Fugu-MT 論文翻訳(概要): Near-field Beamforming for Extremely Large-scale MIMO Based on Unsupervised Deep Learning

論文の概要: Near-field Beamforming for Extremely Large-scale MIMO Based on Unsupervised Deep Learning

arxiv url: http://arxiv.org/abs/2406.03249v1
Date: Wed, 5 Jun 2024 13:26:25 GMT
ステータス: 処理完了
システム内更新日: 2024-06-06 18:20:44.044439
Title: Near-field Beamforming for Extremely Large-scale MIMO Based on Unsupervised Deep Learning
Title（参考訳）: 教師なし深層学習に基づく超大規模MIMOのための近接場ビームフォーミング
Authors: Jiali Nie, Yuanhao Cui, Zhaohui Yang, Weijie Yuan, Xiaojun Jing,
Abstract要約: 教師なし深層学習に基づく近距離場ビームフォーミング法を提案する。提案手法はベースライン方式と比較して安定なビームフォーミングゲインが得られる。
参考スコア（独自算出の注目度）: 20.67122533341949
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Extremely Large-scale Array (ELAA) is considered a frontier technology for future communication systems, pivotal in improving wireless systems' rate and spectral efficiency. However, as ELAA employs a multitude of antennas operating at higher frequencies, users are typically situated in the near-field region where the spherical wavefront propagates. This inevitably leads to a significant increase in the overhead of beam training, requiring complex two-dimensional beam searching in both the angle domain and the distance domain. To address this problem, we propose a near-field beamforming method based on unsupervised deep learning. Our convolutional neural network efficiently extracts complex channel state information features by strategically selecting padding and kernel size. We optimize the beamformers to maximize achievable rates in a multi-user network without relying on predefined custom codebooks. Upon deployment, the model requires solely the input of pre-estimated channel state information to derive the optimal beamforming vector. Simulation results show that our proposed scheme can obtain stable beamforming gain compared with the baseline scheme. Furthermore, owing to the inherent traits of deep learning methodologies, this approach substantially diminishes the beam training costs in near-field regions.
Abstract（参考訳）: ELAA(Extremely Large-scale Array)は、将来の通信システムのフロンティア技術であり、無線システムの速度とスペクトル効率を改善する上で重要な技術である。しかし、ELAAは高周波数で作動するアンテナを多用しているため、通常は球面波面が伝播する近接場に位置する。これは必然的にビームトレーニングのオーバーヘッドを大幅に増加させ、角度領域と距離領域の両方で複雑な2次元ビーム探索を必要とする。この問題に対処するために,教師なし深層学習に基づく近接場ビームフォーミング法を提案する。我々の畳み込みニューラルネットワークは、パディングとカーネルサイズを戦略的に選択することで、複雑なチャネル状態情報の特徴を効率的に抽出する。我々はビームフォーマを最適化し、予め定義されたカスタムコードブックに頼ることなく、マルチユーザネットワークにおける達成可能なレートを最大化する。デプロイ時には、最適なビームフォーミングベクトルを導出するために、事前に推定されたチャネル状態情報の入力のみを必要とする。シミュレーションの結果,提案手法はベースライン方式と比較して安定なビームフォーミングゲインが得られることがわかった。さらに,深層学習手法の特質から,近距離場におけるビームトレーニングコストを著しく低減する。

関連論文リスト

Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
論文参考訳（メタデータ） (2024-08-26T17:03:14Z)
Beam Prediction based on Large Language Models [51.45077318268427]
ミリ波(mmWave)通信は次世代無線ネットワークに期待できるが、パス損失は大きい。長短期記憶(LSTM)のような従来のディープラーニングモデルでは、ビーム追跡精度が向上するが、ロバスト性や一般化が不足している。本稿では,大規模言語モデル(LLM)を用いて,ビーム予測の堅牢性を向上させる。
論文参考訳（メタデータ） (2024-08-16T12:40:01Z)
Deep Learning and Image Super-Resolution-Guided Beam and Power Allocation for mmWave Networks [80.37827344656048]
我々は,ミリ波(mmWave)ネットワークのためのディープラーニング(DL)誘導ハイブリッドビームとパワーアロケーションアプローチを開発した。教師付き学習と超解像技術の相乗効果を利用して、低オーバヘッドビームとパワーアロケーションを実現する。
論文参考訳（メタデータ） (2023-05-08T05:40:54Z)
Federated Deep Reinforcement Learning for THz-Beam Search with Limited CSI [17.602598143822913]
超広帯域でのテラヘルツ(THz)通信は次世代無線ネットワークにおける高データレートの厳密な要求を実現するための有望な技術である。 THz信号の激しい伝搬減衰を効果的に克服するために、大規模なアンテナアレイのビーム方向を見つけることは、迫力のあるニーズである。本稿では,複数の基地局のTHzビーム探索を高速に行うためのFDRL(Federated Deep reinforcement Learning)を提案する。
論文参考訳（メタデータ） (2023-04-25T19:28:15Z)
Near-Field Channel Estimation for Extremely Large-Scale Array Communications: A model-based deep learning approach [27.724896957034336]
我々は,XL-MIMO通信の近距離無線チャネルを推定するための効率的なモデルベースディープラーニングアルゴリズムを提案する。近接場特性により、空間格子に基づくスペーシング辞書は、チャネル推定精度が低く、計算負荷も重い。本稿では,スカラー化辞書をニューラルネットワーク層として定式化し,LISTAニューラルネットワークに組み込むスカラー化辞書学習LISTAアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-11-28T15:31:08Z)
Reinforcement Learning for Optimized Beam Training in Multi-Hop Terahertz Communications [9.409142735305148]
マルチホップTHzリンクの性能を最適化するために,動的トレーニングレベルを持つ新しい階層ビームトレーニング手法を提案する。提案手法は, 従来の階層ビームトレーニングと比較して, スペクトル効率において最大75%の性能向上を達成できる。
論文参考訳（メタデータ） (2021-02-10T05:24:09Z)
Distributed Conditional Generative Adversarial Networks (GANs) for Data-Driven Millimeter Wave Communications in UAV Networks [116.94802388688653]
無人航空機(UAV)無線ネットワークにおけるミリ波(mmWave)通信のための,データ駆動型空対地(A2G)チャネル推定手法を提案する。実効的なチャネル推定手法を開発し、各UAVは、各ビームフォーミング方向に沿って条件付き生成対向ネットワーク(CGAN)を介してスタンドアロンチャネルモデルを訓練することができる。分散CGANアーキテクチャに基づく協調的なフレームワークを開発し、各UAVがmmWaveチャネルの分布を協調的に学習できるようにする。
論文参考訳（メタデータ） (2021-02-02T20:56:46Z)
Deep Learning Assisted Calibrated Beam Training for Millimeter-Wave Communication Systems [15.297530726877786]
ビームトレーニングの膨大なオーバーヘッドはミリ波(mmWave)無線通信において大きな課題となる。チャネル電力の漏れに応じて狭いビーム方向を校正する広いビームベースのトレーニングアプローチを提案します。チャネルパワーリークの複雑な非線形特性に対処するために、ディープラーニングを用いて最適な狭ビームを直接予測する。
論文参考訳（メタデータ） (2021-01-08T04:02:34Z)
A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文参考訳（メタデータ） (2020-12-21T17:39:51Z)
Federated Learning for Hybrid Beamforming in mm-Wave Massive MIMO [12.487990897680422]
本稿では,ハイブリッドビームフォーミングのためのFL(Federated Learning)ベースのフレームワークを紹介し,ベースステーションでモデルトレーニングを行う。我々は、入力がチャネルデータである畳み込みニューラルネットワークを設計し、出力時にアナログビームフォーマを出力する。 FLは、チャネルデータの不完全性や破損に対してより寛容であり、CMLよりも透過オーバーヘッドが少ないことが示されている。
論文参考訳（メタデータ） (2020-05-20T11:21:07Z)
Large Batch Training Does Not Need Warmup [111.07680619360528]
大きなバッチサイズを使用してディープニューラルネットワークをトレーニングすることは、有望な結果を示し、多くの現実世界のアプリケーションに利益をもたらしている。本稿では,大規模バッチ学習のための全層適応レートスケーリング(CLARS)アルゴリズムを提案する。分析に基づいて,このギャップを埋め,3つの一般的な大規模バッチトレーニング手法の理論的洞察を提示する。
論文参考訳（メタデータ） (2020-02-04T23:03:12Z)

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。