Fugu-MT 論文翻訳(概要): UCINet0: A Machine Learning based Receiver for 5G NR PUCCH Format 0

論文の概要: UCINet0: A Machine Learning based Receiver for 5G NR PUCCH Format 0

arxiv url: http://arxiv.org/abs/2404.15243v1
Date: Sun, 10 Mar 2024 09:56:02 GMT
ステータス: 処理完了
システム内更新日: 2024-07-01 11:58:46.114899
Title: UCINet0: A Machine Learning based Receiver for 5G NR PUCCH Format 0
Title（参考訳）: UCINet0: 5G NR PUCCH Format 0のための機械学習ベースの受信機
Authors: Anil Kumar Yerrapragada, Jeeva Keshav Sattianarayanin, Radha Krishna Ganti,
Abstract要約: 本稿では,PUCCH Format 0に対するAI/MLベースの受信機設計について検討する。 UCINet0と呼ばれるニューラルネットワークは、ユーザがPUCCHで送信していないことを予測できる。シミュレーションおよびハードウェアキャプチャフィールドデータセットによる推論結果から、UCINet0モデルは従来のDFTベースのデコーダを全SNR範囲で上回ることを示す。
参考スコア（独自算出の注目度）: 0.6226609932118122
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate decoding of Uplink Control Information (UCI) on the Physical Uplink Control Channel (PUCCH) is essential for enabling 5G wireless links. This paper explores an AI/ML-based receiver design for PUCCH Format 0. Format 0 signaling encodes the UCI content within the phase of a known base waveform and even supports multiplexing of up to 12 users within the same time-frequency resources. Our first-of-a-kind neural network classifier, which we term UCINet0, is capable of predicting when no user is transmitting on the PUCCH, as well as decoding the UCI content of any number of multiplexed users, up to 12. Inference results with both simulated and hardware-captured field datasets show that the UCINet0 model outperforms conventional DFT-based decoders across all SNR ranges.
Abstract（参考訳）: 物理アップリンク制御チャネル(PUCCH)上のアップリンク情報(UCI)の正確な復号化は、5G無線リンクの実現に不可欠である。本稿では,PUCCH Format 0に対するAI/MLベースの受信機設計について検討する。 Format 0シグナリングは、既知のベース波形のフェーズ内でUCIコンテンツをエンコードし、同時に12ユーザまでの多重化をサポートする。 UCINet0と呼ばれる私たちの第一種ニューラルネットワーク分類器は、ユーザーがPUCCHで送信していないことを予測し、最大12個の多重ユーザのUCIコンテンツを復号することができます。シミュレーションおよびハードウェアキャプチャフィールドデータセットによる推論結果から、UCINet0モデルは従来のDFTベースのデコーダを全SNR範囲で上回ることを示す。

関連論文リスト

UniEnc-CASSNAT: An Encoder-only Non-autoregressive ASR for Speech SSL Models [23.383924361298874]
CTCとCASS-NATの利点を組み合わせた新しいエンコーダベースのNASRUniEnc-CASSNATを提案する。提案したUniEnc-CASSNATは、最先端のNASR結果を実現し、エンコーダのみでCASS-NATに匹敵する。
論文参考訳（メタデータ） (2024-02-14T02:11:04Z)
Locality-Aware Generalizable Implicit Neural Representation [54.93702310461174]
一般化可能な暗黙的ニューラル表現(INR)は、単一の連続関数が複数のデータインスタンスを表現することを可能にする。本稿では、変換器エンコーダと局所性を考慮したINRデコーダを組み合わせた一般化可能なINRのための新しいフレームワークを提案する。我々のフレームワークは、従来の一般化可能なINRよりも大幅に優れており、下流タスクにおける局所性を考慮した潜在能力の有効性を検証している。
論文参考訳（メタデータ） (2023-10-09T11:26:58Z)
Streaming Audio-Visual Speech Recognition with Alignment Regularization [69.30185151873707]
本稿では,ハイブリッド接続型時間分類(CTC)/アテンションニューラルネットワークアーキテクチャに基づくストリーミングAV-ASRシステムを提案する。提案したAV-ASRモデルは、オフラインおよびオンライン設定でLip Reading Sentences 3データセット上で、WERの2.0%と2.6%を達成する。
論文参考訳（メタデータ） (2022-11-03T20:20:47Z)
Machine Learning Decoder for 5G NR PUCCH Format 0 [2.714583452862023]
本稿では,物理アップリンク制御チャネルフォーマット0の復号性能向上のために,機械学習技術を用いた最初の試みを行う。我々は、完全に接続されたニューラルネットワークを使用して、その中に埋め込まれたアップリンク制御情報コンテンツに基づいて、受信したサンプルを分類する。トレーニングされたニューラルネットワークは、リアルタイムなワイヤレスキャプチャでテストされ、SNRが低い場合でも、従来のDFTベースのデコーダよりも精度が大幅に向上した。
論文参考訳（メタデータ） (2022-08-26T13:34:23Z)
Graph Neural Networks for Channel Decoding [71.15576353630667]
低密度パリティチェック(LDPC)やBCH符号など、様々な符号化方式の競合復号性能を示す。ニューラルネットワーク(NN)は、与えられたグラフ上で一般化されたメッセージパッシングアルゴリズムを学習する。提案するデコーダを,従来のチャネル復号法および最近のディープラーニングに基づく結果と比較した。
論文参考訳（メタデータ） (2022-07-29T15:29:18Z)
A Streamwise GAN Vocoder for Wideband Speech Coding at Very Low Bit Rate [8.312162364318235]
本稿では、1.6kbit/sで符号化されたパラメータから広帯域音声波形を生成することができるGANボコーダを提案する。提案モデルは,フレーム単位で動作可能なStyleMelGANボコーダの改良版である。
論文参考訳（メタデータ） (2021-08-09T14:03:07Z)
Semi-Supervised Learning for Channel Charting-Aided IoT Localization in Millimeter Wave Networks [97.66522637417636]
ミリ波ネットワークにおけるチャネルチャート(CC)支援の新たな枠組みを提案する。特に,無線機器の3次元位置を推定するために,畳み込み型オートエンコーダモデルを提案する。フレームワークは半教師付きフレームワークに拡張され、オートエンコーダは2つのコンポーネントに分割される。
論文参考訳（メタデータ） (2021-08-03T14:41:38Z)
Learning from Heterogeneous EEG Signals with Differentiable Channel Reordering [51.633889765162685]
CHARMは、一貫性のない入力チャネルをまたいだ単一のニューラルネットワークのトレーニング方法である。我々は4つの脳波分類データセットの実験を行い、CHARMの有効性を実証した。
論文参考訳（メタデータ） (2020-10-21T12:32:34Z)
End-to-End Learning of Neuromorphic Wireless Systems for Low-Power Edge Artificial Intelligence [38.518936229794214]
我々は、ニューロモルフィックセンシング、インパルスラジオ(IR)、スパイキングニューラルネットワーク(SNN)に基づく、遠隔無線推論のための新しい「オールスパイク」低電力ソリューションを提案する。我々は,エンコーダ,チャネル,デコーダのカスケードを,JSCC(Joint Source-Channel Coding)を実装した確率的SNNベースのオートエンコーダとして扱うエンドツーエンドのトレーニング手順を導入する。実験により、提案したエンドツーエンドのニューロモルフィックエッジアーキテクチャが、効率的で低レイテンシなリモートセンシング、通信、推論のための有望なフレームワークを提供することを確認した。
論文参考訳（メタデータ） (2020-09-03T09:10:16Z)
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)

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。