論文の概要: EqDeepRx: Learning a Scalable MIMO Receiver
- arxiv url: http://arxiv.org/abs/2602.11834v1
- Date: Thu, 12 Feb 2026 11:22:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-13 21:07:25.785004
- Title: EqDeepRx: Learning a Scalable MIMO Receiver
- Title（参考訳）: EqDeepRx: スケーラブルなMIMO受信機を学ぶ
- Authors: Mikko Honkala, Dani Korpi, Elias Raninen, Janne M. J. Huttunen,
- Abstract要約: 本稿では,実践的な深層学習支援マルチインプットマルチアウトプット(MIMO)受信機であるEqDeepRxについて述べる。
レシーバモデルのコアは、各空間ストリームまたは層で独立して動作する共有重み検出NNである。
5G/6G準拠のエンドツーエンドシミュレーションでは,複数チャネルシナリオ,パイロットパターン,セル間干渉条件が改善し,スペクトル効率が向上した。
- 参考スコア（独自算出の注目度）: 6.732584013520367
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While machine learning (ML)-based receiver algorithms have received a great deal of attention in the recent literature, they often suffer from poor scaling with increasing spatial multiplexing order and lack of explainability and generalization. This paper presents EqDeepRx, a practical deep-learning-aided multiple-input multiple-output (MIMO) receiver, which is built by augmenting linear receiver processing with carefully engineered ML blocks. At the core of the receiver model is a shared-weight DetectorNN that operates independently on each spatial stream or layer, enabling near-linear complexity scaling with respect to multiplexing order. To ensure better explainability and generalization, EqDeepRx retains conventional channel estimation and augments it with a lightweight DenoiseNN that learns frequency-domain smoothing. To reduce the dimensionality of the DetectorNN inputs, the receiver utilizes two linear equalizers in parallel: a linear minimum mean-square error (LMMSE) equalizer with interference-plus-noise covariance estimation and a regularized zero-forcing (RZF) equalizer. The parallel equalized streams are jointly consumed by the DetectorNN, after which a compact DemapperNN produces bit log-likelihood ratios for channel decoding. 5G/6G-compliant end-to-end simulations across multiple channel scenarios, pilot patterns, and inter-cell interference conditions show improved error rate and spectral efficiency over a conventional baseline, while maintaining low-complexity inference and support for different MIMO configurations without retraining.
- Abstract（参考訳）: 機械学習(ML)ベースの受信アルゴリズムは最近の文献では大きな注目を集めているが、空間的多重化順序の増大と説明可能性の欠如と一般化の欠如に悩まされることが多い。
本稿では,線形受信処理を慎重に設計したMLブロックで拡張して構築した,実践的な深層学習支援マルチインプットマルチアウトプット(MIMO)レシーバであるEqDeepRxを提案する。
受信モデルのコアとなるのは共有重み検出NNで、各空間ストリームや層上で独立して動作し、多重化順序に関してほぼ直線的な複雑さのスケーリングを可能にする。
より良い説明可能性と一般化を保証するため、EqDeepRxは従来のチャネル推定を維持し、周波数領域の平滑化を学習する軽量なDenoiseNNでそれを拡張している。
インタクタNN入力の次元性を低減するために、リニア最小平均二乗誤差(LMMSE)等化器と干渉+ノイズ共分散推定器、正規化ゼロ強制等化器(RZF)等化器という2つの線形等化器を並列に利用する。
並列等化ストリームは、ディテクタNNによって共同で消費され、その後、コンパクトなデマッパーNNは、チャネル復号のためのビットログ類似率を生成する。
5G/6G 準拠のエンド・ツー・エンドシミュレーションを複数のチャネルシナリオ,パイロットパターン,セル間干渉条件で行うと,従来のベースラインよりも誤差率とスペクトル効率が向上する。
関連論文リスト
- Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。
これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
論文 参考訳（メタデータ） (2026-02-04T15:25:02Z) - Random Multiplexing [16.779663297278187]
本稿では,物理チャネルから切り離されたランダム多重化手法について検討する。
等価な入力等方性チャネル行列を構築することにより、送信信号に対する統計的フェーディングチャネルエルゴディディティを実現する。
時間領域チャネルの間隔と等価チャネルのランダム性を利用して、低複雑さのクロスドメインメモリAMP検出器を検討する。
論文 参考訳（メタデータ） (2025-12-30T08:58:51Z) - DNN-Based Precoding in RIS-Aided mmWave MIMO Systems With Practical Phase Shift [43.56429251312585]
本稿では、直接通信路を妨害したミリ波マルチインプット多重出力(MIMO)システムのスループットを最大化する。
リコンフィギュアブルインテリジェントサーフェス(RIS)は、視線(LoS)とマルチパス効果に関連するmmWave特性を考慮して伝送性を高めるために使用される。
ディープニューラルネットワーク(DNN)は、より高速なコードワード選択を容易にするために開発された。
論文 参考訳（メタデータ） (2025-07-03T17:35:06Z) - 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) - Non-Coherent Over-the-Air Decentralized Gradient Descent [0.0]
無線システムにおける分散グラディエントDescentの実装は、ノイズ、フェーディング、帯域幅の制限により困難である。
本稿では,スケジューリング,トポロジ情報,CSIの必要性を解消するスケーラブルなDGDアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-11-19T19:15:34Z) - Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。
受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。
エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文 参考訳（メタデータ） (2021-08-03T14:26:14Z) - 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) - Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。
本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-08T12:48:06Z) - Deep Learning Based Equalizer for MIMO-OFDM Systems with Insufficient
Cyclic Prefix [11.11468231197267]
特に、信号検出性能は、キャリア間干渉(ICI)とシンボル間干渉(ISI)によって著しく損なわれている。
この問題に対処するために,最大確率検出を近似するために,深層学習に基づく等化器を提案する。
その結果,提案手法は従来の2つのベースライン方式と比較して,大幅な性能向上を実現可能であることがわかった。
論文 参考訳（メタデータ） (2020-07-23T02:21:24Z) - 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。