モデルベース機械学習によるデータ駆動記号検出【JST・京大機械翻訳】

Farsad Nariman; Shlezinger Nir; Goldsmith Andrea J.; Eldar Yonina C.

プレプリント

J-GLOBAL ID：202202213287882600 整理番号：22P0113323

モデルベース機械学習によるデータ駆動記号検出【JST・京大機械翻訳】

Data-Driven Symbol Detection via Model-Based Machine Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2020年02月14日プレプリントサーバーでの情報更新日： 2020年02月14日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

ディジタル通信システムにおけるシンボル検出器の設計は,送信記号と受信機での観測信号の間の関係を記述する統計的チャネルモデルに伝統的に依存する。ここでは,機械学習(ML)とモデルベースアルゴリズムを組み合わせたシンボル検出設計に対するデータ駆動フレームワークをレビューした。このハイブリッドアプローチでは,Viterbi法,BCJR検出,および多入力多出力(MIMO)ソフト干渉消去(SIC)のようなよく知られたチャネルモデルベースアルゴリズムを,それらのチャネルモデル依存性を除去するためにMLベースアルゴリズムで拡張し,受信機がデータだけからこれらのアルゴリズムを実装することを学習できるようにした。得られたデータ駆動受信機は,基礎となるチャネルモデルが十分に理解されておらず,高度に複雑で,基礎となる物理を十分捕捉しないシステムに最も適している。提案アプローチは,一般的アルゴリズムを無傷に保ちながら,少量のデータから訓練できる専用ニューラルネットワークによるチャネルモデルベース計算を置き換えるだけで独特である。著者らの結果は,これらの技術が,正確なチャネル入力-出力統計的関係とチャネル状態情報不確実性の存在を知ることなく,モデルベースアルゴリズムの近最適性能を得られることを証明した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

信号理論 , 無線通信一般

, , ,

前のページに戻る