Fugu-MT 論文翻訳(概要): A CNN-based End-to-End Learning for RIS-assisted Communication System

論文の概要: A CNN-based End-to-End Learning for RIS-assisted Communication System

arxiv url: http://arxiv.org/abs/2503.13976v1
Date: Tue, 18 Mar 2025 07:24:55 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-19 14:15:10.254646
Title: A CNN-based End-to-End Learning for RIS-assisted Communication System
Title（参考訳）: RIS支援通信システムのためのCNNによるエンドツーエンド学習
Authors: Nipuni Ginige, Nandana Rajatheva, Matti Latva-aho,
Abstract要約: RIS支援通信システムの送信機,受信機,RISを協調的に最適化する新しいCNNベースのオートエンコーダを提案する。 CNNベースのオートエンコーダシステムのビット誤り率(BER)性能は、RIS支援通信システムの理論的BER性能よりも優れていることを示す。
参考スコア（独自算出の注目度）: 10.177301687464238
License:
Abstract: Reconfigurable intelligent surface (RIS) is an emerging technology that is used to improve the system performance in beyond 5G systems. In this letter, we propose a novel convolutional neural network (CNN)-based autoencoder to jointly optimize the transmitter, the receiver, and the RIS of a RIS-assisted communication system. The proposed system jointly optimizes the sub-tasks of the transmitter, the receiver, and the RIS such as encoding/decoding, channel estimation, phase optimization, and modulation/demodulation. Numerically we have shown that the bit error rate (BER) performance of the CNN-based autoencoder system is better than the theoretical BER performance of the RIS-assisted communication systems.
Abstract（参考訳）: 再構成可能なインテリジェントサーフェス(RIS)は、5Gシステムを超えてシステム性能を改善するために使用される新興技術である。本稿では,新しい畳み込みニューラルネットワーク(CNN)ベースのオートエンコーダを提案する。提案システムは、符号化/復号化、チャネル推定、位相最適化、変調/復調などの送信機、受信機、RISのサブタスクを共同で最適化する。 CNNベースのオートエンコーダシステムのビット誤り率(BER)性能は、RIS支援通信システムの理論的BER性能よりも優れていることを示す。

関連論文リスト

Semantic Successive Refinement: A Generative AI-aided Semantic Communication Framework [27.524671767937512]
本稿では,単一ユーザシナリオを対象とした新しいジェネレーティブAIセマンティックコミュニケーション(GSC)システムを提案する。送信側では、Swin Transformerをベースとしたジョイントソースチャネル符号化機構を用いて、効率的なセマンティック特徴抽出を行う。受信側では、高度な拡散モデル(DM)が劣化した信号から高品質な画像を再構成し、知覚の詳細を高める。
論文参考訳（メタデータ） (2024-07-31T06:08:51Z)
Machine Learning-Based Channel Prediction for RIS-assisted MIMO Systems With Channel Aging [11.867884158309373]
再構成可能なインテリジェントサーフェス (RIS) は,第6世代 (6G) および通信システムを越えた性能向上のための有望な技術として登場した。 RISの受動的性質とその多数の反射要素は、チャネル推定プロセスに困難をもたらす。本稿では、自己回帰(AR)予測器と統合された畳み込みニューラルネットワーク(CNN)に基づく、RIS支援マルチインプットマルチアウトプット(MIMO)システムのための拡張チャネル推定フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-09T19:45:49Z)
Causal Semantic Communication for Digital Twins: A Generalizable Imitation Learning Approach [74.25870052841226]
デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。 DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
論文参考訳（メタデータ） (2023-04-25T00:15:00Z)
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)
Phase Shift Design in RIS Empowered Wireless Networks: From Optimization to AI-Based Methods [83.98961686408171]
再構成可能なインテリジェントサーフェス(RIS)は、無線ネットワークのための無線伝搬環境をカスタマイズする革命的な機能を持つ。無線システムにおけるRISの利点を完全に活用するには、反射素子の位相を従来の通信資源と共同で設計する必要がある。本稿では、RISが課す制約を扱うための現在の最適化手法と人工知能に基づく手法についてレビューする。
論文参考訳（メタデータ） (2022-04-28T09:26:14Z)
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)
Autoencoder-based Communications with Reconfigurable Intelligent Surfaces [40.65785117824341]
本稿では、再構成可能なインテリジェントサーフェス(RIS)と送受信器ペアの結合設計に関する新しいアプローチを提案する。 RISはソフトウェアで定義された単位セルの配列であり、散乱と反射プロファイルで制御でき、送信機から受信機への受信信号に焦点を合わせることができる。送信機-受信機ペアの動作は、受信機におけるエンドツーエンド通信性能を最適化するために、ディープニューラルネットワーク(DNN)のセットとして一緒に訓練される。
論文参考訳（メタデータ） (2021-12-08T18:02:35Z)
Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文参考訳（メタデータ） (2021-07-27T06:57:56Z)
Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文参考訳（メタデータ） (2020-07-27T12:38:37Z)
Millimeter Wave Communications with an Intelligent Reflector: Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
論文参考訳（メタデータ） (2020-02-24T22:18:54Z)

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。