文献

J-GLOBAL ID：202002215987522413   整理番号：20A1983036

大規模MIMOのための深層展開型ビームフォーミング法の検討

Deep Unfolded Multicast Beamforming for Massive MIMO

著者 (2件)： 高邉賢史 (名古屋工大) ,  和田山正 (名古屋工大)
資料名： 電子情報通信学会技術研究報告(Web)  (IEICE Technical Report (Web))
巻： 120  号： 89(RCS2020 58-77)  ページ： 37-42 (WEB ONLY)  発行年： 2020年07月01日 
JST資料番号： U2030A  ISSN： 2432-6380  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： マルチキャストビームフォーミングはマルチキャスト通信において通信路状態に応じて適切なビームを設計する手法である.ビーム生成はNP困難な最適化問題に基づいて行われるため,高速かつ性能の良い近似的ビーム生成手法の提案は重要な課題である.本稿は,近年深層学習的手法として注目されている深層展開と凸射影法を組み合わせた学習可能ビーム生成手法を提案する.訓練データとして最適化問題の解を利用することができないため,提案手法は教師なし学習によって訓練される点が特徴的である.数値実験の結果,提案手法は既存手法と比較して少数の反復回数でより良いビーム生成が可能であることが明らかとなった.(著者抄録)

シソーラス用語： 移動通信 ,  MIMOシステム ,  教師なし学習 ,  機械学習 ,  射影 ,  *マルチキャスト ,  *ビーム成形 ,  *実験 ,  SN比 ,  深層学習 ,  数値実験
準シソーラス用語： 5G無線アクセス ,  大規模MIMO ,  凸射影 ,  無線マルチキャスト

分類 (4件)： 移動通信  (ND08030H) ,  人工知能  (JE08000Z) ,  信号理論  (ND02020G) ,  通信理論一般  (ND02010V)

引用文献 (24件)：

• E. Karipidis, N. D. Sidiropoulos, and Z. Q. Luo, “Quality of service and max-min fair transmit beamforming to multiple cochannel multicast groups” IEEE Trans. Signal Process., vol. 56, no. 3, pp. 1268-1279, 2008.
• G. Araniti, M. Condoluci, P. Scopelliti, A. Molinaro and A. Iera, “Ulticasting over Emerging 5G Networks: Challenges and Perspectives,′′ IEEE Network, vol. 31, no. 2, pp. 80-89, March/April 2017.
• T. Wang, C. Wen, H. Wang, F. Gao, T. Jiang and S. Jin, “Deep learning for wireless physical layer: Opportunities and challenges,′′ China Comm., vol. 14, no. 11, pp. 92-111, Nov. 2017.
• T. J. O’Shea and J. Hoydis, “An introduction to deep learning for the physical layer,” IEEE Trans. Cognitive Comm. Networking, no. 3, pp. 563-575, 2017.
• A. Alkhateeb, S. Alex, P. Varkey, Y. Li, Q. Qu, and D. Tujkovic, “Deep learning coordinated beamforming for highly-mobile millimeter wave systems,” IEEE Access, vol. 6, pp.37328-37348, 2018.

タイトルに関連する用語 (3件)： 大規模MIMO ,  深層展開 ,  ビームフォーミング