave Massive MIMO: Traditional and Machine Learning-based Approaches [48.52099617055683]
チャネル状態情報(CSI)の取得精度はミリ波通信の性能に直接影響を与える。本稿では,ミリ波マルチインプットマルチアウトプットシステムのビームトレーニングとチャネル推定を含む,CSIの買収の概要について述べる。
論文参考訳（メタデータ） (2020-06-16T03:11:51Z)
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)
Deep Channel Learning For Large Intelligent Surfaces Aided mm-Wave Massive MIMO Systems [3.2898781698366717]
このレターは、大型インテリジェントサーフェス(LIS)におけるチャネル推定のためのディープラーニングフレームワークを導入した最初の作品である。双対畳み込みニューラルネットワーク(CNN)アーキテクチャが設計され、受信したパイロット信号で入力され、直接チャネルとカスケードチャネルの両方を推定する。マルチユーザシナリオでは、各ユーザが自身のチャネルを見積もるために、CNNにアクセスすることができる。
論文参考訳（メタデータ） (2020-01-29T20:44:21Z)

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。