Deep Learning-Based MIMO Detection under Power-Amplifier Nonlinearity and Channel Memory for 5G Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Realistic fifth-generation (5G) deployments must contend with time-correlated fading and power amplifier (PA) nonlinearity impairments that are often studied in isolation. This work introduces a unified MATLAB 5G-Toolbox framework and custom dataset for deep learning (DL)-based multiple-input multiple-output (MIMO) detection under power amplifier (PA) nonlinearity and channel memory. Specifically, we implement four detectors based on a fully connected neural network (FCNN), a convolutional neural network (CNN), a residual network (ResNet), and a long-short-term memory (LSTM) network to evaluate their bit error rate (BER) under quadrature amplitude modulation (QAM). A sphere decoding (SD) algorithm, which employs minimum mean squared error (MMSE) initialization and Schnorr–Euchner (SE) ordering, is used as a near maximum likelihood (ML) benchmark. Extensive Monte Carlo simulations are performed over an E<inf xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">b/</inf>N<inf xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">0</inf> range of 0 to 18 dB (with an effective 6 dB signal-to-noise ratio (SNR) shift for 16-QAM). Our results demonstrate that CNN- and ResNet-based detectors achieve competitive performance within 2–3 dB of ML performance under severe nonlinearity, while reducing inference run-time by more than 50% on an Intel i7 CPU compared to ML and SD algorithms. In the urban macro-scenario, where rapid temporal variations and channel memory degrade conventional models, an LSTM-based detector demonstrates superior robustness by explicitly leveraging time-series dependencies. A detailed cost–complexity analysis is also provided, reporting floating point operations (FLOPs) and the actual run-time per block on specified hardware to quantify the trade-off between detection accuracy and computational effort. .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle