論文の概要: An Adaptive CSI Feedback Model Based on BiLSTM for Massive MIMO-OFDM Systems

• arxiv url: http://arxiv.org/abs/2408.06359v1
• Date: Fri, 26 Jul 2024 07:07:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-19 03:57:10.740555
• Title: An Adaptive CSI Feedback Model Based on BiLSTM for Massive MIMO-OFDM Systems
• Title（参考訳）: 大規模MIMO-OFDMシステムのためのBiLSTMに基づく適応CSIフィードバックモデル
• Authors: Hongrui Shen, Long Zhao, Kan Zheng, Yuhua Cao, Pingzhi Fan,
• Abstract要約: 入力CSIの長さとフィードバックビットの数は、異なるシナリオで調整可能でなければならない。 提案したFBCU付きABLNetは、異なる入力CSI長とフィードバックビット数に適合する。 提案された個別のトレーニングアプローチは、フィードバックのパフォーマンスを維持し、フィードバックモデルの複雑さを低減することができる。
• 参考スコア（独自算出の注目度）: 19.423451330095766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning (DL)-based channel state information (CSI) feedback has the potential to improve the recovery accuracy and reduce the feedback overhead in massive multiple-input multiple-output orthogonal frequency division multiplexing (MIMO-OFDM) systems. However, the length of input CSI and the number of feedback bits should be adjustable in different scenarios, which can not be efficiently achieved by the existing CSI feedback models. Therefore, an adaptive bidirectional long short-term memory network (ABLNet) for CSI feedback is first designed to process various input CSI lengths, where the number of feedback bits is in proportion to the CSI length. Then, to realize a more flexible feedback bit number, a feedback bit control unit (FBCU) module is proposed to control the output length of feedback bits. Based on which, a target feedback performance can be adaptively achieved by a designed bit number adjusting (BNA) algorithm. Furthermore, a novel separate training approach is devised to solve the model protection problem that the UE and gNB are from different manufacturers. Experiments demonstrate that the proposed ABLNet with FBCU can fit for different input CSI lengths and feedback bit numbers; the CSI feedback performance can be stabilized by the BNA algorithm; and the proposed separate training approach can maintain the feedback performance and reduce the complexity of feedback model.
• Abstract（参考訳）: Deep Learning (DL)-based channel state information (CSI) feedback has potential to improve the recovery accuracy and the feedback overhead in massive multiple-input multiple-output orthogonal frequency division multiplexing (MIMO-OFDM) system。 しかし、入力CSIの長さとフィードバックビット数は異なるシナリオで調整可能であり、既存のCSIフィードバックモデルでは効率的に達成できない。 したがって、CSIフィードバックのための適応的双方向長短期メモリネットワーク(ABLNet)は、まず、CSI長さに比例したフィードバックビット数を持つ様々な入力CSI長さを処理するように設計されている。 そして、より柔軟なフィードバックビット数を実現するために、フィードバックビットの出力長を制御するために、フィードバックビット制御ユニット(FBCU)モジュールを提案する。 これに基づいて、設計ビット数調整(BNA)アルゴリズムにより、目標フィードバック性能を適応的に達成することができる。 さらに、UEとgNBが異なるメーカーのモデル保護問題を解決するために、新たな個別トレーニング手法が考案された。 実験により、FBCUを用いたABLNetは異なる入力CSI長とフィードバックビット数に適合し、CSIフィードバック性能はBNAアルゴリズムにより安定化し、提案した個別トレーニングアプローチはフィードバック性能を維持し、フィードバックモデルの複雑さを低減することができる。

関連論文リスト

• A Low-Overhead Incorporation-Extrapolation based Few-Shot CSI Feedback Framework for Massive MIMO Systems [45.22132581755417]
  周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおけるダウンリンクプリコーディングには、正確なチャネル状態情報(CSI)が不可欠である。 しかし,アンテナやサブキャリアの規模が大きくなると,ユーザ機器(UE)からのフィードバックによるCSI取得が困難になる。 CSIを圧縮するために深層学習に基づく手法が登場したが、これらの方法はかなりの収集サンプルを必要とする。 既存のディープラーニング手法は、フル次元のCSIフィードバックに重点を置いているため、フィードバックオーバーヘッドが劇的に増加することにも悩まされる。 低オーバーヘッド抽出に基づくFew-Shot CSIを提案する。
  論文  参考訳（メタデータ） (2023-12-07T06:01:47Z)
• 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)
• Quantization Adaptor for Bit-Level Deep Learning-Based Massive MIMO CSI Feedback [9.320559153486885]
  大規模なマルチインプット多重出力(MIMO)システムでは、ユーザ機器(UE)は、以下のビームフォーミングのために、チャネル状態情報(CSI)を基地局(BS)に返送する必要がある。 深層学習(DL)に基づく手法は、UEでCSIを圧縮し、BSで回復し、フィードバックコストを大幅に削減することができる。 本稿では,ビットレベルDLベースのCSIフィードバックに対する適応型量子化手法を提案する。
  論文  参考訳（メタデータ） (2022-11-05T16:30:59Z)
• Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
  再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。 しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。 本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
  論文  参考訳（メタデータ） (2022-09-18T03:07:37Z)
• Overview of Deep Learning-based CSI Feedback in Massive MIMO Systems [77.0986534024972]
  ディープラーニング(DL)ベースのCSIフィードバックは、DLベースのオートエンコーダによるCSI圧縮と再構築を指し、フィードバックオーバーヘッドを大幅に削減することができる。 その焦点は、CSIフィードバックの正確性を改善するために、新しいニューラルネットワークアーキテクチャとコミュニケーション専門家の知識の利用である。
  論文  参考訳（メタデータ） (2022-06-29T03:28:57Z)
• Deep Learning for 1-Bit Compressed Sensing-based Superimposed CSI Feedback [2.6831842796906393]
  本稿では,1ビット圧縮されたセンサによる重畳されたCSIフィードバックを改善するためのディープラーニング方式を提案する。 提案方式は,UL-USとダウンリンクCSIの回復精度を低処理遅延で向上する。
  論文  参考訳（メタデータ） (2022-03-13T09:33:53Z)
• PolarDenseNet: A Deep Learning Model for CSI Feedback in MIMO Systems [18.646674391114548]
  UEにおけるCSIを低次元の潜在空間に符号化し、基地局で復号する自動エンコーダアーキテクチャに基づくAIベースのCSIフィードバックを提案する。 シミュレーションの結果,AIに基づく提案したアーキテクチャは,最先端の高分解能線形組合せ符号ブックよりも優れていた。
  論文  参考訳（メタデータ） (2022-02-02T19:04:49Z)
• CSI Feedback with Model-Driven Deep Learning of Massive MIMO Systems [0.0]
  モデル駆動深層学習に基づく2段階低ランクCSIフィードバック方式を提案する。 さらに、より効率的なCSIフィードバックを実現するために、高速反復収縮しきい値アルゴリズム(FISTA)を展開させることにより、FISTA-Netというディープ反復ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2021-12-13T03:50:43Z)
• Deep Learning-based Implicit CSI Feedback in Massive MIMO [68.81204537021821]
  ニューラルネットワーク(NN)を用いて,プリコーディング行列インジケータ(PMI)符号化とデコードモジュールを置き換える,低オーバヘッド特性を継承するDLベースの暗黙的フィードバックアーキテクチャを提案する。 1つのリソースブロック(RB)では、2つのアンテナ構成下のタイプIコードブックと比較して25.0%と40.0%のオーバーヘッドを節約できる。
  論文  参考訳（メタデータ） (2021-05-21T02:43:02Z)
• 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)

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。