Mimo Detection(미모 감지)란 무엇입니까?
Mimo Detection 미모 감지 - For a few popular tasks such as power control, beamforming, and MIMO detection, these methods achieve state-of-the-art performance while requiring less computational efforts, less channel state information (CSI), etc. [1] The at-sea experimental results have shown the effectiveness of the joint processing framework in MIMO detection of moving targets. [2] Several algorithms for MIMO detection for spatially-multiplexed signals have been developed till today. [3] The survey mainly focuses on different types of channels used in MIMO detections, the number of antennas used in transmitting signals from the source to destination, and vice-versa. [4] MIMO detection is one of the key technologies for MIMO system designs. [5] In this paper we consider maximum-likelihood (ML) MIMO detection under one-bit quantized observations and binary symbol constellations. [6] In this paper, a novel iterative discrete estimation (IDE) algorithm, which is called the modified IDE (MIDE), is proposed to reduce the computational complexity in MIMO detection in uplink massive MIMO systems. [7] Simulation results based on MIMO detections are presented to confirm the convergence gain brought by the proposed Gibbs sampling schemes. [8] In this paper, residual-based detection (RBD) algorithms are proposed for M-MIMO detection, including minimal residual (MINRES) algorithm, generalized minimal residual (GMRES) algorithm, and conjugate residual (CR) algorithm. [9] For MIMO detections, the K-Best algorithm has been widely applied for multiple-antenna wireless communications. [10] Finally, simulation results based on MIMO detection are presented to confirm the performance gain by convergence enhancement. [11] For MIMO detection, a supervised DLNN, which is designed, trained and evaluated using a Keras library and TensorFlow, is implemented in this MDM optical transmission system. [12] We have used a DLNN for MIMO detection in MDM optical transmission system and have compared its performance with Zero Forcing (ZF) detector and Semi-Definite Relaxation Row-by-Row (SDR-RBR). [13] In this paper, to tackle this problem, we design two types of low-complexity MPA over the MIMO-SCMA extended factor graph to perform joint multiuser and MIMO detection. [14] In this paper, a novel efficient algorithm for MIMO detection in MIMO-OFDM systems has been proposed. [15]전력 제어, 빔포밍 및 MIMO 감지와 같은 몇 가지 인기 있는 작업의 경우 이러한 방법은 계산 노력, 채널 상태 정보(CSI) 등을 덜 필요로 하면서 최첨단 성능을 달성합니다. [1] 해상 실험 결과는 움직이는 표적의 MIMO 탐지에서 공동 처리 프레임워크의 효율성을 보여주었습니다. [2] 공간 다중화 신호에 대한 MIMO 감지를 위한 여러 알고리즘이 오늘날까지 개발되었습니다. [3] 이 조사는 주로 MIMO 감지에 사용되는 다양한 유형의 채널, 소스에서 대상으로 또는 그 반대로 신호를 전송하는 데 사용되는 안테나 수에 중점을 둡니다. [4] MIMO 감지는 MIMO 시스템 설계의 핵심 기술 중 하나입니다. [5] 이 논문에서 우리는 1비트 양자화된 관찰과 이진 기호 성좌에서 최대 가능성(ML) MIMO 감지를 고려합니다. [6] 본 논문에서는 MIDE(Modified IDE)라고 하는 새로운 반복 이산 추정(IDE) 알고리즘을 제안하여 업링크 대규모 MIMO 시스템에서 MIMO 감지의 계산 복잡성을 줄입니다. [7] 제안된 Gibbs 샘플링 방식으로 인한 수렴 이득을 확인하기 위해 MIMO 탐지를 기반으로 한 시뮬레이션 결과가 제공됩니다. [8] 본 논문에서는 M-MIMO 검출을 위해 MINRES(Minimal Residual) 알고리즘, GMRES(Generalized Minimum Residual) 알고리즘, CR(Conjugate Residual) 알고리즘을 포함하는 RBD(residual-based detection) 알고리즘을 제안한다. [9] MIMO 탐지를 위해 다중 안테나 무선 통신에 K-Best 알고리즘이 널리 적용되었습니다. [10] 마지막으로 MIMO 검출을 기반으로 한 시뮬레이션 결과를 제시하여 수렴 향상에 따른 성능 향상을 확인하였다. [11] MIMO 감지를 위해 Keras 라이브러리와 TensorFlow를 사용하여 설계, 훈련 및 평가되는 감독 DLNN이 이 MDM 광 전송 시스템에서 구현됩니다. [12] 우리는 MDM 광 전송 시스템에서 MIMO 감지를 위해 DLNN을 사용했으며 ZF(Zero Forcing) 감지기 및 SDR-RBR(Semi-Definite Relaxation Row-by-Row)과 성능을 비교했습니다. [13] 이 논문에서는 이 문제를 해결하기 위해 MIMO-SCMA 확장 요인 그래프를 통해 두 가지 유형의 저복잡도 MPA를 설계하여 공동 다중 사용자 및 MIMO 감지를 수행합니다. [14] 본 논문에서는 MIMO-OFDM 시스템에서 MIMO 검출을 위한 새롭고 효율적인 알고리즘을 제안하였다. [15]
