論文の概要: Message Passing Based Two-Timescale Bayesian Learning for Joint Channel and Memory Hardware Impairments Tracking
- arxiv url: http://arxiv.org/abs/2607.01660v1
- Date: Thu, 02 Jul 2026 03:39:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.652874
- Title: Message Passing Based Two-Timescale Bayesian Learning for Joint Channel and Memory Hardware Impairments Tracking
- Title（参考訳）: メッセージパッシングに基づく2時間ベイズ学習による共同チャネルとメモリハードウェア障害追跡
- Abstract要約: 大規模マルチインプット・マルチアウトプット(MIMO)受信機におけるハードウェア障害は、シンボル間メモリと要素間結合を導入している。
本稿では,メッセージパスに基づく2時間ベイズ学習(MP-TTBDL)フレームワークを提案する。
シミュレーションの結果,提案手法は従来の補償器よりもチャネル推定誤差が低いことを示す。
- 参考スコア（独自算出の注目度）: 15.722477105805256
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hardware impairments in massive multiple-input multiple-output (MIMO) receivers introduce inter-symbol memory and inter-element coupling, severely degrading channel estimation. This paper employs a residual recurrent gated unit (RGRU) to model the intra-slot memory of the hardware impairments and proposes a message-passing-based two-timescale Bayesian deep learning (MP-TTBDL) framework for joint channel and impairment tracking. Owing to small-scale fading, the wireless channel varies rapidly across slots, whereas hardware impairments drift slowly due to hardware aging and environmental variations. To capture these distinct physical timescales, a fastvarying Markov prior and a slow-varying Gaussian Markov prior are assigned to the sparse channel and the network parameters, respectively. Based on a multi-slot factor graph formulation, a message-passing algorithm is developed. Specifically, the inter-slot messages admit closed-form updates, while the intra-slot factor graph, due to its complex recurrent structure, is partitioned into a channel tracking module and an impairments calibration module. The channel tracking module performs sparse channel estimation via turbo orthogonal approximate message passing (Turbo-OAMP), and the impairments calibration module updates the impairment parameters via a specially designed deep approximate message passing (DAMP) procedure, with the two modules iteratively exchanging extrinsic information through expectation propagation (EP) until convergence. Simulation results show that the proposed framework robustly achieves lower channel estimation error than conventional compensators followed by channel estimation across different online impairment scenarios and signal-to-noise ratio (SNR) conditions.
- Abstract（参考訳）: 大規模マルチインプットマルチアウトプット(MIMO)受信機におけるハードウェア障害は、シンボル間メモリと要素間結合を導入し、チャネル推定を著しく劣化させる。
本稿では, ハードウェア障害のスロット内メモリをモデル化するための残電流ゲートユニット(RGRU)を用い, 通信路と障害追跡のためのメッセージパス方式2時間ベイズ学習(MP-TTBDL)フレームワークを提案する。
小型化のため、無線チャネルはスロット間で急速に変化するが、ハードウェアの劣化や環境の変化により、ハードウェアの障害はゆっくりと漂う。
これらの異なる物理的時間スケールを捉えるために、速変マルコフ前と遅変ガウス前マルコフ前をそれぞれスパースチャネルとネットワークパラメータに割り当てる。
マルチスロット係数グラフの定式化に基づいて,メッセージパッシングアルゴリズムを開発した。
具体的には、スロット間メッセージはクローズドフォーム更新を許容するが、複雑なリカレント構造のため、スロット内因子グラフはチャネル追跡モジュールと障害校正モジュールに分割される。
チャネルトラッキングモジュールは、ターボ直交近似メッセージパッシング(Turbo-OAMP)を介してスパースチャネル推定を行い、障害校正モジュールは、特別に設計された深部近似メッセージパッシング(DAMP)手順を介して障害パラメータを更新する。
シミュレーションの結果,提案手法は従来の補償器よりも低いチャネル推定誤差を確実に達成し,その後,異なるオンライン障害シナリオと信号対雑音比(SNR)条件でチャネル推定を行うことがわかった。
関連論文リスト
- BASC : Behavior-Aligned Quantization and Pruning for Low-Bit Spiking Neural Networks [6.5713207503171285]
スパイキングニューラルネットワーク(SNN)はバイナリスパイクを通じて情報をエンコードし、イベント駆動方式で計算する。
高性能なSNNは、リソース制約のあるデバイスへのデプロイメントを妨げる、メモリとタイムステップのコストをかなり発生させる。
本稿では,2つの軽量モジュールを持つ統一フレームワークである行動適応型SNN圧縮(BASC)を提案する。
論文 参考訳（メタデータ） (2026-08-12T03:39:24Z) - Restoration Flow Matching-Based Channel Refinement and Equalization Correction for MIMO Semantic Communications [39.23374317215901]
本稿では, チャネルの改質と等化補正のための統一回復流整合(RFM)に基づくフレームワークを提案する。
具体的には、粗いチャネルを改良し、チャネル推定精度を向上させるために、チャンネルRAM(CRFM)モジュールを開発する。
改良されたチャネルに基づいて、発展型セマンティックRAM (SRFM) モジュールを用いて、後等化潜時空間の残留歪みを補正する。
論文 参考訳（メタデータ） (2026-07-26T11:39:59Z) - Brownian Bridge Diffusion-Based Joint Channel Estimation and Data Detection for Jamming-Resilient Receivers [3.345509666533605]
次世代無線ネットワークでは、デバイス密度と限られたスペクトル資源の増大が深刻な障害を引き起こす。
既存のスキームは、しばしばこのような妨害的な汚染と戦う効果的な枠組みを欠いているため、信頼できる送信を保証できない。
そこで本稿では, ブロニアン橋の拡散に基づく連成チャネル推定と, ジャミング・レジリエント受信機のためのデータ検出フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-27T07:13:45Z) - EqDeepRx: Learning a Scalable MIMO Receiver [6.732584013520367]
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。
論文 参考訳（メタデータ） (2026-02-12T11:22:30Z) - AdaFortiTran: An Adaptive Transformer Model for Robust OFDM Channel Estimation [22.40154714677385]
本稿では,アダフォーティトラン(Adaptive Fortified Transformer, AdaFortiTran)を提案する。
AdaFortiTranは最先端モデルと比較して平均2乗誤差(MSE)を最大6dB削減する。
論文 参考訳（メタデータ） (2025-05-14T02:22:37Z) - 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) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - 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) - Deep Reinforcement Learning for IRS Phase Shift Design in
Spatiotemporally Correlated Environments [93.30657979626858]
本稿では,チャネル相関と目的地動きを考慮したディープアクター批判アルゴリズムを提案する。
チャネルが時間的に相関している場合、コンバージェンスを抑制する方法において、関数近似を伴う状態表現にSNRを組み込むことが示される。
論文 参考訳（メタデータ） (2022-11-02T22:07:36Z) - Model-Driven Deep Learning Based Channel Estimation and Feedback for
Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。
無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。
MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-22T13:34:53Z) - DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO
Detection [98.43451011898212]
複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。
本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。
DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
論文 参考訳（メタデータ） (2020-02-08T18:31:00Z)
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。