論文の概要: Neural Network-based Vehicular Channel Estimation Performance: Effect of Noise in the Training Set

• arxiv url: http://arxiv.org/abs/2502.06824v1
• Date: Wed, 05 Feb 2025 09:29:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:09:43.018363
• Title: Neural Network-based Vehicular Channel Estimation Performance: Effect of Noise in the Training Set
• Title（参考訳）: ニューラルネットワークを用いた車体流路推定性能:トレーニングセットにおける騒音の影響
• Authors: Simbarashe Aldrin Ngorima, Albert Helberg, Marelie H. Davel,
• Abstract要約: 車両通信システムは、高モビリティと急速に変化する環境のために重大な課題に直面している。 これらの課題に対処するために、ニューラルネットワーク(NN)に基づくチャネル推定法が提案されている。 本研究では,混合SNRデータセットに対するNNチャネル推定器の訓練効果について検討した。
• 参考スコア（独自算出の注目度）: 0.5530212768657544
• License:
• Abstract: Vehicular communication systems face significant challenges due to high mobility and rapidly changing environments, which affect the channel over which the signals travel. To address these challenges, neural network (NN)-based channel estimation methods have been suggested. These methods are primarily trained on high signal-to-noise ratio (SNR) with the assumption that training a NN in less noisy conditions can result in good generalisation. This study examines the effectiveness of training NN-based channel estimators on mixed SNR datasets compared to training solely on high SNR datasets, as seen in several related works. Estimators evaluated in this work include an architecture that uses convolutional layers and self-attention mechanisms; a method that employs temporal convolutional networks and data pilot-aided estimation; two methods that combine classical methods with multilayer perceptrons; and the current state-of-the-art model that combines Long-Short-Term Memory networks with data pilot-aided and temporal averaging methods as post processing. Our results indicate that using only high SNR data for training is not always optimal, and the SNR range in the training dataset should be treated as a hyperparameter that can be adjusted for better performance. This is illustrated by the better performance of some models in low SNR conditions when trained on the mixed SNR dataset, as opposed to when trained exclusively on high SNR data.
• Abstract（参考訳）: 車両通信システムは、信号が移動するチャネルに影響を与える高モビリティと急速に変化する環境のために、重大な課題に直面している。 これらの課題に対処するために、ニューラルネットワーク(NN)に基づくチャネル推定法が提案されている。 これらの手法は主にSNR(High Signal-to-Noise ratio)に基づいて訓練されており、NNの雑音の少ない条件下でのトレーニングは良い一般化をもたらすと仮定している。 本研究は, NN-based channel estimator の混合 SNR データセットに対するトレーニングの有効性について, 高 SNR データセットのみを用いたトレーニングと比較して検討した。 この研究で評価された推定手法には、畳み込み層と自己アテンション機構を使用するアーキテクチャ、時間的畳み込みネットワークとデータパイロット支援推定を利用する手法、古典的手法と多層パーセプトロンを組み合わせる2つの方法、そして、長期記憶ネットワークとデータパイロット支援および時間平均化手法をポスト処理として組み合わせた現在の最先端モデルが含まれる。 以上の結果から,高いSNRデータのみをトレーニングに使用することが必ずしも最適ではなく,トレーニングデータセットのSNR範囲をハイパーパラメータとして扱うことで,パフォーマンスを向上できる可能性が示唆された。 これは、混合SNRデータセットでトレーニングされた場合と、高SNRデータでのみトレーニングされた場合とでは対照的に、低SNR条件下でのモデルの性能の向上によって説明できる。

関連論文リスト

• Hybrid Data-Driven SSM for Interpretable and Label-Free mmWave Channel Prediction [15.984639104292352]
  本稿では,データ駆動型ニューラルネットワークを従来のモデルベースワークフローに統合するハイブリッド手法を提案する。 ラベルのないデータだけで組み込みニューラルネットワークをトレーニングするために、新しい教師なし学習戦略が開発された。
  論文  参考訳（メタデータ） (2024-11-18T13:54:44Z)
• Heterogeneous Learning Rate Scheduling for Neural Architecture Search on Long-Tailed Datasets [0.0]
  本稿では,DARTSのアーキテクチャパラメータに適した適応学習率スケジューリング手法を提案する。 提案手法は,学習エポックに基づくアーキテクチャパラメータの学習率を動的に調整し,よく訓練された表現の破壊を防止する。
  論文  参考訳（メタデータ） (2024-06-11T07:32:25Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Diffusion-based Generative Prior for Low-Complexity MIMO Channel Estimation [12.192048506302015]
  本研究は拡散モデルに基づく新しいチャネル推定器を提案する。 信号対雑音比(SNR)情報を位置埋め込みしたCNNは、疎角領域におけるチャネル分布を学習して設計する。 その結果, 生成前駆体を用いた最先端チャネル推定装置よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-03-06T08:47:31Z)
• Low-Resource Music Genre Classification with Cross-Modal Neural Model Reprogramming [129.4950757742912]
  ニューラルモデル再プログラミング(NMR)の概念に基づく低リソース(音楽)分類のための事前学習モデルを活用する新しい手法を提案する。 NMRは、凍結した事前学習モデルの入力を変更することにより、ソースドメインからターゲットドメインへの事前学習モデルの再取得を目指している。 実験結果から,大規模データセットに事前学習したニューラルモデルは,この再プログラミング手法を用いて,音楽ジャンルの分類に成功できることが示唆された。
  論文  参考訳（メタデータ） (2022-11-02T17:38:33Z)
• Being a Bit Frequentist Improves Bayesian Neural Networks [76.73339435080446]
  OODを訓練したBNNは、近年の頻繁なベースラインに劣らず、競争力があることを示す。 この研究はベイジアンおよび頻繁なUQにおける将来の研究の強力なベースラインを提供する。
  論文  参考訳（メタデータ） (2021-06-18T11:22:42Z)
• A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
  本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。 得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
  論文  参考訳（メタデータ） (2021-04-19T14:43:07Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• Deep Time Delay Neural Network for Speech Enhancement with Full Data Learning [60.20150317299749]
  本稿では,全データ学習による音声強調のためのディープタイム遅延ニューラルネットワーク(TDNN)を提案する。 トレーニングデータを完全に活用するために,音声強調のための完全なデータ学習手法を提案する。
  論文  参考訳（メタデータ） (2020-11-11T06:32:37Z)
• Centimeter-Level Indoor Localization using Channel State Information with Recurrent Neural Networks [12.193558591962754]
  本稿では,線形アンテナから収集した実CSIデータを用いて,センチメートルレベルの屋内位置推定を行うニューラルネットワーク手法を提案する。 チャネル応答の振幅または相関行列を入力として使用することにより、データサイズを大幅に削減し、ノイズを抑制することができる。 また、リカレントニューラルネットワーク(RNN)と信号雑音比(SNR)情報によるユーザ動作軌跡の整合性を利用して、推定精度をさらに向上する。
  論文  参考訳（メタデータ） (2020-02-04T17:10:18Z)

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。