論文の概要: Attention-Aided MMSE for OFDM Channel Estimation: Learning Linear Filters with Attention
- arxiv url: http://arxiv.org/abs/2506.00452v1
- Date: Sat, 31 May 2025 08:12:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-05 01:42:09.191174
- Title: Attention-Aided MMSE for OFDM Channel Estimation: Learning Linear Filters with Attention
- Title（参考訳）: OFDMチャネル推定のための注意支援MMSE:注意を伴う線形フィルタの学習
- Authors: TaeJun Ha, Chaehyun Jung, Hyeonuk Kim, Jeongwoo Park, Jeonghun Park,
- Abstract要約: 本稿では,アテンション変換器を用いて最適MMSEフィルタを学習するアテンション支援型MMSEを提案する。
A-MMSEは、チャネル推定のための単一の線形演算を通じてチャネルを推定し、推論中の非線形活性化を除去する。
提案したA-MMSEのランク適応拡張により、複雑性とチャネル推定精度の間の柔軟なトレードオフが可能になる。
- 参考スコア（独自算出の注目度）: 9.919010430380476
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In orthogonal frequency division multiplexing (OFDM), accurate channel estimation is crucial. Classical signal processing based approaches, such as minimum mean-squared error (MMSE) estimation, often require second-order statistics that are difficult to obtain in practice. Recent deep neural networks based methods have been introduced to address this; yet they often suffer from high complexity. This paper proposes an Attention-aided MMSE (A-MMSE), a novel model-based DNN framework that learns the optimal MMSE filter via the Attention Transformer. Once trained, the A-MMSE estimates the channel through a single linear operation for channel estimation, eliminating nonlinear activations during inference and thus reducing computational complexity. To enhance the learning efficiency of the A-MMSE, we develop a two-stage Attention encoder, designed to effectively capture the channel correlation structure. Additionally, a rank-adaptive extension of the proposed A-MMSE allows flexible trade-offs between complexity and channel estimation accuracy. Extensive simulations with 3GPP TDL channel models demonstrate that the proposed A-MMSE consistently outperforms other baseline methods in terms of normalized MSE across a wide range of SNR conditions. In particular, the A-MMSE and its rank-adaptive extension establish a new frontier in the performance complexity trade-off, redefining the standard for practical channel estimation methods.
- Abstract（参考訳）: 直交周波数分割多重化(OFDM)では,正確なチャネル推定が重要である。
最小平均二乗誤差(MMSE)推定のような古典的な信号処理に基づくアプローチでは、実際には入手が難しい2次統計を必要とすることが多い。
最近のディープニューラルネットワークベースの手法はこの問題に対処するために導入されているが、しばしば複雑さに悩まされる。
本稿では,Attention-aided MMSE (A-MMSE)を提案する。
訓練後、A-MMSEは、チャネル推定のための単一の線形演算を通じてチャネルを推定し、推論中の非線型活性化を排除し、計算複雑性を減少させる。
A-MMSEの学習効率を高めるために,チャネル相関構造を効果的に捕捉する2段アテンションエンコーダを開発した。
さらに、A-MMSEのランク適応拡張により、複雑性とチャネル推定精度の間の柔軟なトレードオフが可能になる。
3GPP TDLチャネルモデルを用いた大規模シミュレーションにより,提案したA-MMSEは,SNR条件の広い範囲にわたる正規化MSEにおいて,他のベースライン法よりも一貫して優れていた。
特に、A-MMSEとそのランク適応拡張は、性能複雑性トレードオフにおける新たなフロンティアを確立し、実用的なチャネル推定方法の標準を再定義する。
関連論文リスト
- Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth
Soft-Thresholding [57.71603937699949]
我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。
トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
論文 参考訳（メタデータ） (2023-09-12T13:03:47Z) - An ML-assisted OTFS vs. OFDM adaptable modem [1.8492669447784602]
OTFSおよびOFDM波形は、レガシーアーキテクチャの再利用、レシーバ設計の単純さ、低複雑さ検出の利点を享受する。
本稿では,送信機におけるOTFSまたはOFDM信号処理チェーンと受信機とを切り替えて,平均二乗誤差(MSE)性能を最適化するディープニューラルネットワーク(DNN)に基づく適応方式を提案する。
論文 参考訳（メタデータ） (2023-09-04T02:33:44Z) - 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) - 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) - 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) - Channel Estimation via Successive Denoising in MIMO OFDM Systems: A Reinforcement Learning Approach [23.57305243608369]
本稿では,強化学習フレームワークに基づく周波数領域の復調手法を提案する。
我々のアルゴリズムは、実用最小二乗推定法(LS)よりも大幅に改善されている。
論文 参考訳（メタデータ） (2021-01-25T18:33:54Z) - Machine Learning for MU-MIMO Receive Processing in OFDM Systems [14.118477167150143]
従来の線形最小平均二乗誤差(LMMSE)アーキテクチャ上に構築したML強化MU-MIMO受信機を提案する。
cnnはチャネル推定誤差の2次統計量の近似を計算するために用いられる。
CNNベースのデマッパーは、多数の周波数分割多重記号とサブキャリアを共同で処理する。
論文 参考訳（メタデータ） (2020-12-15T09:55:37Z) - Deep Denoising Neural Network Assisted Compressive Channel Estimation
for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。
我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。
完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
論文 参考訳（メタデータ） (2020-06-03T12:18:57Z)
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。