論文の概要: Hybrid-Field Sparse Channel Representation and Recovery for XL-RIS-Assisted mmWave MIMO Systems
- arxiv url: http://arxiv.org/abs/2608.00052v1
- Date: Sun, 26 Jul 2026 11:57:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 21:56:46.346234
- Title: Hybrid-Field Sparse Channel Representation and Recovery for XL-RIS-Assisted mmWave MIMO Systems
- Title（参考訳）: XL-RIS支援ミリ波MIMOシステムのハイブリッドフィールドスパースチャネル表現とリカバリ
- Abstract要約: 大規模再構成可能なインテリジェントサーフェス(XL-RIS)を用いた通信は,将来の6Gネットワークにおいて重要な技術であると考えられる。
高次元カスケードチャネルと遠距離場及び近距離場伝搬の共存により,XL-RISアシストシステムは困難である。
スパース辞書表現とリカバリを分離する2段階のチャネル推定フレームワークを開発した。
- 参考スコア（独自算出の注目度）: 17.386624891912714
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extremely large-scale reconfigurable intelligent surface (XL-RIS)-assisted communication is regarded as a key enabling technology for future 6G networks. However, hybrid-field channel estimation for XL-RIS-assisted systems is challenging due to the high-dimensional cascaded channel and the coexistence of far-field and near-field propagation. In this case, traditional full-dimensional sparse recovery methods require a large cascaded dictionary and suffer from severe computational and storage burdens. To address these challenges, we develop a double-timescale channel estimation framework that decouples sparse dictionary representation and recovery. Then, by exploiting the quasi-static property of the channel at the base station (BS) and RIS side, we propose a Dirichlet kernel-based off-grid dictionary compression (DK-ODC) scheme for sparse representation, which reduces the dimension of the corresponding dictionary as well as mitigates BS-side angular off-grid error. Furthermore, for the dynamic channel at the user equipment (UE) and RIS side, we propose a subspace-aware incremental variational Bayesian learning (SI-VBL) algorithm, which enables incremental learning of sparse channels by exploiting the identified low-dimensional subspace and pruning threshold. Analysis and simulation results confirm that the proposed framework avoids full-dimensional Bayesian recovery and achieves a favorable tradeoff among estimation accuracy, computational complexity, and storage overhead.
- Abstract（参考訳）: 大規模な再構成可能な知的表面(XL-RIS)支援通信は,将来の6Gネットワークにおいて重要な技術であると考えられる。
しかし,XL-RISを用いたハイブリッドフィールドチャネル推定は,高次元カスケードチャネルと遠方界・近方界伝搬の共存により困難である。
この場合、従来のフル次元スパースリカバリ手法では、大きなカスケード辞書が必要であり、計算と記憶の重荷に悩まされる。
これらの課題に対処するため、スパース辞書表現とリカバリを分離する2段階のチャネル推定フレームワークを開発した。
次に,基地局(BS)およびRIS側のチャネルの準静的特性を利用して,スパース表現のためのディリクレカーネルベースのオフグリッド辞書圧縮(DK-ODC)方式を提案する。
さらに,ユーザ機器 (UE) および RIS 側の動的チャネルに対して,同定された低次元部分空間とプルーニングしきい値を利用してスパースチャネルの逐次学習を可能にするサブスペース対応インクリメンタルベイズ学習 (SI-VBL) アルゴリズムを提案する。
解析とシミュレーションの結果から,提案フレームワークは実次元ベイズ復元を回避し,推定精度,計算複雑性,ストレージオーバヘッドのトレードオフが良好であることが確認された。
関連論文リスト
- Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。
生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。
数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
論文 参考訳（メタデータ） (2025-11-21T07:25:49Z) - SecDiff: Diffusion-Aided Secure Deep Joint Source-Channel Coding Against Adversarial Attacks [73.41290017870097]
SecDiffは、プラグイン・アンド・プレイの拡散支援デコーディングフレームワークである。
対向無線環境下での深部JSCCの安全性と堅牢性を大幅に向上させる。
論文 参考訳（メタデータ） (2025-11-03T11:24:06Z) - Semantic Channel Equalization Strategies for Deep Joint Source-Channel Coding [8.967618587731694]
ディープジョイント・ソース・チャネル・コーディング(DeepJSCC)は、エンドツーエンドのセマンティック・コミュニケーションの強力なパラダイムとして登場した。
既存のDeepJSCCスキームは送信機(TX)と受信機(RX)で共有潜在空間を仮定する。
このミスマッチは、"セマンティックノイズ"を導入し、再構築品質を劣化させ、下流タスクのパフォーマンスを低下させる。
論文 参考訳（メタデータ） (2025-10-06T10:29:07Z) - Lightweight Deep Learning-Based Channel Estimation for RIS-Aided Extremely Large-Scale MIMO Systems on Resource-Limited Edge Devices [0.0]
XL-MIMOシステムにおける効率的なチャネル推定のための軽量なディープラーニングフレームワークを提案する。
本フレームワークは,アンテナ数やRIS要素数の増加にかかわらず,推定精度を大幅に向上し,計算複雑性を低減する。
論文 参考訳（メタデータ） (2025-07-13T13:42:42Z) - Backscatter Device-aided Integrated Sensing and Communication: A Pareto Optimization Framework [59.30060797118097]
統合センシング・通信(ISAC)システムは、密集した都市非視線シナリオにおいて大きな性能劣化に遭遇する可能性がある。
本稿では,自然環境に分散した受動的BDを利用した後方散乱近似(BD)支援ISACシステムを提案する。
論文 参考訳（メタデータ） (2025-07-12T17:11:06Z) - Machine Learning-Based Channel Prediction for RIS-assisted MIMO Systems With Channel Aging [11.867884158309373]
再構成可能なインテリジェントサーフェス (RIS) は,第6世代 (6G) および通信システムを越えた性能向上のための有望な技術として登場した。
RISの受動的性質とその多数の反射要素は、チャネル推定プロセスに困難をもたらす。
本稿では、自己回帰(AR)予測器と統合された畳み込みニューラルネットワーク(CNN)に基づく、RIS支援マルチインプットマルチアウトプット(MIMO)システムのための拡張チャネル推定フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-09T19:45:49Z) - Reconfigurable Intelligent Surface Enabled Spatial Multiplexing with
Fully Convolutional Network [40.817290717344534]
RIS(Reconfigurable Surface)は、無線通信システムのための新興技術である。
本稿では,この問題を解決するために完全畳み込みネットワーク(WSNFC)を提案する。
我々は、RISとダイレクトチャネルを経由するカスケードチャネルを含む一連のチャネル機能を設計する。
論文 参考訳（メタデータ） (2022-01-08T14:16:00Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳（メタデータ） (2021-07-27T06:57:56Z) - Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned
Edge Learning Over Broadband Channels [69.18343801164741]
パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。
本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
論文 参考訳（メタデータ） (2020-10-08T15:27:50Z) - Channel Estimation for RIS-Empowered Multi-User MISO Wireless
Communications [35.207416803526876]
基地局とRIS間のチャネルに対する2つの反復推定アルゴリズムを提案する。
1つは交互最小二乗法(ALS)に基づいており、もう1つはベクトル近似メッセージを使って2つの未知のチャネルを反復的に再構築する。
また、推定チャネルと基地局の異なるプリコーディング方式を用いて、ダウンリンク達成可能な総和率についても論じる。
論文 参考訳（メタデータ） (2020-08-04T10:53:51Z) - 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。