An efficient deep learning network for MIMO detection using bayesian optimization

• Autorzy: Saini Mehak , Grewal Surender K.

Identyfikatory

DOI

10.15199/48.2024.12.05

Warianty tytułu

PL

Wydajna sieć głębokiego uczenia do wykrywania MIMO przy użyciu optymalizacji bayesowskiej

• Języki publikacji: EN

Abstrakty

EN

Despite the many advantages of Multiple Input Multiple Output (MIMO) Wireless Communication systems, their receiver design is quite a challenging task as there is always a trade-off between the receiver performance and the computational complexity. If performance is optimum, the computational complexity is exceptionally high and vice-versa. In this paper by using Bayesian Optimization, the performance of an AI-based MIMO receiver algorithm, called DetNet is improved. The results show an improvement in detection performance without any increase in time complexity.

PL

Pomimo wielu zalet systemów komunikacji bezprzewodowej MIMO (Multiple Input Multiple Output), ich konstrukcja odbiornika jest dość trudnym zadaniem, ponieważ zawsze istnieje kompromis między wydajnością odbiornika a złożonością obliczeniową. Jeśli wydajność jest optymalna, złożoność obliczeniowa jest wyjątkowo wysoka i odwrotnie. W tym artykule, dzięki zastosowaniu optymalizacji bayesowskiej, wydajność algorytmu odbiornika MIMO opartego na sztucznej inteligencji, zwanego DetNet, została poprawiona. Wyniki pokazują poprawę wydajności wykrywania bez żadnego wzrostu złożoności czasowej.

Słowa kluczowe

EN

MIMO; Bayesian optimization; deep learning; MIMO detection; hyperparameter tuning

PL

MIMO; optymalizacja bayesowska; głębokie uczenie; wykrywanie MIMO

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 12
• Strony: 18--20
• Opis fizyczny: Bibliogr. 16 poz., rys., tab.

Twórcy

autor

Saini Mehak

• Department of Electronics and Communication Engineering (ECE) at D.C.R. University of Sci. & Tech., Murthal, India

• https://orcid.org/0000-0001-8060-3968

autor

Grewal Surender K.

• Department of Electronics and Communication Engineering (ECE) at D.C.R. University of Sci. & Tech., Murthal, India

Bibliografia

• [1] M. Liyanage, I. Ahmad, A. B. Abro, A. Gurtov and M. Ylianttila, A Comprehensive Guide to 5G Security, Wiley, Hoboken, NJ,USA.
• [2] R. K. Verma, A. Kumar, and R. L. Yadava, "WI-FI reconfigurable dual band microstrip MIMO antenna for 5G and WI-FI WLAN applications." Przegląd Elektrotechniczny 97, 2021, pp. 66-71.
• [3] C. Zhang, Y. L. Ueng, C. Studer, and A. Burg, “Artificial Intelligence for 5G and Beyond 5G: Implementations, Algorithms, and Optimizations,” IEEE Journal on Emerging and Selected Topics in Circuits and Systems, vol. 10, no. 2, pp. 149-163, 2020.
• [4] B. Ozpoyraz, A. T. Dogukan, Y. Gevez, U. Altun and E. Basar, “Deep learning-aided 6G wireless networks: A comprehensive survey of revolutionary PHY architectures,” https://arxiv.org/abs/2201.03866
• [5] M. Saini and S. K. Grewal, "MIMO Systems in Wireless Communications: State of the Art," Information and Communication Technology for Competitive Strategies (ICTCS 2020) Intelligent Strategies for ICT (2021), pp.1141-1153.
• [6] A. K. Jagannatham, Principles of modern wireless communication systems, McGraw-Hill Education, 2015.
• [7] A. Datta and V. Bhatia, “A near maximum likelihood performance modified firefly algorithm for large MIMO detection,” Swarm and evolutionary computation, vol. 44, pp. 828-839, 2019.
• [8] M. Saini and S. K. Grewal, “On Investigations of Machine Learning and Deep Learning Techniques for MIMO Detection,” International Journal on Recent and Innovation Trends in Computing and Communication, vol. 11, no. 8s, pp. 406-414.
• [9] H. Hengtao, S. Jin, C.-K. Wen, F. Gao, G. Y. Li and Z. Xu, “Modeldriven deep learning for physical layer communications,” IEEE Wireless Communications, vol. 26, no.5. pp. 77-83, 2019.
• [10] S. Yang and H. Lajos, "Fifty years of MIMO detection: The road to large-scale MIMOs," IEEE Communications Surveys & Tutorials, vol. 17, no. 4, pp. 1941-1988, 2015.
• [11] Z. Lu, J. Wang and J. Song, “Multi-resolution CSI feedback with deep learning in massive MIMO system,” in ICC 2020: Proceedings of IEEE International Conference on Communications, Seoul, South Korea, pp. 1-6, 2019.
• [12] N. Samuel, T. Diskin and A. Wiesel, “Learning to Detect,” IEEE Transactions on Signal Processing, vol. 67, no. 10, pp. 2554-2564, 2019.
• [13] J. Snoek, H. Larochelle and R. P. Adam, “Practical Bayesian Optimization of Machine Learning Algorithms,” in NIPS 2012: Part of Advances in Neural Information Processing Systems 25, Lake Tahoe, Nevada, pp. 1-9, 2012.
• [14] J. Moosbauer, J. Harbinger, G. Casalicchio, M. Lindauer and B. Bischl, “Explaining Hyperparameter Optimization via Partial Dependence Plots” in NeurIPS 2021: Advances in Neural Information Processing Systems 34, pp. 2280-2291, 2021.
• [15] S. Pattnaik, “How (Not) to Interpret a Partial Dependence Plot” [online], 2022, https://www.kaggle.com/code/satyads/how-not-tointerpret- a-partial-dependence-plot
• [16] C. Molnar, “Global Model-Agnostic Methods” in Interpretable machine learning [online], 2020, https://christophm.github.io/interpretable-ml-book/pdp.html

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).