論文の概要: DM-SBL: Channel Estimation under Structured Interference

• arxiv url: http://arxiv.org/abs/2412.05582v1
• Date: Sat, 07 Dec 2024 08:26:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:52:27.151539
• Title: DM-SBL: Channel Estimation under Structured Interference
• Title（参考訳）: DM-SBL:構造的干渉によるチャネル推定
• Authors: Yifan Wang, Chengjie Yu, Jiang Zhu, Fangyong Wang, Xingbin Tu, Yan Wei, Fengzhong Qu,
• Abstract要約: チャネル推定は通信システムの基本課題であり、効率的な復調に不可欠である。 この研究は、ホワイトガウスノイズ(AWGN)と構造化干渉が共存するより困難なシナリオに対処する。 これらのシナリオにおいて正確なチャネル推定を保証するために、遅延領域内のチャネルの間隔と干渉の複雑な構造を併用する。
• 参考スコア（独自算出の注目度）: 6.94612534055972
• License:
• Abstract: Channel estimation is a fundamental task in communication systems and is critical for effective demodulation. While most works deal with a simple scenario where the measurements are corrupted by the additive white Gaussian noise (AWGN), this work addresses the more challenging scenario where both AWGN and structured interference coexist. Such conditions arise, for example, when a sonar/radar transmitter and a communication receiver operate simultaneously within the same bandwidth. To ensure accurate channel estimation in these scenarios, the sparsity of the channel in the delay domain and the complicate structure of the interference are jointly exploited. Firstly, the score of the structured interference is learned via a neural network based on the diffusion model (DM), while the channel prior is modeled as a Gaussian distribution, with its variance controlling channel sparsity, similar to the setup of the sparse Bayesian learning (SBL). Then, two efficient posterior sampling methods are proposed to jointly estimate the sparse channel and the interference. Nuisance parameters, such as the variance of the prior are estimated via the expectation maximization (EM) algorithm. The proposed method is termed as DM based SBL (DM-SBL). Numerical simulations demonstrate that DM-SBL significantly outperforms conventional approaches that deal with the AWGN scenario, particularly under low signal-to-interference ratio (SIR) conditions. Beyond channel estimation, DM-SBL also shows promise for addressing other linear inverse problems involving structured interference.
• Abstract（参考訳）: チャネル推定は通信システムの基本課題であり、効率的な復調に不可欠である。 ほとんどの研究は、付加的な白色ガウスノイズ(AWGN)によって測定が破損する単純なシナリオを扱うが、この研究は、AWGNと構造化干渉が共存するより困難なシナリオに対処する。 このような条件は、例えばソナー/レーダー送信機と通信受信機が同時に同じ帯域内で動作した場合に発生する。 これらのシナリオにおいて正確なチャネル推定を保証するために、遅延領域内のチャネルの間隔と干渉の複雑な構造を併用する。 第一に、構造化された干渉のスコアは拡散モデル(DM)に基づいてニューラルネットワークを介して学習され、一方、チャネル事前は、スパースベイズ学習(SBL)のセットアップと同様、その分散制御チャネル空間の分散を伴うガウス分布としてモデル化される。 次に、スパースチャネルと干渉を共同で推定する2つの効率的な後方サンプリング手法を提案する。 予測最大化(EM)アルゴリズムにより、前者の分散などのニュアンスパラメータを推定する。 提案手法は, DM-SBL (DM-SBL) と呼ばれる。 シミュレーションにより、DM-SBLは、特に低信号対干渉比(SIR)条件下で、AWGNシナリオに対処する従来の手法よりも大幅に優れていることが示された。 チャネル推定以外にも、DM-SBLは構造的干渉を含む他の線形逆問題に対処することを約束している。

関連論文リスト

• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Asymmetric Diffusion Based Channel-Adaptive Secure Wireless Semantic Communications [5.539381022630274]
  拡散モデルと深部強化学習(DRL)を利用したセキュアな意味コミュニケーションシステムDiffuSeCを提案する。 送信側端の拡散モジュールと受信側端の非対称なdenoisingモジュールにより、DiffuSeCはセマンティックアタックによって追加された摂動を緩和する。 セマンティックアタックによる不安定なチャネル条件下でのロバスト性をさらに向上するため,DRLに基づくチャネル適応拡散ステップ選択方式を開発した。
  論文  参考訳（メタデータ） (2023-10-30T11:00:47Z)
• Deep Autoencoder-based Z-Interference Channels with Perfect and Imperfect CSI [14.04355073946466]
  本稿では,Z-Interference Channel (ZIC) 上でのエンド・ツー・エンド・エンド通信のためのDeep Autoencoder (DAE) ベースの構造について述べる。 提案した構造は、2つのエンコーダ/デコーダペアを共同で最適化し、干渉強度に基づいてそれらの形状を動的に適応させてビット誤り率(BER)を最小化する干渉対応コンステレーションを生成する。 DAEには、平均的な電力制約を保証し、構造が一様でない星座を生成できるように、インフェーズ/クアクラチャ相(I/Q)の電力割り当て層が導入された。
  論文  参考訳（メタデータ） (2023-10-23T15:23:42Z)
• 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)
• Data-Driven Blind Synchronization and Interference Rejection for Digital Communication Signals [98.95383921866096]
  本研究では,データ駆動型深層学習手法の可能性について検討した。 本研究では,高分解能時間構造(非定常性)の取得が性能向上につながることを示す。 既製のNNと古典的検出と干渉除去の両方で改善可能なドメインインフォームドニューラルネットワーク(NN)の設計を提案する。
  論文  参考訳（メタデータ） (2022-09-11T14:10:37Z)
• 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)
• 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)
• Channel Parameter Estimation in the Presence of Phase Noise Based on Maximum Correntropy Criterion [6.47243430672461]
  AWGNチャネルは、位相雑音に伴う送信信号がガウス雑音に付加される。 我々は、情報理論学習(ITL)基準を用いて、この位相ノイズチャネル推定を解析する。 MSEとMCCを組み合わせた新しい混合LMSアルゴリズムにより収束率を向上させる。
  論文  参考訳（メタデータ） (2021-12-15T08:26:07Z)
• 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)
• Federated Learning over Noisy Channels: Convergence Analysis and Design Examples [17.89437720094451]
  Federated Learning (FL) は、アップリンク通信とダウンリンク通信の両方にエラーがある場合に機能します。 flはどの程度の通信ノイズを処理できるのか,学習性能に与える影響は何か? この作業は、flパイプラインにアップリンクとダウンリンクの両方のノイズチャネルを明示的に組み込むことで、これらの事実上重要な質問に答えることに費やされている。
  論文  参考訳（メタデータ） (2021-01-06T18:57:39Z)

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。