論文の概要: Channel Estimation by Infinite Width Convolutional Networks

• arxiv url: http://arxiv.org/abs/2504.08660v1
• Date: Fri, 11 Apr 2025 16:01:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:18:11.719783
• Title: Channel Estimation by Infinite Width Convolutional Networks
• Title（参考訳）: 無限幅畳み込みネットワークによるチャネル推定
• Authors: Mohammed Mallik, Guillaume Villemaud,
• Abstract要約: 無線通信では、OFDMシステム内のチャネルの推定は周波数と時間にまたがる。 ディープラーニング推定器は、正確なチャネル推定を生成するために、大量のトレーニングデータ、計算資源、真のチャネルを必要とする。 畳み込みニューラルネットワーク(CNTK)は、訓練力学を閉形式方程式で表現できる無限に広い畳み込みネットワークから導出される。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In wireless communications, estimation of channels in OFDM systems spans frequency and time, which relies on sparse collections of pilot data, posing an ill-posed inverse problem. Moreover, deep learning estimators require large amounts of training data, computational resources, and true channels to produce accurate channel estimates, which are not realistic. To address this, a convolutional neural tangent kernel (CNTK) is derived from an infinitely wide convolutional network whose training dynamics can be expressed by a closed-form equation. This CNTK is used to impute the target matrix and estimate the missing channel response using only the known values available at pilot locations. This is a promising solution for channel estimation that does not require a large training set. Numerical results on realistic channel datasets demonstrate that our strategy accurately estimates the channels without a large dataset and significantly outperforms deep learning methods in terms of speed, accuracy, and computational resources.
• Abstract（参考訳）: 無線通信では、OFDMシステムのチャネル推定は周波数と時間にまたがっており、パイロットデータの少ない収集に依存しており、不適切な逆問題を引き起こしている。 さらに、ディープラーニング推定器は、正確なチャネル推定を生成するために、大量のトレーニングデータ、計算資源、真のチャネルを必要とするが、現実的ではない。 これを解決するために、畳み込みニューラルネットワーク(CNTK)は、訓練力学を閉形式方程式で表現できる無限に広い畳み込みネットワークから導出される。 このCNTKは、パイロットロケーションで利用可能な既知の値のみを使用して、ターゲット行列をインプットし、行方不明なチャネル応答を推定するために使用される。 これは、大規模なトレーニングセットを必要としないチャネル推定のための有望なソリューションである。 現実的なチャネルデータセットの数値的な結果から,我々の戦略は,大規模なデータセットを使わずに正確にチャネルを推定し,高速化,精度,計算資源の点でディープラーニング手法を著しく上回ることを示す。

関連論文リスト

• 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)
• An Efficient Machine Learning-based Channel Prediction Technique for OFDM Sub-Bands [0.0]
  我々はOFDMサブバンドにおけるチャネル予測のための効率的な機械学習(ML)に基づく手法を提案する。 提案手法の新規性は、選択的なフェーディングにおける将来のチャネル挙動を推定するために使用されるチャネルフェーディングサンプルのトレーニングにある。
  論文  参考訳（メタデータ） (2023-05-31T09:41:27Z)
• Deep Learning Based Channel Estimation in High Mobility Communications Using Bi-RNN Networks [7.310043452300738]
  本稿では,2重選択チャネルを正確に推定する最適化された双方向リカレントニューラルネットワーク (Bi-RNN) を用いたチャネル推定手法を提案する。 開発されたBi-GRU推定器は、最近提案されたCNNベースの推定器を、異なる移動シナリオで大幅に上回っている。
  論文  参考訳（メタデータ） (2023-04-29T09:20:28Z)
• Efficient Deep Unfolding for SISO-OFDM Channel Estimation [0.0]
  スパースリカバリ技術を用いてSISO-OFDMチャネル推定を行うことができる。 本稿では,この制約を緩和するために,展開ニューラルネットワークを用いる。 教師なしのオンライン学習は、推定性能を高めるためにシステムの欠陥を学習することができる。
  論文  参考訳（メタデータ） (2022-10-11T11:29:54Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• Low Complexity Channel estimation with Neural Network Solutions [1.0499453838486013]
  我々は、ダウンリンクシナリオでチャネル推定を実現するために、一般的な残差畳み込みニューラルネットワークをデプロイする。 チャネル推定における他のディープラーニング手法と比較して,平均二乗誤差計算の改善が示唆された。
  論文  参考訳（メタデータ） (2022-01-24T19:55:10Z)
• 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)
• 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)
• FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
  本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。 複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。 得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
  論文  参考訳（メタデータ） (2020-11-14T11:29:55Z)
• Federated Learning for Channel Estimation in Conventional and RIS-Assisted Massive MIMO [12.487990897680422]
  機械学習によるチャネル推定では、通常、受信したパイロット信号を入力として、チャネルデータを出力として含むデータセットのモデルトレーニングが必要となる。 以前の研究では、モデルトレーニングは主に中央集権学習(CL)を通じて行われ、トレーニングデータセット全体がベースステーション(BS)のユーザから収集される。 チャネル推定のためのフェデレートラーニング(FL)フレームワークを提案する。BSに送信することなく、ユーザのローカルデータセットに基づいてトレーニングされた畳み込みニューラルネットワーク(CNN)を設計する。 雑音および量子化モデル伝送の性能評価を行い,提案手法がCLの約16倍のオーバヘッドを提供することを示す。
  論文  参考訳（メタデータ） (2020-08-25T06:51:18Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)

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。