論文の概要: A Low-complexity Structured Neural Network Approach to Intelligently Realize Wideband Multi-beam Beamformers
- arxiv url: http://arxiv.org/abs/2503.20694v1
- Date: Wed, 26 Mar 2025 16:25:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-27 13:19:37.318834
- Title: A Low-complexity Structured Neural Network Approach to Intelligently Realize Wideband Multi-beam Beamformers
- Title（参考訳）: 低複素構造ニューラルネットワークによる広帯域マルチビームビームフォーマの知能化
- Authors: Hansaka Aluvihare, Sivakumar Sivasankar, Xianqi Li, Arjuna Madanayake, Sirani M. Perera,
- Abstract要約: True-time-delay (TTD) ビームフォーマはアナログ信号領域とデジタル信号領域の両方で広帯域でスキントフリーなビームを生成することができる。
ニューラルネットワーク(NN)アーキテクチャを用いて,構造重み付け行列とサブマトリクスを用いた広帯域マルチビームビームフォーマを実現する。
- 参考スコア（独自算出の注目度）: 1.0800018167486123
- License:
- Abstract: True-time-delay (TTD) beamformers can produce wideband, squint-free beams in both analog and digital signal domains, unlike frequency-dependent FFT beams. Our previous work showed that TTD beamformers can be efficiently realized using the elements of delay Vandermonde matrix (DVM), answering the longstanding beam-squint problem. Thus, building on our work on classical algorithms based on DVM, we propose neural network (NN) architecture to realize wideband multi-beam beamformers using structure-imposed weight matrices and submatrices. The structure and sparsity of the weight matrices and submatrices are shown to reduce the space and computational complexities of the NN greatly. The proposed network architecture has O(pLM logM) complexity compared to a conventional fully connected L-layers network with O(M2L) complexity, where M is the number of nodes in each layer of the network, p is the number of submatrices per layer, and M >> p. We will show numerical simulations in the 24 GHz to 32 GHz range to demonstrate the numerical feasibility of realizing wideband multi-beam beamformers using the proposed neural architecture. We also show the complexity reduction of the proposed NN and compare that with fully connected NNs, to show the efficiency of the proposed architecture without sacrificing accuracy. The accuracy of the proposed NN architecture was shown using the mean squared error, which is based on an objective function of the weight matrices and beamformed signals of antenna arrays, while also normalizing nodes. The proposed NN architecture shows a low-complexity NN realizing wideband multi-beam beamformers in real-time for low-complexity intelligent systems.
- Abstract（参考訳）: True-time-delay (TTD) ビームフォーマは、周波数依存のFFTビームとは異なり、アナログ信号領域とデジタル信号領域の両方で広帯域、スキントフリービームを生成することができる。
以上の結果から,TTDビームフォーマを遅延ヴァンダーモンド行列 (DVM) の要素を用いて効率よく実現できることが示唆された。
そこで,本研究では,DVMに基づく古典的アルゴリズムを基礎として,ニューラルネットワーク(NN)アーキテクチャを提案し,構造的重み付け行列とサブマトリクスを用いた広帯域マルチビームビームフォーマを実現する。
ウェイト行列とサブ行列の構造と空間性は、NNの空間と計算複雑性を大幅に減少させる。
提案したネットワークアーキテクチャはO(pLM logM)複雑性を持ち、O(M2L)複雑性を持つ従来の全連結L層ネットワークと比較すると、Mはネットワークの各層におけるノード数、pは層毎のサブマトリクス数、M>>pである。
提案したニューラルネットワークを用いた広帯域マルチビームビームフォーマの実現可能性を示すため,24GHzから32GHzの範囲で数値シミュレーションを行う。
また,提案したNNの複雑性の低減を図り,完全に連結されたNNと比較し,提案アーキテクチャの効率性を精度を犠牲にすることなく示す。
提案したNNアーキテクチャの精度は平均二乗誤差を用いて示され、これはアンテナアレイの重み行列とビームフォーミング信号の目的関数に基づいており、ノードの正規化も行っている。
提案したNNアーキテクチャは、低複雑さのインテリジェントシステムのために、広帯域マルチビームビームフォーマをリアルタイムに実現した低複雑さNNである。
関連論文リスト
- 1-bit Quantized On-chip Hybrid Diffraction Neural Network Enabled by Authentic All-optical Fully-connected Architecture [4.594367761345624]
本研究では,行列乗算をDNNに組み込んだ新しいアーキテクチャであるHybrid Diffraction Neural Network(HDNN)を紹介する。
特異位相変調層と振幅変調層を用いて、トレーニングされたニューラルネットワークは、数字認識タスクにおいて96.39%と89%の顕著な精度を示した。
論文 参考訳（メタデータ） (2024-04-11T02:54:17Z) - Signal Detection in MIMO Systems with Hardware Imperfections: Message
Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。
パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。
我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文 参考訳（メタデータ） (2022-10-08T04:32:58Z) - Over-the-Air Split Machine Learning in Wireless MIMO Networks [56.27831295707334]
スプリット機械学習(ML)では、ニューラルネットワーク(NN)の異なるパーティションが異なる計算ノードによって実行される。
通信負担を軽減するため、OAC(Over-the-air calculation)は通信と同時に計算の全てまたは一部を効率的に実装することができる。
論文 参考訳（メタデータ） (2022-10-07T15:39:11Z) - Hybrid-Layers Neural Network Architectures for Modeling the
Self-Interference in Full-Duplex Systems [23.55330151898652]
フル分析(FD)システムは、周波数リソースを介して情報を同時送信する。
本稿では、低複雑性でローカライズされた2つの新しいハイブリッド層ニューラルネットワーク(NN)アーキテクチャを提案する。
提案されたNNは、隠れた層(例えば密度の高い層)を組み合わせて、最先端のNNベースのキャンセラよりも計算複雑性の低いSIをモデル化する。
論文 参考訳（メタデータ） (2021-10-18T14:18:56Z) - Joint Deep Reinforcement Learning and Unfolding: Beam Selection and
Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。
本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
論文 参考訳（メタデータ） (2021-01-05T03:55:04Z) - Wide-band butterfly network: stable and efficient inversion via
multi-frequency neural networks [1.2891210250935143]
広帯域散乱データから逆散乱マップを近似するために,広帯域蝶ネットワーク(WideBNet)と呼ばれるエンドツーエンドのディープラーニングアーキテクチャを導入する。
このアーキテクチャでは、バタフライの分解のような計算調和解析や、クーリー・テューキーFFTアルゴリズムのような伝統的なマルチスケール手法のツールが組み込まれている。
論文 参考訳（メタデータ） (2020-11-24T21:48:43Z) - Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。
本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-08T12:48:06Z) - Connecting Weighted Automata, Tensor Networks and Recurrent Neural
Networks through Spectral Learning [58.14930566993063]
我々は、形式言語と言語学からの重み付き有限オートマトン(WFA)、機械学習で使用されるリカレントニューラルネットワーク、テンソルネットワークの3つのモデル間の接続を提示する。
本稿では,連続ベクトル入力の列上に定義された線形2-RNNに対する最初の証明可能な学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-10-19T15:28:00Z) - Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding
Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。
古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。
提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文 参考訳（メタデータ） (2020-06-15T02:57:57Z)
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。