Massive Mimo Detection 대규모 Mimo 감지
Several numerical experiments show that the proposed algorithm outperforms known massive MIMO detection algorithms, such as an MMSE detector with belief propagation decoding. [1] Several theoretical iterative techniques that can be used to balance complexity and performance for massive MIMO detection have been proposed in the literature. [2] However, the use of deep learning for massive MIMO detection can achieve a high degree of computational parallelism, and deep learning constitutes an important technical approach for solving the signal detection problem. [3] This paper presents a deep neural network (DNN)-based massive MIMO detection method which can overcome the above limitation. [4] In practical massive MIMO detection, besides the influence of the algorithm’s own characteristics on the detection results, the hardware circuits also affect the efficiency of signal detection. [5] In this paper, a low-complexity massive MIMO detection is first proposed based on approximate EP, which relieves the computational complexity of the exact EP while maintaining the good performance. [6] Thus, the research to find the perfect massive MIMO detection algorithm with optimal performance and low complexity has gained a lot of attention during the past decade. [7] Thus, an efficient iterative matrix inversion based on the hyper-power (HP) method is proposed for massive MIMO detection. [8] Simulation results justify the viability of the proposed detection algorithm than several existing massive MIMO detection algorithms, in terms of bit error rate performance with comparable computational complexity. [9]여러 수치 실험에서 제안된 알고리즘이 믿음 전파 디코딩이 있는 MMSE 검출기와 같은 알려진 대규모 MIMO 검출 알고리즘보다 성능이 우수함을 보여줍니다. [1] 대규모 MIMO 탐지를 위한 복잡성과 성능의 균형을 유지하는 데 사용할 수 있는 몇 가지 이론적 반복 기술이 문헌에서 제안되었습니다. [2] 그러나 대규모 MIMO 감지에 딥 러닝을 사용하면 높은 수준의 계산 병렬성을 달성할 수 있으며 딥 러닝은 신호 감지 문제를 해결하기 위한 중요한 기술적 접근 방식을 구성합니다. [3] 본 논문에서는 이러한 한계를 극복할 수 있는 DNN(Deep Neural Network) 기반의 대규모 MIMO 검출 방법을 제시한다. [4] 실제 대규모 MIMO 감지에서 알고리즘 자체 특성이 감지 결과에 미치는 영향 외에도 하드웨어 회로도 신호 감지의 효율성에 영향을 미칩니다. [5] 본 논문에서는 우수한 성능을 유지하면서 정확한 EP의 계산 복잡도를 완화하는 근사 EP를 기반으로 하는 저복잡도 대규모 MIMO 검출을 먼저 제안한다. [6] 따라서 최적의 성능과 낮은 복잡성을 갖춘 완벽한 대규모 MIMO 탐지 알고리즘을 찾기 위한 연구가 지난 10년 동안 많은 관심을 받았습니다. [7] 따라서 대용량 MIMO 검출을 위해 HP(hyper-power) 방법을 기반으로 하는 효율적인 반복 행렬 반전이 제안됩니다. [8] 시뮬레이션 결과는 비교 가능한 계산 복잡성과 비트 오류율 성능 측면에서 기존의 여러 대규모 MIMO 감지 알고리즘보다 제안된 감지 알고리즘의 실행 가능성을 정당화합니다. [9]
Scale Mimo Detection
In this paper, the enhanced channel hardening-exploiting message passing (ECHEMP) algorithm is proposed for large-scale MIMO detection to improve the decoding performance with less complexity cost, so as to a better decoding tradeoff. [1] Linear detectors such as Minimum Mean Square Error (MMSE), Zero Forcing are applied for large scale MIMO detection because of their low computational cost, but has the least performance. [2]본 논문에서는 더 나은 디코딩 트레이드오프를 위해 더 적은 복잡성 비용으로 디코딩 성능을 향상시키기 위해 대규모 MIMO 검출을 위한 ECHEMP(Enhanced Channel Hardening-Exploiting Message Passing) 알고리즘을 제안합니다. [1] MMSE(Minimum Mean Square Error), Zero Forcing과 같은 선형 검출기는 계산 비용이 낮기 때문에 대규모 MIMO 검출에 적용되지만 성능은 가장 낮습니다. [2]
