論文の概要: DNN-based Methods of Jointly Sensing Number and Directions of Targets via a Green Massive H2AD MIMO Receiver

• arxiv url: http://arxiv.org/abs/2507.22906v1
• Date: Tue, 15 Jul 2025 09:30:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-03 20:19:02.924798
• Title: DNN-based Methods of Jointly Sensing Number and Directions of Targets via a Green Massive H2AD MIMO Receiver
• Title（参考訳）: グリーン質量H2ADMIMO受信機を用いたDNNによる目標値と方向の同時検出法
• Authors: Bin Deng, Jiatong Bai, Feilong Zhao, Zuming Xie, Maolin Li, Yan Wang, Feng Shu,
• Abstract要約: 本稿では,複数の目標の数値と方向を共同で推定する2段階センシングフレームワークを提案する。 具体的には、改良された固有領域クラスタリング(EDC)フレームワーク、5つの重要な統計特徴に基づく拡張されたディープニューラルネットワーク(DNN)、完全な固有値を利用する改良された1次元畳み込みニューラルネットワーク(1D-CNN)の3つのターゲット番号検出方法が設計されている。 理論的性能ベンチマークとして,複数ソース条件下でのH2ADに対するCram'er-Rao下界(CRLB)を導出する。
• 参考スコア（独自算出の注目度）: 11.642240670870454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a green MIMO structure, the heterogeneous hybrid analog-digital H2AD MIMO architecture has been shown to own a great potential to replace the massive or extremely large-scale fully-digital MIMO in the future wireless networks to address the three challenging problems faced by the latter: high energy consumption, high circuit cost, and high complexity. However, how to intelligently sense the number and direction of multi-emitters via such a structure is still an open hard problem. To address this, we propose a two-stage sensing framework that jointly estimates the number and direction values of multiple targets. Specifically, three target number sensing methods are designed: an improved eigen-domain clustering (EDC) framework, an enhanced deep neural network (DNN) based on five key statistical features, and an improved one-dimensional convolutional neural network (1D-CNN) utilizing full eigenvalues. Subsequently, a low-complexity and high-accuracy DOA estimation is achieved via the introduced online micro-clustering (OMC-DOA) method. Furthermore, we derive the Cram\'er-Rao lower bound (CRLB) for the H2AD under multiple-source conditions as a theoretical performance benchmark. Simulation results show that the developed three methods achieve 100\% number of targets sensing at moderate-to-high SNRs, while the improved 1D-CNN exhibits superior under extremely-low SNR conditions. The introduced OMC-DOA outperforms existing clustering and fusion-based DOA methods in multi-source environments.
• Abstract（参考訳）: グリーンなMIMO構造として、ヘテロジニアスなハイブリッドアナログデジタルMIMOアーキテクチャは、将来の無線ネットワークにおいて、高エネルギー消費、高回路コスト、高複雑さという3つの課題に対処するために、大規模または超大規模の完全デジタルMIMOを置き換える大きな可能性を持っていることが示されている。 しかし、そのような構造を通してマルチエミッタの数や方向を知的に感知する方法は、まだ未解決の問題である。 そこで本研究では,複数の目標の数値と方向を共同で推定する2段階センシングフレームワークを提案する。 具体的には、改良された固有領域クラスタリング(EDC)フレームワーク、5つの重要な統計特徴に基づく拡張されたディープニューラルネットワーク(DNN)、完全な固有値を利用する改良された1次元畳み込みニューラルネットワーク(1D-CNN)の3つのターゲット番号検出方法が設計されている。 その後、導入したオンラインマイクロクラスタリング(OMC-DOA)手法により、低複雑さかつ高精度なDOA推定を行う。 さらに、理論的性能ベンチマークとして、複数ソース条件下でのH2ADに対するCram\'er-Raolow bound (CRLB) を導出する。 シミュレーションの結果, 改良された1D-CNNは, 極低SNR条件下では優れており, 極低SNR条件下では100 %の目標値が得られることがわかった。 OMC-DOAは、マルチソース環境で既存のクラスタリングと融合ベースのDOAメソッドより優れている。

