論文の概要: Belief Information based Deep Channel Estimation for Massive MIMO Systems
- arxiv url: http://arxiv.org/abs/2407.07744v1
- Date: Sun, 23 Jun 2024 15:31:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 13:58:01.796780
- Title: Belief Information based Deep Channel Estimation for Massive MIMO Systems
- Title（参考訳）: 信頼情報に基づく大規模MIMOシステムのディープチャネル推定
- Authors: Jialong Xu, Liu Liu, Xin Wang, Lan Chen,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 11.438967822079542
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the next generation wireless communication system, transmission rates should continue to rise to support emerging scenarios, e.g., the immersive communications. From the perspective of communication system evolution, multiple-input multiple-output (MIMO) technology remains pivotal for enhancing transmission rates. However, current MIMO systems rely on inserting pilot signals to achieve accurate channel estimation. As the increase of transmit stream, the pilots consume a significant portion of transmission resources, severely reducing the spectral efficiency. In this correspondence, we propose a belief information based mechanism. By introducing a plug-and-play belief information module, existing single-antenna channel estimation networks could be seamlessly adapted to multi-antenna channel estimation and fully exploit the spatial correlation among multiple antennas. Experimental results demonstrate that the proposed method can either improve 1 ~ 2 dB channel estimation performance or reduce 1/3 ~ 1/2 pilot overhead, particularly in bad channel conditions.
- Abstract（参考訳）: 次世代無線通信システムでは、送信レートが上昇し続け、例えば没入型通信など、新たなシナリオをサポートする必要がある。
通信システムの進化の観点からは、マルチインプット・マルチアウトプット(MIMO)技術は伝送速度の向上に重要な役割を担っている。
しかし、現在のMIMOシステムは正確なチャネル推定を実現するためにパイロット信号の挿入に依存している。
送信ストリームの増加に伴い、パイロットは送信リソースの大部分を消費し、スペクトル効率を著しく低下させる。
本稿では,信念情報に基づくメカニズムを提案する。
プラグアンドプレイの信条情報モジュールを導入することで、既存の単一アンテナチャネル推定ネットワークをマルチアンテナチャネル推定にシームレスに適用し、複数のアンテナ間の空間相関を完全に活用することができる。
実験結果から,提案手法は1～2dBチャネル推定性能を向上させるか,特に悪いチャネル条件下でのパイロットオーバーヘッドを1/3〜1/2削減できることがわかった。
関連論文リスト
- Benchmarking Semantic Communications for Image Transmission Over MIMO Interference Channels [11.108614988357008]
一般マルチインプット・マルチアウトプット(MIMO)干渉チャネルに対するインターフェクト・ロバスト・セマンティック通信(IRSC)方式を提案する。
このスキームはニューラルネットワーク(NN)に基づくトランシーバの開発を伴い、チャネル状態情報(CSI)を受信機のみ、または送信機と受信機の両方の端で統合する。
実験結果から、IRSC方式は干渉を緩和し、ベースラインアプローチより優れることを示す。
論文 参考訳（メタデータ） (2024-04-10T11:40:22Z) - 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) - Random Orthogonalization for Federated Learning in Massive MIMO Systems [85.71432283670114]
大規模マルチインプット・マルチアウトプット(MIMO)無線システムにおいて,フェデレートラーニング(FL)のための新しい通信設計を提案する。
ランダム直交化の主な特徴は、FLの密結合と、チャネル硬化と良好な伝播の2つの特徴から生じる。
我々は、この原理をダウンリンク通信フェーズに拡張し、FLの簡易かつ高効率なモデル放送法を開発する。
論文 参考訳（メタデータ） (2022-10-18T14:17:10Z) - 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) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳（メタデータ） (2021-09-06T13:42:32Z) - 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) - CAnet: Uplink-aided Downlink Channel Acquisition in FDD Massive MIMO
using Deep Learning [51.72869237847767]
周波数分割二重化システムでは、ダウンリンクチャネル状態情報(CSI)取得方式は高いトレーニングとフィードバックのオーバーヘッドをもたらす。
これらのオーバーヘッドを削減するためにディープラーニングを用いたアップリンク支援ダウンリンクチャネル獲得フレームワークを提案する。
論文 参考訳（メタデータ） (2021-01-12T10:12:28Z) - 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)
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。