Iterative Mimo Detection
In this article, we present a new iterative MIMO detection algorithm based on inexact alternating direction method of multipliers. [1] This research presents the performance of Gibbs sampling iterative MIMO detection and decoding scheme with maximum ratio combining (MRC). [2]이 기사에서는 곱셈기의 부정확한 교대 방향 방법을 기반으로 하는 새로운 반복 MIMO 감지 알고리즘을 제시합니다. [1] 이 연구는 최대 비율 결합(MRC)을 사용한 Gibbs 샘플링 반복 MIMO 탐지 및 디코딩 방식의 성능을 제시합니다. [2]
Joint Mimo Detection
We propose a deep-learning approach for the joint MIMO detection and channel decoding problem. [1] We propose a deep-learning approach for the joint MIMO detection and channel decoding problem. [2]공동 MIMO 감지 및 채널 디코딩 문제에 대한 딥 러닝 접근 방식을 제안합니다. [1] 공동 MIMO 감지 및 채널 디코딩 문제에 대한 딥 러닝 접근 방식을 제안합니다. [2]
mimo detection algorithm Mimo 감지 알고리즘
Finally, simulation of adopting different mMIMO detection algorithms are presented, which shows the Alternating Direction Method Of Multipliers (ADMM)-based infinity-norm (ADMIN) detector has the best performance. [1] Several numerical experiments show that the proposed algorithm outperforms known massive MIMO detection algorithms, such as an MMSE detector with belief propagation decoding. [2] In order to overcome the impacts of imperfect CSI for Internet of things, we propose a deep convolutional neural network (DCNN) based MIMO detection algorithm, where the DCNN is trained offline and works online to refine the imperfect CSI and improve the bit error rate of the wireless systems. [3] In this article, we present a new iterative MIMO detection algorithm based on inexact alternating direction method of multipliers. [4] The MIMO detection algorithm is the key for design of MIMO receiver. [5] In this paper, a novel and robust GSM-MIMO detection algorithm are proposed based on artificial bee colony optimization with mutation operator. [6] In this paper, we propose a novel information updating scheme for EP MIMO detection algorithm to achieve high performance with low complexity. [7] Thus, the research to find the perfect massive MIMO detection algorithm with optimal performance and low complexity has gained a lot of attention during the past decade. [8] Simulation results justify the viability of the proposed detection algorithm than several existing massive MIMO detection algorithms, in terms of bit error rate performance with comparable computational complexity. [9] Moreover, simulation results of adopting various mMIMO detection algorithms are presented. [10]마지막으로 다양한 mMIMO 검출 알고리즘을 적용한 시뮬레이션이 제시되며, 이것은 ADMM(Alternating Direction Method Of Multipliers) 기반 무한대 노름을 보여줍니다. (ADMIN) 감지기가 최고의 성능을 보입니다. [1] 여러 수치 실험에서 제안된 알고리즘이 믿음 전파 디코딩이 있는 MMSE 검출기와 같은 알려진 대규모 MIMO 검출 알고리즘보다 성능이 우수함을 보여줍니다. [2] 사물 인터넷에 대한 불완전한 CSI의 영향을 극복하기 위해 우리는 DCNN이 오프라인에서 훈련되고 불완전한 CSI를 개선하고 비트 오류율을 개선하기 위해 온라인으로 작동하는 심층 컨볼루션 신경망(DCNN) 기반 MIMO 감지 알고리즘을 제안합니다. 무선 시스템. [3] 이 기사에서는 곱셈기의 부정확한 교대 방향 방법을 기반으로 하는 새로운 반복 MIMO 감지 알고리즘을 제시합니다. [4] MIMO 검출 알고리즘은 MIMO 수신기 설계의 핵심입니다. [5] 본 논문에서는 돌연변이 연산자를 이용한 인공 벌집 최적화를 기반으로 하는 새롭고 강력한 GSM-MIMO 검출 알고리즘을 제안한다. [6] 본 논문에서는 낮은 복잡도로 고성능을 달성하기 위한 EP MIMO 검출 알고리즘을 위한 새로운 정보 업데이트 기법을 제안한다. [7] 따라서 최적의 성능과 낮은 복잡성을 갖춘 완벽한 대규모 MIMO 탐지 알고리즘을 찾기 위한 연구가 지난 10년 동안 많은 관심을 받았습니다. [8] 시뮬레이션 결과는 비교 가능한 계산 복잡성과 비트 오류율 성능 측면에서 기존의 여러 대규모 MIMO 감지 알고리즘보다 제안된 감지 알고리즘의 실행 가능성을 정당화합니다. [9] 또한 다양한 mMIMO 검출 알고리즘을 적용한 시뮬레이션 결과를 제시한다. [10]
