論文の概要: A Universal Deep Neural Network for Signal Detection in Wireless Communication Systems
- arxiv url: http://arxiv.org/abs/2404.02648v1
- Date: Wed, 3 Apr 2024 11:21:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-04 17:40:49.835836
- Title: A Universal Deep Neural Network for Signal Detection in Wireless Communication Systems
- Title（参考訳）: 無線通信システムにおける信号検出のためのユニバーサルディープニューラルネットワーク
- Authors: Khalid Albagami, Nguyen Van Huynh, Geoffrey Ye Li,
- Abstract要約: 無線通信におけるチャネル推定と信号検出のための有望なアプローチとして,Deep Learning (DL) が登場している。
無線チャネルの動的性質に対処するためには、新しい非老化データに基づいてDL手法を再訓練する必要がある。
本稿では,モデルを再学習することなく,様々な無線環境において高い検出性能を達成できる,新しいユニバーサルディープニューラルネットワーク(Uni-DNN)を提案する。
- 参考スコア（独自算出の注目度）: 35.07773969966621
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recently, deep learning (DL) has been emerging as a promising approach for channel estimation and signal detection in wireless communications. The majority of the existing studies investigating the use of DL techniques in this domain focus on analysing channel impulse responses that are generated from only one channel distribution such as additive white Gaussian channel noise and Rayleigh channels. In practice, to cope with the dynamic nature of the wireless channel, DL methods must be re-trained on newly non-aged collected data which is costly, inefficient, and impractical. To tackle this challenge, this paper proposes a novel universal deep neural network (Uni-DNN) that can achieve high detection performance in various wireless environments without retraining the model. In particular, our proposed Uni-DNN model consists of a wireless channel classifier and a signal detector which are constructed by using DNNs. The wireless channel classifier enables the signal detector to generalise and perform optimally for multiple wireless channel distributions. In addition, to further improve the signal detection performance of the proposed model, convolutional neural network is employed. Extensive simulations using the orthogonal frequency division multiplexing scheme demonstrate that the bit error rate performance of our proposed solution can outperform conventional DL-based approaches as well as least square and minimum mean square error channel estimators in practical low pilot density scenarios.
- Abstract（参考訳）: 近年,無線通信におけるチャネル推定と信号検出のための有望なアプローチとして,ディープラーニング(DL)が登場している。
この領域におけるDL技術の利用を調査する既存の研究の大部分は、付加的な白色ガウスチャネルノイズやレイリーチャネルのような1つのチャネル分布から発生するチャネルインパルス応答の分析に重点を置いている。
実際には、無線チャネルのダイナミックな性質に対処するために、DL手法はコストがかかり、効率が悪く、実用的でない新しい非老化データで再訓練されなければならない。
この課題に対処するため,本研究では,モデルを再学習することなく,様々な無線環境において高い検出性能を実現することのできる,新しいユニバーサルディープニューラルネットワーク(Uni-DNN)を提案する。
特に,提案するUni-DNNモデルは,DNNを用いて構築した無線チャネル分類器と信号検出器から構成される。
無線チャネル分類器は、信号検出器を一般化し、複数の無線チャネル分布に対して最適に実行することを可能にする。
さらに,提案モデルの信号検出性能をさらに向上するため,畳み込みニューラルネットワークを用いる。
直交周波数分割多重化方式を用いた広範シミュレーションにより,提案手法のビット誤り率性能は,実用的低パイロット密度シナリオにおける最小二乗および最小二乗平均誤差チャネル推定器よりも優れていることを示した。
関連論文リスト
- Generating High Dimensional User-Specific Wireless Channels using Diffusion Models [28.270917362301972]
本稿では拡散モデルを用いて合成無線チャネルデータを生成する新しい手法を提案する。
我々は、ユーザ位置を条件入力として合成された高忠実度チャネルサンプルを生成し、測定不足を克服するために、より大きな拡張データセットを作成する。
論文 参考訳（メタデータ） (2024-09-05T22:08:28Z) - Modeling of Time-varying Wireless Communication Channel with Fading and Shadowing [0.0]
本稿では,ディープラーニングニューラルネットワークと混合密度ネットワークモデルを組み合わせて,受信電力の条件付き確率密度関数を導出する手法を提案する。
経路損失とノイズを伴う中上フェーディングチャネルモデルと対数正規シャドーイングチャネルモデルの実験により、新しいアプローチは従来のディープラーニングベースチャネルモデルよりも統計的に正確で、高速で、より堅牢であることが示された。
論文 参考訳（メタデータ） (2024-05-13T21:30:50Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-08T13:50:30Z) - Graph Neural Networks over the Air for Decentralized Tasks in Wireless Networks [6.007238205454907]
本稿では,大気上のグラフニューラルネットワークの性能に及ぼすチャネル障害の影響について検討する(AirGNN)。
AirGNNは、ランダムな通信グラフ上でグラフ信号をシフトするグラフ畳み込み操作を変更し、チャネルのフェージングとノイズを考慮している。
分散型ソースローカライゼーションとマルチロボット・フロッキングの実験は、無線通信チャネル上でのAirGNNの性能に優れていた。
論文 参考訳（メタデータ） (2023-02-16T17:40:23Z) - Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。
我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2022-08-17T02:01:18Z) - 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) - Wireless Sensing With Deep Spectrogram Network and Primitive Based
Autoregressive Hybrid Channel Model [20.670058030653458]
無線センシングに基づくヒューマンモーション認識(hmr)は,シーン理解のための低コスト手法である。
現在のHMRシステムは、レーダー信号を分類するためにサポートベクターマシン(SVM)と畳み込みニューラルネットワーク(CNN)を採用している。
本稿では,残差マッピング技術を利用してHMR性能を向上させるディープ・スペクトログラム・ネットワーク(DSN)を提案する。
論文 参考訳（メタデータ） (2021-04-21T06:33:01Z) - 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) - Power Control for a URLLC-enabled UAV system incorporated with DNN-Based
Channel Estimation [82.16169603954663]
この手紙は、ディープニューラルネットワーク(DNN)に基づくチャネル推定を組み込んだ超信頼性低遅延通信(URLLC)有効無人航空機(UAV)システムの電力制御に関するものである。
論文 参考訳（メタデータ） (2020-11-14T02:31:04Z) - Deep Learning Based Antenna Selection for Channel Extrapolation in FDD
Massive MIMO [54.54508321463112]
大規模なマルチインプット多重出力(MIMO)システムでは、多数のアンテナが正確なチャネル状態情報を取得する上で大きな課題となる。
ニューラルネットワーク(NN)を用いて、アップリンクとダウンリンクチャネルデータセット間の固有の接続を捕捉し、アップリンクチャネル状態情報のサブセットからダウンリンクチャネルを外挿する。
アンテナサブセット選択問題について検討し、最高のチャネル外挿を実現し、NNのデータサイズを小さくする。
論文 参考訳（メタデータ） (2020-09-03T13:38:52Z) - 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)
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。