論文の概要: Standards-Compliant DM-RS Allocation via Temporal Channel Prediction for Massive MIMO Systems
- arxiv url: http://arxiv.org/abs/2507.11064v1
- Date: Tue, 15 Jul 2025 07:56:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-16 19:46:03.02414
- Title: Standards-Compliant DM-RS Allocation via Temporal Channel Prediction for Massive MIMO Systems
- Title（参考訳）: 大規模MIMOシステムにおける時間チャネル予測による標準互換性DM-RS割当
- Authors: Sehyun Ryu, Hyun Jong Yang,
- Abstract要約: チャネル予測に基づく参照信号アロケーション(CPRS)の概念を導入する。
CPRSはチャネル予測とDM-RSアロケーションを共同で最適化し、CSIフィードバックを必要とせずにデータスループットを向上させる。
ベンチマーク戦略よりも36.60%のスループット向上を実現しています。
- 参考スコア（独自算出の注目度）: 4.251030047034567
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reducing feedback overhead in beyond 5G networks is a critical challenge, as the growing number of antennas in modern massive MIMO systems substantially increases the channel state information (CSI) feedback demand in frequency division duplex (FDD) systems. To address this, extensive research has focused on CSI compression and prediction, with neural network-based approaches gaining momentum and being considered for integration into the 3GPP 5G-Advanced standards. While deep learning has been effectively applied to CSI-limited beamforming and handover optimization, reference signal allocation under such constraints remains surprisingly underexplored. To fill this gap, we introduce the concept of channel prediction-based reference signal allocation (CPRS), which jointly optimizes channel prediction and DM-RS allocation to improve data throughput without requiring CSI feedback. We further propose a standards-compliant ViViT/CNN-based architecture that implements CPRS by treating evolving CSI matrices as sequential image-like data, enabling efficient and adaptive transmission in dynamic environments. Simulation results using ray-tracing channel data generated in NVIDIA Sionna validate the proposed method, showing up to 36.60% throughput improvement over benchmark strategies.
- Abstract（参考訳）: 5Gネットワークを超えるフィードバックオーバーヘッドを減らすことは重要な課題であり、現代のMIMOシステムにおけるアンテナの増加は、周波数分割デュプレックス(FDD)システムにおけるチャネル状態情報(CSI)フィードバック要求を大幅に増加させる。
これを解決するために、ニューラルネットワークベースのアプローチが勢いを増し、3GPP 5G-Advanced標準への統合が検討されるなど、CSIの圧縮と予測に重点を置いている。
深層学習はCSI制限ビームフォーミングとハンドオーバ最適化に効果的に適用されているが、そのような制約下での参照信号割り当ては驚くほど過小評価されている。
このギャップを埋めるために、チャネル予測に基づく参照信号アロケーション(CPRS)の概念を導入し、CSIフィードバックを必要とせずに、チャネル予測とDM-RSアロケーションを共同で最適化し、データスループットを向上させる。
さらに,進化するCSI行列を逐次的なイメージライクなデータとして扱うことにより,CPRSを実装した標準準拠のViViT/CNNアーキテクチャを提案する。
NVIDIA Sionnaで生成されたレイトレーシングチャネルデータを用いてシミュレーションした結果、提案手法が検証され、ベンチマーク戦略よりも最大36.60%のスループットが向上した。
関連論文リスト
- Channel Fingerprint Construction for Massive MIMO: A Deep Conditional Generative Approach [65.47969413708344]
CF双生児の概念を導入し、条件付き生成拡散モデル(CGDM)を設計する。
本研究では, 粗粒CFに条件付き観測された細粒CFの対数分布に対するエビデンスローバウンド(ELBO)を導出するために, 変分推論手法を用いる。
提案手法は, ベースラインと比較して, 復元性能が著しく向上していることを示す。
論文 参考訳（メタデータ） (2025-05-12T01:36:06Z) - Large Models Enabled Ubiquitous Wireless Sensing [0.33993877661368754]
CSI推定のための既存の手法を概観し、従来のアプローチからデータ駆動アプローチへのシフトを強調した。
本研究では,現実的な環境情報を用いた空間CSI予測のための新しいフレームワークを提案する。
この研究は、無線ネットワーク管理における革新的な戦略の道を開いた。
論文 参考訳（メタデータ） (2024-11-27T12:11:35Z) - 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) - Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable
Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。
しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。
本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
論文 参考訳（メタデータ） (2022-09-18T03:07:37Z) - 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) - PolarDenseNet: A Deep Learning Model for CSI Feedback in MIMO Systems [18.646674391114548]
UEにおけるCSIを低次元の潜在空間に符号化し、基地局で復号する自動エンコーダアーキテクチャに基づくAIベースのCSIフィードバックを提案する。
シミュレーションの結果,AIに基づく提案したアーキテクチャは,最先端の高分解能線形組合せ符号ブックよりも優れていた。
論文 参考訳（メタデータ） (2022-02-02T19:04:49Z) - CSI Feedback with Model-Driven Deep Learning of Massive MIMO Systems [0.0]
モデル駆動深層学習に基づく2段階低ランクCSIフィードバック方式を提案する。
さらに、より効率的なCSIフィードバックを実現するために、高速反復収縮しきい値アルゴリズム(FISTA)を展開させることにより、FISTA-Netというディープ反復ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2021-12-13T03:50:43Z) - Channel Estimation Based on Machine Learning Paradigm for Spatial
Modulation OFDM [0.0]
ディープニューラルネットワーク(DNN)は、レイリーフェディングチャネル上のエンドツーエンドデータ検出のための空間変調直交周波数分割多重化(SM-OFDM)技術と統合されている。
提案システムは受信したシンボルを直接復調し,チャネル推定を暗黙的に行う。
論文 参考訳（メタデータ） (2021-09-15T10:54:56Z) - Deep Learning-based Implicit CSI Feedback in Massive MIMO [68.81204537021821]
ニューラルネットワーク(NN)を用いて,プリコーディング行列インジケータ(PMI)符号化とデコードモジュールを置き換える,低オーバヘッド特性を継承するDLベースの暗黙的フィードバックアーキテクチャを提案する。
1つのリソースブロック(RB)では、2つのアンテナ構成下のタイプIコードブックと比較して25.0%と40.0%のオーバーヘッドを節約できる。
論文 参考訳（メタデータ） (2021-05-21T02:43:02Z) - A Markovian Model-Driven Deep Learning Framework for Massive MIMO CSI
Feedback [32.442094263278605]
前向きチャネル状態情報(CSI)は、MIMO(Multiple-input multiple-output)通信システムにおける送信最適化において重要な役割を果たす。
リカレントニューラルネットワーク(RNN)の使用に関する最近の研究は、計算とメモリのコストは高いが、強い確証を示している。
本研究では,フィードバック効率を大幅に向上させるために,チャネルコヒーレンスを時間内に活用する。
論文 参考訳（メタデータ） (2020-09-20T16:26:12Z) - Millimeter Wave Communications with an Intelligent Reflector:
Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。
チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。
最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
論文 参考訳（メタデータ） (2020-02-24T22:18:54Z)
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。