論文の概要: Model-based learning for joint channel estimationand hybrid MIMO precoding

• arxiv url: http://arxiv.org/abs/2505.04255v2
• Date: Tue, 10 Jun 2025 09:03:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:39.964077
• Title: Model-based learning for joint channel estimationand hybrid MIMO precoding
• Title（参考訳）: 結合チャネル推定とハイブリッドMIMOプリコーディングのためのモデルベース学習
• Authors: Nay Klaimi, Amira Bedoui, Clément Elvira, Philippe Mary, Luc Le Magoarou,
• Abstract要約: ハイブリッドプリコーディングは、コスト効率の高い大規模マルチインプットマルチアウトプットトランシーバの重要な要素である。 本稿では、受信したパイロットを入力として取り出し、プリコーダを出力するエンドツーエンドアーキテクチャからなる、共同チャネル推定とハイブリッドプリコーディング手法を提案する。 結果として得られるニューラルネットワークは完全にモデルベースであり、軽量で、学習可能なパラメータがほとんどない。
• 参考スコア（独自算出の注目度）: 5.534140394498714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hybrid precoding is a key ingredient of cost-effective massive multiple-input multiple-output transceivers. However, setting jointly digital and analog precoders to optimally serve multiple users is a difficult optimization problem. Moreover, it relies heavily on precise knowledge of the channels, which is difficult to obtain, especially when considering realistic systems comprising hardware impairments. In this paper, a joint channel estimation and hybrid precoding method is proposed, which consists in an end-to-end architecture taking received pilots as inputs and outputting pre-coders. The resulting neural network is fully model-based, making it lightweight and interpretable with very few learnable parameters. The channel estimation step is performed using the unfolded matching pursuit algorithm, accounting for imperfect knowledge of the antenna system, while the precoding step is done via unfolded projected gradient ascent. The great potential of the proposed method is empirically demonstrated on realistic synthetic channels.
• Abstract（参考訳）: ハイブリッドプリコーディングは、コスト効率の高い大規模マルチインプットマルチアウトプットトランシーバの重要な要素である。 しかし、複数のユーザに対して最適なディジタルおよびアナログプリコーダを設定することは、難しい最適化問題である。 さらに、特にハードウェア障害を含む現実的なシステムを考えると、入手が困難であるチャネルの正確な知識に大きく依存する。 本稿では、受信したパイロットを入力として取り出し、プリコーダを出力するエンドツーエンドアーキテクチャからなる、共同チャネル推定とハイブリッドプリコーディング手法を提案する。 結果として得られるニューラルネットワークは完全にモデルベースであり、軽量で、非常に少ない学習可能なパラメータで解釈できる。 チャネル推定ステップは、アンテナシステムの不完全な知識を考慮し、未折りのマッチング追従アルゴリズムを用いて行われ、プリコーディングステップは、未折りの投影勾配上昇によって行われる。 提案手法の大きなポテンシャルは, 現実的な合成チャネル上で実証的に実証されている。

関連論文リスト

• Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
  MISO (Multiple-input Single-output) フレームワークを提案する。 それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
  論文  参考訳（メタデータ） (2025-02-12T18:54:10Z)
• Hybrid Knowledge-Data Driven Channel Semantic Acquisition and Beamforming for Cell-Free Massive MIMO [6.010360758759109]
  本稿では、ユビキタス・拡張現実(XR)アプリケーションのサポートを改善するために、屋外無線システムの進歩に焦点を当てる。 セルレス大規模マルチインプットマルチアウトプット(MIMO)システムにおいて,チャネル意味獲得とマルチユーザビームフォーミングのためのハイブリッド知識データ駆動方式を提案する。
  論文  参考訳（メタデータ） (2023-07-06T15:35:55Z)
• Denoising Diffusion Error Correction Codes [92.10654749898927]
  近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。 最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。 本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
  論文  参考訳（メタデータ） (2022-09-16T11:00:50Z)
• Hybrid Far- and Near-Field Channel Estimation for THz Ultra-Massive MIMO via Fixed Point Networks [15.498866529344275]
  テラヘルツ超大容量多重出力(THz UM-MIMO)は6G無線システムのキーイネーブラーとして想定されている。 我々は適応的複雑性と線形収束保証を備えた効率的なディープラーニングに基づくチャネル推定器を開発した。 アルゴリズムの大きな革新は、任意の深さでニューラルネットワークをモデリングし、ハイブリッドフィールドのチャネル条件に適応しながら、チャネル推定を計算するために固定点を適用することである。
  論文  参考訳（メタデータ） (2022-05-10T14:57:56Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Algorithms for the Communication of Samples [9.442139459221783]
  本稿では,従来の手法よりも現実的に有利な2つの新しい符号化方式を提案する。 まず,命令型ランダムコーディング(ORC)を導入し,従来の手法のコーディングコストを削減する。 次に、ディザレート量子化を用いたハイブリッド符号化方式について述べる。
  論文  参考訳（メタデータ） (2021-10-25T11:04:01Z)
• Unsupervised Deep Learning for Massive MIMO Hybrid Beamforming [1.290382979353427]
  ハイブリッドビームフォーミングは、MIMO(Multiple-input multiple-output)システムの複雑さとコストを低減するための有望な技術である。 本稿では,ハイブリッドビームフォーミングを設計するためのRSSIに基づく非教師なし深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T18:10:36Z)
• 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)
• DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection [98.43451011898212]
  複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。 本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
  論文  参考訳（メタデータ） (2020-02-08T18:31:00Z)

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。