論文の概要: Neural Network-based Information-Theoretic Transceivers for High-Order Modulation Schemes
- arxiv url: http://arxiv.org/abs/2506.00368v1
- Date: Sat, 31 May 2025 03:22:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-04 21:47:32.802686
- Title: Neural Network-based Information-Theoretic Transceivers for High-Order Modulation Schemes
- Title（参考訳）: ニューラルネットワークに基づく高次変調スキームのための情報理論変換器
- Authors: Ngoc Long Pham, Tri Nhu Do,
- Abstract要約: ニューラルネットワーク(NN)ベースのエンドツーエンド通信システム(E2E)は、人工知能(Al)ネイティブなE2Eシステムを開発するための潜在的なツールとして研究されている。
本稿では,ベースラインデマッパーに匹敵する性能を維持しつつ,計算効率を向上させるNNベースのビットワイズ受信機を提案する。
物理層における送信機と受信機を協調的に最適化する新しいシンボルワイドオートエンコーダ(AE)ベースのE2Eシステムを提案する。
- 参考スコア（独自算出の注目度）: 2.295863158976069
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural network (NN)-based end-to-end (E2E) communication systems, in which each system component may consist of a portion of a neural network, have been investigated as potential tools for developing artificial intelligence (Al)-native E2E systems. In this paper, we propose an NN-based bitwise receiver that improves computational efficiency while maintaining performance comparable to baseline demappers. Building on this foundation, we introduce a novel symbol-wise autoencoder (AE)-based E2E system that jointly optimizes the transmitter and receiver at the physical layer. We evaluate the proposed NN-based receiver using bit-error rate (BER) analysis to confirm that the numerical BER achieved by NN-based receivers or transceivers is accurate. Results demonstrate that the AE-based system outperforms baseline architectures, particularly for higher-order modulation schemes. We further show that the training signal-to-noise ratio (SNR) significantly affects the performance of the systems when inference is conducted at different SNR levels.
- Abstract（参考訳）: ニューラルネットワーク(NN)に基づくエンド・ツー・エンド(E2E)通信システムでは,各システムコンポーネントがニューラルネットワークの一部を構成することが可能であり,人工知能(Al)ネイティブなE2Eシステムを開発するための潜在的ツールとして検討されている。
本稿では,ベースラインデマッパーに匹敵する性能を維持しつつ,計算効率を向上するNNベースのビットワイズ受信機を提案する。
この基礎の上に構築された新しいシンボルワイドオートエンコーダ(AE)ベースのE2Eシステムにより,物理層における送信機と受信機を協調的に最適化する。
提案したNN受信機をビットエラー率(BER)解析により評価し,NN受信機やトランシーバが達成した数値BERが正確であることを確認した。
AEベースのシステムは,特に高次変調方式において,ベースラインアーキテクチャよりも優れていることを示す。
さらに,SNRレベルの推論を行う場合,SNRの訓練信号-雑音比(トレーニング信号-雑音比)がシステムの性能に大きく影響することを示す。
関連論文リスト
- Novel Deep Neural OFDM Receiver Architectures for LLR Estimation [1.2499537119440243]
チャネル推定と等化処理を行う2つのOFDM受信機を提案する。
シミュレーションの結果,DATとRDNLAは従来の通信システムと既存のニューラルレシーバモデルの両方より優れていた。
論文 参考訳（メタデータ） (2025-03-26T12:39:56Z) - A CNN-based End-to-End Learning for RIS-assisted Communication System [10.177301687464238]
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。
論文 参考訳（メタデータ） (2025-03-18T07:24:55Z) - Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。
スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。
分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。
本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - SICNN: Soft Interference Cancellation Inspired Neural Network Equalizers [1.6451639748812472]
我々はSICNNと呼ばれる新しいニューラルネットワーク(NN)ベースのアプローチを提案する。
SICNNはモデルに基づく反復型ソフト干渉キャンセル(SIC)法を深く展開して設計されている。
提案したNNベースの等化器のビット誤り率性能と最先端のモデルベースおよびNNベースのアプローチとの比較を行った。
論文 参考訳（メタデータ） (2023-08-24T06:40:54Z) - 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) - PulseDL-II: A System-on-Chip Neural Network Accelerator for Timing and
Energy Extraction of Nuclear Detector Signals [3.307097167756987]
本稿では,深層学習を持つパルスからイベント特徴(時間,エネルギーなど)を抽出するためのシステムオンチップ(SoC)であるPulseDL-IIを紹介する。
提案システムは, 47.4dBの信号対雑音比(SNR)において, オンラインニューラルネットワークを用いた60psの時間分解能と0.40%のエネルギー分解能を得た。
論文 参考訳（メタデータ） (2022-09-02T08:52:21Z) - A novel Deep Neural Network architecture for non-linear system
identification [78.69776924618505]
非線形システム識別のための新しいDeep Neural Network (DNN)アーキテクチャを提案する。
メモリシステムにインスパイアされたインダクティブバイアス(アーキテクチャ)と正規化(損失関数)を導入する。
このアーキテクチャは、利用可能なデータのみに基づいて、自動的な複雑性の選択を可能にする。
論文 参考訳（メタデータ） (2021-06-06T10:06:07Z) - Neural Architecture Search For LF-MMI Trained Time Delay Neural Networks [61.76338096980383]
TDNN(State-of-the-the-art Factored Time delay Neural Network)の2種類のハイパーパラメータを自動的に学習するために、さまざまなニューラルネットワークサーチ(NAS)技術が使用されている。
DARTSメソッドはアーキテクチャ選択とLF-MMI(格子のないMMI)TDNNトレーニングを統合する。
300時間のSwitchboardコーパスで行われた実験では、自動構成システムはベースラインLF-MMI TDNNシステムより一貫して優れていることが示唆された。
論文 参考訳（メタデータ） (2020-07-17T08:32:11Z)
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。