| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2020-11-25 09:50 パイロット汚染存在時のMassive MIMOにおける深層学習を利用したチャネル推定 ○廣瀨大輝・大槻知明（慶大）  RCS2020-110 |
|
| 抄録 | （和） | TDD (Time Division Duplex)に基づくMassive MIMO (Multiple-Input Multiple-Output)システムでは，基地局はユーザ端末に対する正確なCSI (Channel State Information)を必要とする．チャネルの時変性のため，パイロット長は制限され，直交パイロット信号数は有限個になる．それゆえ，同一パイロット信号は近隣セルで再利用され，チャネル推定精度はパイロット汚染によって劣化する．MMSE (Minimum Mean Square Error)チャネル推定を用いれば，同一パイロット信号を用いる全ユーザのチャネル共分散行列を用いて，パイロット汚染の影響を低減できる．しかし，この行列は事前には未知であり，推定が必要である．本稿では，パイロット汚染の影響を低減する深層学習に基づくチャネル推定法を2種類提案する．一つは全結合層で構成されるニューラルネットワークを用い，もう一つはCNN (Convolutional Neural Network)を用いる．前者は後者よりもトレーニングスピードが速い一方で，後者は前者よりも汚染した信号から空間的特徴量を抽出するのに長けており推定精度が高い．これらの提案法を，自セルからの信号と他セルからの信号にタイミング同期ずれがない場合とある場合で評価する．計算機シミュレーションの結果，提案法はLS (Least Square)推定や共分散行列推定と比べてNMSE (Normalized Mean Square Error)特性を改善することを示す． |
| （英） | In a time division duplex (TDD) based massive multiple-input multiple-output (MIMO) system, a base station (BS) needs accurate estimation of channel state information (CSI) for a user terminal (UT). Due to the time-varying nature of the channel, the length of pilot signals is limited and the number of orthogonal pilot signals is finite. Hence, the same pilot signals are required to be reused in neighboring cells and thus its channel estimation performance is deteriorated by pilot contamination from the neighboring cells. With the minimum mean square error (MMSE) channel estimation, the influence of pilot contamination can be reduced by the fully known covariance matrix of channels for all the UTs using the same pilot signal. However, this matrix is unknown to the BS a priori, and has to be estimated. In this report, we propose two methods of deep learning aided channel estimation to reduce the influence of pilot contamination. One method uses a neural network consisting of fully connected layers, while the other method uses a convolutional neural network (CNN). The neural network, particularly the CNN, plays a role in extracting features of the spatial information from the contaminated signals. In terms of the speed of training, the former method is better than the latter one. We evaluate the proposed methods under two scenarios, i.e., perfect timing synchronization and imperfect one. Simulation results confirm that the proposed methods are better than the LS and the covariance estimation method via normalized mean square error (NMSE) of the channel. | |
| キーワード | （和） | Massive MIMO / パイロット汚染 / チャネル推定 / 深層学習 / / / / |
| （英） | Massive MIMO / Pilot contamination / Channel estimation / Deep learning / / / / | |
| 文献情報 | 信学技報, vol. 120, no. 249, RCS2020-110, pp. 1-6, 2020年11月. | |
| 資料番号 | RCS2020-110 | |
| 発行日 | 2020-11-18 (RCS) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | RCS2020-110 |
|
| 研究会情報 | |
| 研究会 | RCS AP UWT |
| 開催期間 | 2020-11-25 - 2020-11-27 |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | アダプティブアンテナ，等化，干渉キャンセラ，MIMO，無線通信，一般 |
| テーマ（英） | Adaptive Antenna, Equalization, Interference Canceler, MIMO, Wireless Communications, etc. |
| 講演論文情報の詳細 | |
| 申込み研究会 | RCS |
| 会議コード | 2020-11-RCS-AP-UWT |
| 本文の言語 | 日本語 |
| タイトル（和） | パイロット汚染存在時のMassive MIMOにおける深層学習を利用したチャネル推定 |
| サブタイトル（和） | |
| タイトル（英） | Deep Learning Aided Channel Estimation for Massive MIMO with Pilot Contamination |
| サブタイトル（英） | |
| キーワード(1)（和/英） | Massive MIMO / Massive MIMO |
| キーワード(2)（和/英） | パイロット汚染 / Pilot contamination |
| キーワード(3)（和/英） | チャネル推定 / Channel estimation |
| キーワード(4)（和/英） | 深層学習 / Deep learning |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 廣瀨 大輝 / Hiroki Hirose / ヒロセ ヒロキ |
| 第1著者 所属（和/英） | 慶應義塾大学 (略称： 慶大) Keio University (略称： Keio Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 大槻 知明 / Tomoaki Ohtsuki / オオツキ トモアキ |
| 第2著者 所属（和/英） | 慶應義塾大学 (略称： 慶大) Keio University (略称： Keio Univ.) |
| 第3著者 氏名（和/英/ヨミ） | / / |
| 第3著者 所属（和/英） | (略称： ) (略称： ) |
| 第4著者 氏名（和/英/ヨミ） | / / |
| 第4著者 所属（和/英） | (略称： ) (略称： ) |
| 第5著者 氏名（和/英/ヨミ） | / / |
| 第5著者 所属（和/英） | (略称： ) (略称： ) |
| 第6著者 氏名（和/英/ヨミ） | / / |
| 第6著者 所属（和/英） | (略称： ) (略称： ) |
| 第7著者 氏名（和/英/ヨミ） | / / |
| 第7著者 所属（和/英） | (略称： ) (略称： ) |
| 第8著者 氏名（和/英/ヨミ） | / / |
| 第8著者 所属（和/英） | (略称： ) (略称： ) |
| 第9著者 氏名（和/英/ヨミ） | / / |
| 第9著者 所属（和/英） | (略称： ) (略称： ) |
| 第10著者 氏名（和/英/ヨミ） | / / |
| 第10著者 所属（和/英） | (略称： ) (略称： ) |
| 第11著者 氏名（和/英/ヨミ） | / / |
| 第11著者 所属（和/英） | (略称： ) (略称： ) |
| 第12著者 氏名（和/英/ヨミ） | / / |
| 第12著者 所属（和/英） | (略称： ) (略称： ) |
| 第13著者 氏名（和/英/ヨミ） | / / |
| 第13著者 所属（和/英） | (略称： ) (略称： ) |
| 第14著者 氏名（和/英/ヨミ） | / / |
| 第14著者 所属（和/英） | (略称： ) (略称： ) |
| 第15著者 氏名（和/英/ヨミ） | / / |
| 第15著者 所属（和/英） | (略称： ) (略称： ) |
| 第16著者 氏名（和/英/ヨミ） | / / |
| 第16著者 所属（和/英） | (略称： ) (略称： ) |
| 第17著者 氏名（和/英/ヨミ） | / / |
| 第17著者 所属（和/英） | (略称： ) (略称： ) |
| 第18著者 氏名（和/英/ヨミ） | / / |
| 第18著者 所属（和/英） | (略称： ) (略称： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2020-11-25 09:50:00 |
| 発表時間 | 25分 |
| 申込先研究会 | RCS |
| 資料番号 | RCS2020-110 |
| 巻番号（vol） | vol.120 |
| 号番号（no） | no.249 |
| ページ範囲 | pp.1-6 |
| ページ数 | 6 |
| 発行日 | 2020-11-18 (RCS) |
[研究会発表申込システムのトップページに戻る]