論文の概要: Data-Driven Symbol Detection for Intersymbol Interference Channels with Bursty Impulsive Noise
- arxiv url: http://arxiv.org/abs/2405.10814v1
- Date: Fri, 17 May 2024 14:35:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-20 15:53:32.545721
- Title: Data-Driven Symbol Detection for Intersymbol Interference Channels with Bursty Impulsive Noise
- Title（参考訳）: 汚い衝撃音を伴うシンボル間干渉路のデータ駆動型シンボル検出
- Authors: Boris Karanov, Chin-Hung Chen, Yan Wu, Alex Young, Wim van Houtum,
- Abstract要約: 我々は,シンボル間干渉(ISI)チャネルを経由した符号化伝送におけるデータ駆動トレリスに基づくソフトシンボル検出のための機械学習手法を開発した。
これにより、Bahl-Cocke-Jelinek-Raviv (BCJR)アルゴリズムに基づいて最適化された検出器を得ることができた。
我々は,HMMによる状態遷移を最適化しながら,NNが可能性の学習に使用されるハイブリッドNNとHMM BCJRの検出の可能性を実証した。
- 参考スコア（独自算出の注目度）: 1.9462217839524345
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We developed machine learning approaches for data-driven trellis-based soft symbol detection in coded transmission over intersymbol interference (ISI) channels in presence of bursty impulsive noise (IN), for example encountered in wireless digital broadcasting systems and vehicular communications. This enabled us to obtain optimized detectors based on the Bahl-Cocke-Jelinek-Raviv (BCJR) algorithm while circumventing the use of full channel state information (CSI) for computing likelihoods and trellis state transition probabilities. First, we extended the application of the neural network (NN)-aided BCJR, recently proposed for ISI channels with additive white Gaussian noise (AWGN). Although suitable for estimating likelihoods via labeling of transmission sequences, the BCJR-NN method does not provide a framework for learning the trellis state transitions. In addition to detection over the joint ISI and IN states we also focused on another scenario where trellis transitions are not trivial: detection for the ISI channel with AWGN with inaccurate knowledge of the channel memory at the receiver. Without access to the accurate state transition matrix, the BCJR- NN performance significantly degrades in both settings. To this end, we devised an alternative approach for data-driven BCJR detection based on the unsupervised learning of a hidden Markov model (HMM). The BCJR-HMM allowed us to optimize both the likelihood function and the state transition matrix without labeling. Moreover, we demonstrated the viability of a hybrid NN and HMM BCJR detection where NN is used for learning the likelihoods, while the state transitions are optimized via HMM. While reducing the required prior channel knowledge, the examined data-driven detectors with learned trellis state transitions achieve bit error rates close to the optimal full CSI-based BCJR, significantly outperforming detection with inaccurate CSI.
- Abstract（参考訳）: 我々は,例えば無線デジタル放送や車載通信で発生するバーストインパルスノイズ(IN)の存在下で,ISIチャネルを経由した符号化伝送におけるデータ駆動トレリスに基づくソフトシンボル検出のための機械学習手法を開発した。
これにより,Bhl-Cocke-Jelinek-Raviv (BCJR) アルゴリズムを応用し,全チャネル状態情報(CSI)の計算可能性とトレリス状態遷移確率を回避した。
まず, 付加的な白色ガウス雑音 (AWGN) を有するISIチャネルに対して, ニューラルネットワーク支援BCJRの適用範囲を拡大した。
伝送シーケンスのラベル付けによる確率推定には適しているが, BCJR-NN法ではトレリス状態遷移を学習するためのフレームワークを提供していない。
In addition to detection over the joint ISI and IN states also focus on another scenario where trellis transitions are trivial: for the ISI channel with AWGN with the illcurate knowledge of the channel memory at the receiver。
正確な状態遷移行列にアクセスできなければ、BCJR-NNの性能は両方の設定で著しく低下する。
そこで我々は,隠れマルコフモデル(HMM)の教師なし学習に基づく,データ駆動型BCJR検出のための代替手法を考案した。
BCJR-HMMにより、ラベル付けなしで、可能性関数と状態遷移行列の両方を最適化できる。
さらに,HMMによる状態遷移が最適化されるのに対して,NNが可能性の学習に使用されるハイブリッドNNとHMM BCJRの検出の実現可能性を示した。
学習したトレリス状態遷移を持つデータ駆動検出器は、必要な事前チャネル知識を低減しつつ、最適な完全CSIベースBCJRに近いビット誤り率を実現し、不正確なCSIによる検出よりも大幅に優れていた。
関連論文リスト
- TBSN: Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising [94.09442506816724]
BSN(Blind-spot Network)は、自己教師型イメージデノベーション(SSID)において一般的なネットワークアーキテクチャである。
本稿では, ブラインドスポット要求を満たす変圧器演算子の解析と再設計により, 変圧器ベースブラインドスポットネットワーク(TBSN)を提案する。
空間的自己注意のために、注意行列に精巧なマスクを適用して受容場を制限し、拡張された畳み込みを模倣する。
チャネル自己アテンションについては,マルチスケールアーキテクチャの深層部において,チャネル数が空間的サイズよりも大きい場合,盲点情報を漏洩する可能性がある。
論文 参考訳（メタデータ） (2024-04-11T15:39:10Z) - On the Robustness of Deep Learning-aided Symbol Detectors to Varying
Conditions and Imperfect Channel Knowledge [1.9107347888374506]
本稿では,既存の文献を拡張して,現実世界の伝送路に現れる不完全なチャネル知識事例を網羅する。
BCJRNetは、定常伝送シナリオにおいて従来のBCJRアルゴリズムよりも大幅に優れている。
また,従来のBCJRとBCJRNetのメモリ仮定の重要性も示した。
論文 参考訳（メタデータ） (2024-01-23T10:55:29Z) - Joint Channel Estimation and Feedback with Masked Token Transformers in
Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。
エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。
提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文 参考訳（メタデータ） (2023-06-08T06:15:17Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z) - Blind Coherent Preamble Detection via Neural Networks [2.2063018784238984]
ニューラルネットワーク(NN)シークエンス検出器とタイミング先進推定器を提案する。
NNによるプリアンブル検出のプロセス全体を置き換えるものではない。
本稿では,通信路効果を補うために,検出器内の信号を組み合わせたテキストブロードコヒーレントにのみNNを用いることを提案する。
論文 参考訳（メタデータ） (2021-09-30T09:53:49Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Neural Network-Aided BCJR Algorithm for Joint Symbol Detection and
Channel Decoding [3.7315964084413173]
BCJRアルゴリズムとニューラルネットワークの利点を組み合わせるために,BCJRNetシンボル検出のハイブリッド方式を提案する。
BCJR受信機のチャネルモデルに基づく計算を置き換えるために,専用ニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2020-05-30T10:25:58Z) - 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) - DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO
Detection [98.43451011898212]
複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。
本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。
DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
論文 参考訳（メタデータ） (2020-02-08T18:31:00Z)
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。