論文の概要: Multi-Block Attention for Efficient Channel Estimation in IRS-Assisted mmWave MIMO
- arxiv url: http://arxiv.org/abs/2605.15032v1
- Date: Thu, 14 May 2026 16:27:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.945774
- Title: Multi-Block Attention for Efficient Channel Estimation in IRS-Assisted mmWave MIMO
- Title（参考訳）: IRS支援ミリ波MIMOにおける効率的なチャネル推定のためのマルチブロック注意
- Authors: Mehrdad Momen-Tayefeh, Mehrshad Momen-Tayefeh, Maryam Sabbaghian,
- Abstract要約: 本稿では,効率的なチャネル推定のための深層学習に基づくマルチブロック注意(MBA)フレームワークを提案する。
最小二乗推定のための位相構成として離散フーリエ変換(DFT)とアダマール行列の最適性を示す。
提案手法は,従来の手法よりも約51%低い正規化平均二乗誤差(NMSE)を実現する。
- 参考スコア（独自算出の注目度）: 3.339065092252818
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intelligent Reflecting Surfaces (IRSs) are a promising technology for enhancing the spectral and energy efficiency of millimeter-wave (mmWave) multiple-input multiple-output (MIMO) systems. In these systems, accurate channel estimation remains challenging due to the passive nature of IRS elements and the high pilot overhead in large-scale deployments. This paper presents a deep learning-based Multi-Block Attention (MBA) framework for efficient cascaded channel estimation in IRS-assisted mmWave MIMO systems that utilize orthogonal frequency division multiplexing (OFDM). First, we show the optimality of the discrete Fourier transform (DFT) and Hadamard matrices as phase configurations for least squares (LS) estimation. To reduce training overhead, we selectively deactivate IRS elements and compensate for induced feature loss using a two-stage architecture: (i) a Convolutional Attention Network (CAN) for spatial correlation recovery and (ii) a Complex Multi-Convolutional Network (CMN) for noise suppression. The MBA architecture mitigates error propagation through attention-guided feature refinement and denoising. Simulation results indicate that the MBA method reduces pilot overhead by up to 87% compared to the LS estimator. Additionally, at signal-to-noise ratios of 10 dB, our proposed method achieves approximately 51% lower normalized mean squared error (NMSE) than leading methods. It also maintains low computational complexity and adapts effectively to various propagation environments.
- Abstract（参考訳）: Intelligent Reflecting Surfaces (IRSs) は、ミリ波マルチインプット多重出力(MIMO)システムのスペクトルとエネルギー効率を高めるための有望な技術である。
これらのシステムでは、IRS要素の受動的性質と大規模展開における高いパイロットオーバーヘッドのため、正確なチャネル推定が依然として困難である。
本稿では、直交周波数分割多重化(OFDM)を利用したIRS支援mmWave MIMOシステムにおいて、効率の良いチャネル推定のための深層学習に基づくマルチブロック注意(MBA)フレームワークを提案する。
まず、最小二乗推定の位相構成として離散フーリエ変換(DFT)とアダマール行列の最適性を示す。
トレーニングのオーバーヘッドを軽減するため、IRS要素を選択的に非活性化し、2段階アーキテクチャを用いて特徴損失を補償する。
一 空間相関回復のための畳み込み注意ネットワーク(CAN)
(II)騒音抑制のための複合多畳畳み込みネットワーク(CMN)
MBAアーキテクチャは、注意誘導された特徴の洗練とデノイングによるエラー伝播を緩和する。
シミュレーションの結果, MBA法はLS推定器と比較してパイロットのオーバーヘッドを最大87%削減することがわかった。
さらに,10dBの信号対雑音比において,提案手法は先行手法よりも約51%低い正規化平均二乗誤差(NMSE)を実現する。
また、計算の複雑さを低く保ち、様々な伝搬環境に効果的に適応する。
関連論文リスト
- Joint Channel Estimation and Computation Offloading in Fluid Antenna-assisted MEC Networks [81.36647816787713]
チャネル推定の遅延を最小限に抑えるためのFA支援オフロードフレームワークを提案する。
提案方式は,効率的な通信を行う場合の精度を大幅に低下させることを示す。
論文 参考訳（メタデータ） (2025-09-16T08:48:44Z) - Sustainable LSTM-Based Precoding for RIS-Aided mmWave MIMO Systems with Implicit CSI [2.8408947965063778]
このフレームワークはアップリンクパイロットシーケンスを利用して暗黙的にチャネル特性を学習し、パイロットのオーバーヘッドと推論の複雑さを低減します。
提案した設計は、総探索のスペクトル効率の90%以上を計算時間のわずか2.2%で達成し、エネルギー消費量を2桁近く削減する。
論文 参考訳（メタデータ） (2025-09-16T04:29:14Z) - 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 Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
MISO (Multiple-input Single-output) フレームワークを提案する。
それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。
PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
論文 参考訳（メタデータ） (2025-02-12T18:54:10Z) - 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) - 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) - ANN-Based Detection in MIMO-OFDM Systems with Low-Resolution ADCs [0.0]
本稿では,信号検出に使用するLevenberg-Marquardtアルゴリズムを用いて,多層ニューラルネットワーク(ANN)を提案する。
本研究では,受信機におけるチャネル状態情報を知ることなく,データシンボル推定を行うブラインド検出方式を検討する。
論文 参考訳（メタデータ） (2020-01-31T03:38:42Z)
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。