mimo detection problem
In spite of the existence of various different SDRs for the MIMO detection problem in the literature, very little is known about the relationship between these SDRs. [1] The structure of the network is obtained from an iterative algorithm arising from the application of ADMM to the maximum-likelihood MIMO detection problem. [2] Neural network has been applied into MIMO detection problem and has achieved the state-of-the-art performance. [3]MIMO 감지 문제에 대해 다양한 SDR이 존재함에도 불구하고 이러한 SDR 간의 관계에 대해서는 알려진 바가 거의 없습니다. [1] 네트워크의 구조는 최대 가능성 MIMO 탐지 문제에 ADMM을 적용한 결과 발생하는 반복적인 알고리즘에서 얻습니다. [2] 신경망은 MIMO 탐지 문제에 적용되어 최첨단 성능을 달성했습니다. [3]
mimo detection technique 미모 감지 기술
The proposed MBM-mMIMO detection technique exploits the upper bound on support recovery error and iteratively minimizes the residual error associated with the estimated transmit vector. [1] Though machine learning-based MIMO detection techniques outperform conventional symbol detection techniques, in large user massive MIMO, they suffer from maintaining an optimal bias-variance trade-off to yield optimal performance from an individual model. [2] The implementation of MIMO detection techniques become a difficult missionas the computational complexity increases with the number of transmitting antenna and constellation size. [3]제안된 MBM-mMIMO 검출 기법은 지원 복구 오류의 상한을 활용하고 추정된 전송 벡터와 관련된 잔여 오류를 반복적으로 최소화합니다. [1] 기계 학습 기반 MIMO 감지 기술은 기존의 기호 감지 기술을 능가하지만 대규모 사용자 대규모 MIMO에서는 개별 모델에서 최적의 성능을 얻기 위해 최적의 편향-분산 균형을 유지하는 데 어려움을 겪습니다. [2] MIMO 검출 기술의 구현은 송신 안테나의 수와 성상도 크기에 따라 계산 복잡도가 증가함에 따라 어려운 임무가 됩니다. [3]
mimo detection scheme 미모 감지 체계
Compared with the traditional MIMO detection schemes, the MOMS scheme is more robust in the sparse multipath channel scenarios, and can obtain most spatial degrees of freedom (DoF) in terms of antenna aperture and channel geometry. [1] Using computer simulations, it is shown that the error performance can be significantly improved and computational complexity reduced compared to those of state-of-the-art MIMO detection schemes. [2] The main contributions of this paper include first, a proposal of newly developed iterative interference cancellation technique with parallel processing for MDL-impact mitigation, second, a comparative study on performance of MIMO detection schemes, and third, a demonstration of the longest dense SDM transmission over multicore (MC)-FMF. [3]기존의 MIMO 감지 방식과 비교할 때 MOMS 방식은 희소 다중 경로 채널 시나리오에서 더 강력하며 안테나 조리개 및 채널 기하학 측면에서 대부분의 공간 자유도(DoF)를 얻을 수 있습니다. [1] 컴퓨터 시뮬레이션을 사용하면 최신 MIMO 검출 방식에 비해 오류 성능이 크게 향상되고 계산 복잡성이 감소할 수 있음을 보여줍니다. [2] 이 논문의 주요 기여는 첫째, MDL 영향 완화를 위해 병렬 처리를 통해 새로 개발된 반복 간섭 제거 기술의 제안, 둘째, MIMO 탐지 방식의 성능에 대한 비교 연구, 셋째, 가장 긴 조밀한 SDM 전송의 시연을 포함합니다. 멀티코어(MC)-FMF를 통해 [3]
mimo detection method
This paper presents a deep neural network (DNN)-based massive MIMO detection method which can overcome the above limitation. [1] Using the total degradations (TD) criterion, an appropriate quiescent point is determined to decrease the impact of non-linearity level, and hence the performances of different MIMO detection methods are compared. [2]본 논문에서는 이러한 한계를 극복할 수 있는 DNN(Deep Neural Network) 기반의 대규모 MIMO 검출 방법을 제시한다. [1] 총 열화(TD) 기준을 사용하여 비선형성 수준의 영향을 줄이기 위해 적절한 정지점이 결정되므로 다양한 MIMO 감지 방법의 성능이 비교됩니다. [2]