文献

J-GLOBAL ID：202202234418165174   整理番号：22A0780241

大規模MIMO CSIフィードバックのためのMarkovモデル駆動深層学習フレームワーク【JST・京大機械翻訳】

A Markovian Model-Driven Deep Learning Framework for Massive MIMO CSI Feedback

著者 (3件)： Liu Zhenyu (School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications, Beijing, China) ,  del Rosario Mason (Department of Electrical and Computer Engineering, University of California at Davis, Davis, CA, USA) ,  Ding Zhi (School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications, Beijing, China)
資料名： IEEE Transactions on Wireless Communications  (IEEE Transactions on Wireless Communications)
巻： 21  号： 2  ページ： 1214-1228  発行年： 2022年 
JST資料番号： W1329A  ISSN： 1536-1276  CODEN： ITWCAX  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： チャネル状態情報(CSI)は,大規模MIMO通信システムのスケジューリングと容量獲得伝送最適化において重要な役割を果たす。周波数分割二重(FDD)MIMOシステムにおいて,送信機におけるフォワードリンクCSI再構成は受信ノードからのCSIフィードバックに依存し,再構成精度とフィードバック帯域幅の間のトレードオフを注意深く重み付けしなければならない。リカレントニューラルネットワーク(RNN)の最近の応用は,大規模MIMO CSIフィードバック圧縮の有望な結果を示した。しかし,RNN深層学習に関連した計算およびメモリのコストは高いままである。本研究では,学習精度とフィードバック効率を改善するためにチャネル時間コヒーレンスを利用した。Markovモデルを利用して,MarkovNetと呼ばれる深い畳込みニューラルネットワーク(CNN)ベースのフレームワークを開発し,CSIフィードバックを効率的に符号化し,精度と効率を改善した。フィードバック圧縮における入力データの球面正規化と深層学習ネットワーク最適化を含む重要な物理的洞察を探求した。MarkovNetは,RNNベース作業に対して実質的な性能改善と計算量削減を提供することを実証した。異なるMIMO構成の下でのMarkovNetの性能と,フィードバック間隔と速度の範囲を示した。MarkovNetによるCSI回復は,計算コストの分率のみによるRNNベースのCSI推定よりも性能が優れていた。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  最適化 ,  符号化 ,  *学習 ,  スケジューリング ,  送信機 ,  *フィードバック ,  計算量 ,  帯域幅 ,  正規化 ,  MIMOシステム
準シソーラス用語： *Markovモデル ,  *MIMO ,  ダウンリンク ,  *深層学習 , 【Automatic Indexing@JST】

分類 (2件)： 無線通信一般  (ND08010L) ,  移動通信  (ND08030H)

タイトルに関連する用語 (6件)： 大規模MIMO ,  CSI ,  フィードバック ,  Markovモデル ,  深層学習 ,  フレームワーク