دانلود شبیه سازی مقاله یادگیری عمیق برای تخمین کانال و تشخیص سیگنال در OFDM

پروژه متلب OFDM

مولتی پلکس تقسیم فرکانسی متعامد (OFDM)، یک طرح مدولاسیون مشهور است که کاربرد گسترده ای در سیستم های پهن باند بی سیم برای مقابله با محو شدگی فرکانس گزین (گزیننده فرکانس) در کانال های بی سیم، داشته است. «اطلاعات وضعیت کانال» (CSI) برای شناسایی و رمزگشایی همدوس و منسجم در سیستم های OFDM، بسیار مهم هستند. معمولاً، CSI را می توان بوسیله پیلوت هایی قبل از شناسایی داده های ارسال شده، برآورد نمود. بعد از برآورد CSI، نمادهای ارسال شده در طرف گیرنده، قابل بازیابی هستند. در گذشته، تخمین کانال در سیستم های OFDM، مورد مطالعه گسترده ای قرار گرفته اند. روش های تخمین سنتی، یعنی حداقل مربعات (LS) و «حداقل خطای میانگین مربعات» (MMSE)، در شرایط مختلف بکار گرفته شده و بهینه سازی شده اند. روش تخمین LS نیاز به آمارهای قبلی کانال ندارد، اما عملکرد آن ممکن است ناکافی باشد. بطور کلی، تخمین MMSE باعث عملکرد آشکار سازی بسیار بهتر با بکارگیری آماره های مرتبه دوم کانال، می شود.

این مقاله، نتایج اولیه یادگیری عمیق برای تخمین کانال و آشکارسازی سیگنال در سیستم های «مولتی پلکس تقسیم فرکانسی متعامد» (OFDM) را ارائه می دهد. در اینجا، از یادگیری عمیق برای مدیریت کانال های OFDM بی سیم به صورت «انتها به انتها»، بهره می گیریم. متفاوت با گیرنده های OFDM موجود که ابتدا به صورت صریح «اطلاعات وضعیت کانال» (CSI) را تخمین می زنند و سپس نمادهای انتقال یافته را با استفاده از CSI تخمین زده شده، آشکارسازی/بازیابی می کنند، روش مبتنی بر یادگیری عمیق پیشنهادی، به صورت ضمنی و غیرصریح CSI را تخمین می زند و به صورت مستقیم نمادهای ارسال شده را بازیابی می کند. برای رفع مسئله اعوجاج کانال، ابتدا یک مدل یادگیری عمیق به صورت غیربرخط با استفاده از داده های تولید شده از شبیه سازی مبتنی بر آماره های کانال، آموزش داده می شود و سپس برای بازیابی مستقیم داده های منتقل شده به صورت برخط، استفاده می شود. از نتایج شبیه سازی دریافته می شود که، روش مبتنی بر یادگیری عمیق می تواند مسئله اعوجاج کانال را برطرف کند و شناسایی نمادهای ارسال شده را با عملکرد مشابه با تخمینگر حداقل مربعات خطای میانگین، انجام دهد. علاوه برآن، روش مبتنی بر یادگیری عمیق نسبت به روشهای متداول، استوارتر هستند هنگامی که پیلوت های آموزشی کمتری استفاده شوند، پیشوند سیکلی نادیده گرفته شود و نویز برش دهنده (clipping) غیرخطی وجود داشته باشد. به طور خلاصه، یادگیری عمیق، یک ابزار نویدبخش برای تخمین کانال و شناسایی سیگنال در ارتباطات بی سیم که اعوجاج و تداخل کانال پیچیده دارند، می باشد.

این مقاله مربوط به سال 2017 بوده و در محیط نرم افزار متلب (MATLAB)، شبیه سازی شده است. در ادامه، تصویر مربوط به خروجی شبیه سازی قرار داده شده است: