論文の概要: Low-Overhead Channel Estimation via 3D Extrapolation for TDD mmWave Massive MIMO Systems Under High-Mobility Scenarios
- arxiv url: http://arxiv.org/abs/2406.08887v2
- Date: Sun, 29 Dec 2024 16:54:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-31 16:00:08.491746
- Title: Low-Overhead Channel Estimation via 3D Extrapolation for TDD mmWave Massive MIMO Systems Under High-Mobility Scenarios
- Title（参考訳）: TDD mm Wave Massive MIMOシステムにおける3次元外挿による低オーバーヘッドチャネル推定
- Authors: Binggui Zhou, Xi Yang, Shaodan Ma, Feifei Gao, Guanghua Yang,
- Abstract要約: 高モビリティのシナリオでは、チャネルの老朽化のため、頻繁にアップリンクチャネルを推定する必要がある。
本稿では,空間,周波数,時間領域にまたがる3領域(3D)チャネル外挿フレームワークを提案する。
数値実験の結果,提案手法はパイロット訓練のオーバーヘッドを16倍に抑えることができた。
- 参考スコア（独自算出の注目度）: 41.213515826100696
- License:
- Abstract: In time division duplexing (TDD) millimeter wave (mmWave) massive multiple-input multiple-output (MIMO) systems, downlink channel state information (CSI) can be obtained from uplink channel estimation thanks to channel reciprocity. However, under high-mobility scenarios, frequent uplink channel estimation is needed due to channel aging. Additionally, large amounts of antennas and subcarriers result in high-dimensional CSI matrices, aggravating pilot training overhead. To address this, we propose a three-domain (3D) channel extrapolation framework across spatial, frequency, and temporal domains. First, considering the effectiveness of traditional knowledge-driven channel estimation methods and the marginal effects of pilots in the spatial and frequency domains, a knowledge-and-data driven spatial-frequency channel extrapolation network (KDD-SFCEN) is proposed for uplink channel estimation via joint spatial-frequency channel extrapolation to reduce spatial-frequency domain pilot overhead. Then, leveraging channel reciprocity and temporal dependencies, we propose a temporal uplink-downlink channel extrapolation network (TUDCEN) powered by generative artificial intelligence for slot-level channel extrapolation, aiming to reduce the tremendous temporal domain pilot overhead caused by high mobility. Numerical results demonstrate the superiority of the proposed framework in significantly reducing the pilot training overhead by 16 times and improving the system's spectral efficiency under high-mobility scenarios compared with state-of-the-art channel estimation/extrapolation methods.
- Abstract（参考訳）: 時間分割倍波 (TDD) ミリ波 (mmWave) 大規模マルチインプット多重出力 (MIMO) システムでは、チャネルの相互性によるアップリンクチャネル推定からダウンリンクチャネル状態情報 (CSI) を得ることができる。
しかし,ハイモビリティのシナリオでは,チャネルの老朽化によるアップリンクチャネル推定が頻繁に必要となる。
さらに、大量のアンテナとサブキャリアが高次元のCSI行列となり、パイロット訓練のオーバーヘッドが増大する。
そこで本稿では,空間,周波数,時間領域にまたがる3領域(3D)チャネル外挿フレームワークを提案する。
まず、従来の知識駆動チャネル推定法の有効性と、空間・周波数領域におけるパイロットの限界効果を考慮して、空間・周波数領域のパイロットオーバーヘッドを低減するために、共同空間・周波数チャネル外挿によるアップリンクチャネル推定のために、知識・データ駆動空間周波数チャネル外挿網(KDD-SFCEN)を提案する。
そして,チャネルの相互性と時間的依存性を活用することで,高モビリティによる時間的ドメインのオーバーヘッドを低減すべく,時間的アップリンク・ダウンリンク・チャネル外挿ネットワーク(TUDCEN)を提案する。
提案手法は,パイロット訓練のオーバーヘッドを16倍に低減し,高モビリティシナリオ下でのシステムのスペクトル効率を,最先端チャネル推定・外挿法と比較して向上させる。
関連論文リスト
- Belief Information based Deep Channel Estimation for Massive MIMO Systems [11.438967822079542]
提案手法は, 12dBチャネル推定性能を向上させるか, 1/3 1/2 パイロットオーバヘッドを削減するかのどちらかである。
実験結果から,提案手法は12dBチャネル推定性能を向上するか,1/31/2パイロットオーバヘッドを低減できることがわかった。
論文 参考訳（メタデータ） (2024-06-23T15:31:07Z) - Joint Sparsity Pattern Learning Based Channel Estimation for Massive
MIMO-OTFS Systems [46.42375183269616]
大規模マルチインプット・マルチアウトプット(MIMO)変調システムのためのジョイント・スパシティ・パターン・ラーニング(JSPL)に基づくチャネル推定手法を提案する。
シミュレーション結果と解析の結果から,提案したチャネル推定手法は,最先端のベースライン方式よりも性能が向上することが示された。
論文 参考訳（メタデータ） (2024-03-06T15:05:39Z) - 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) - Pay Less But Get More: A Dual-Attention-based Channel Estimation Network
for Massive MIMO Systems with Low-Density Pilots [41.213515826100696]
低密度パイロットによる正確なチャネル推定を実現するために,デュアルアテンションに基づくチャネル推定ネットワーク(DACEN)を提案する。
実験結果から,提案手法は既存の手法よりも優れたチャネル推定性能が得られることがわかった。
論文 参考訳（メタデータ） (2023-03-02T05:34:25Z) - Deep Generative Models for Downlink Channel Estimation in FDD Massive
MIMO Systems [13.267048706241157]
この課題に対処するために, 深部生成モデル(DGM)に基づく手法を提案する。
アップリンクチャネルとダウンリンクチャネルの部分的相互性を実行し、まず、周波数非依存のチャネルパラメータを推定する。
次に、各伝搬路の位相である周波数固有チャネルパラメータをダウンリンクトレーニングにより推定する。
論文 参考訳（メタデータ） (2022-03-09T18:32:10Z) - 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) - 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) - Pruning the Pilots: Deep Learning-Based Pilot Design and Channel
Estimation for MIMO-OFDM Systems [8.401473551081748]
本稿では,ニューラルネットワークを用いた共同パイロット設計とダウンリンクチャネル推定手法を提案する。
提案したNNアーキテクチャは、周波数対応のパイロット設計に完全連結層を使用し、線形最小二乗誤差(LMMSE)推定に優れる。
また、トレーニング中に高密度のNN層から少ない有意なニューロンを徐々に刈り取ることにより、効果的なパイロットリダクション手法を提案する。
論文 参考訳（メタデータ） (2020-06-21T13:10:26Z) - 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。