関連論文リスト

• Multi-Branch DNN and CRLB-Ratio-Weight Fusion for Enhanced DOA Sensing via a Massive H$^2$AD MIMO Receiver [37.9135579979676]
  H$2$ADは将来の6G無線ネットワークの潜在的な技術と見なされている。 軽量クレーマー・ラオ下界(CRLB)-マグニチュード・ウェイト・フュージョン(WF)法を提案する。 マルチブランチディープニューラルネットワーク(MBDNN)が構築され、位置検出の方向をさらに強化する。
  論文  参考訳（メタデータ） (2025-06-29T12:14:59Z)
• Model-driven deep neural network for enhanced direction finding with commodity 5G gNodeB [30.94668439883861]
  現在の無線ネットワークは位置決め機能を実現するために純粋なモデル駆動技術に大きく依存している。 ここでは、空間スペクトルの画像回復タスクとして、方向探索または角度推定(AoA)問題を再構成する。 提案するMoD-DNNフレームワークは,有効スペクトルキャリブレーションと精度の高いAoA推定を可能にする。
  論文  参考訳（メタデータ） (2024-12-14T02:09:36Z)
• Resource-Efficient Sensor Fusion via System-Wide Dynamic Gated Neural Networks [16.0018681576301]
  我々はQuantile-Constrained Inference (QIC)と呼ばれる新しいアルゴリズム戦略を提案する。 QICは、上記のシステムのすべての側面について、共同で高品質で迅速な決定を行います。 結果,QICは最適値と一致し,選択肢を80%以上上回っていることを確認した。
  論文  参考訳（メタデータ） (2024-10-22T06:12:04Z)
• BDC-Occ: Binarized Deep Convolution Unit For Binarized Occupancy Network [55.21288428359509]
  既存の3D占有ネットワークは重要なハードウェアリソースを必要としており、エッジデバイスの配備を妨げている。 本稿では,バイナライズド・ディープ・コンボリューション(BDC)ユニットを提案し,バイナライズド・ディープ・コンボリューション・レイヤの数を増やしつつ性能を効果的に向上させる。 我々のBDC-Occモデルは既存の3D占有ネットワークをバイナライズするために提案したBDCユニットを適用して作成する。
  論文  参考訳（メタデータ） (2024-05-27T10:44:05Z)
• Co-learning-aided Multi-modal-deep-learning Framework of Passive DOA Estimators for a Heterogeneous Hybrid Massive MIMO Receiver [16.847344273958292]
  完全デジタル(FD) 大規模なマルチインプット多重出力(MIMO)アンテナアレイは、データ伝送と到着方向(DOA)測定に広く応用されている。 計算複雑性と回路コストの2つの大きな課題に直面している。 この2つの問題は、ハイブリッドアナログデジタル構造(HAD)によってうまく対処できる。 しかし、HADの位相曖昧性の問題があるため、その低効率性や高レイテンシにつながる。
  論文  参考訳（メタデータ） (2024-04-27T07:34:36Z)
• HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search [104.45426861115972]
  設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。 我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。 6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
  論文  参考訳（メタデータ） (2023-04-23T17:27:40Z)
• FusionRCNN: LiDAR-Camera Fusion for Two-stage 3D Object Detection [11.962073589763676]
  既存の3D検出器は、2段階のパラダイムを採用することで精度を大幅に向上させる。 特に遠く離れた地点では、点雲の広がりは、LiDARのみの精製モジュールがオブジェクトを正確に認識し、配置することを困難にしている。 We propose a novel multi-modality two-stage approach called FusionRCNN, which is effective and efficient fuses point clouds and camera image in the Regions of Interest(RoI)。 FusionRCNNは、強力なSECONDベースラインを6.14%のmAPで大幅に改善し、競合する2段階アプローチよりも優れている。
  論文  参考訳（メタデータ） (2022-09-22T02:07:25Z)
• Intelligent Trajectory Design for RIS-NOMA aided Multi-robot Communications [59.34642007625687]
  目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。 ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
  論文  参考訳（メタデータ） (2022-05-03T17:14:47Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)
• NOMA in UAV-aided cellular offloading: A machine learning approach [59.32570888309133]
  複数の無人航空機(UAV)によるセルローディングのための新しい枠組みの提案 非直交多重アクセス(NOMA)技術は、無線ネットワークのスペクトル効率をさらに向上するために、各UAVに採用されている。 相互深いQ-network (MDQN) アルゴリズムは,UAVの最適3次元軌道と電力配分を共同で決定するために提案される。
  論文  参考訳（メタデータ） (2020-10-18T17:38:48Z)
• When Residual Learning Meets Dense Aggregation: Rethinking the Aggregation of Deep Neural Networks [57.0502745301132]
  我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。 我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-04-19T08:34:52Z)

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。