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

عنوان فارسی

توان یادگیری عمیق برای تخمین کانال و تشخیص سیگنال در سیستم های OFDM

عنوان انگلیسی

Power of Deep Learning for Channel Estimation and Signal Detection in OFDM Systems

کلمات کلیدی

یادگیری ماشین؛ OFDM؛ تخمین کانال؛ مدل های داده؛ ارتباطات بیسیم؛ اعوجاج غیرخطی

درسهای مرتبط

مخابرات

تعداد صفحات انگلیسی : 4 نشریه : IEEE
سال انتشار : 2017 تعداد رفرنس مقاله : 10
فرمت مقاله انگلیسی : PDF نوع مقاله : ISI
قیمت دانلود مقاله
37,000تومان
دانلود رایگان مقاله انگلیسی
آیا این مقاله برای بیس پایان نامه مناسب است؟ : بله آیا این مقاله برای ارائه کلاسی مناسب است؟ : بله
برنامه ای که در آن مقاله شبیه سازی شده است : این مقاله در محیط متلب پیاده سازی شده است نام مجله مقاله : IEEE Wireless Communications Letters (مجله ارتباطات بیسیم)
ترجمه: ندارد گزارشکار : ندارد شبیه سازی : دارد (فایل های شبیه سازی در نرم افزار متلب با فرمت .m)

این مقاله در محیط متلب به صورت کامل شبیه سازی شده و در صورت خرید و دانلود مقاله شما به راحتی قادر خواهید بود از برنامه مربوطه استفاده نمایید. در صورت بروز هر گونه مشکل در نحوه ی اجرای برنامه سایت سیگمالند به مدت 24 ساعت بعد از خرید محصول، پشتیبانی آن را تا اجرای کامل برعهده دارد.

توضیحات و مشاهده مقاله انگلیسی

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:

پروژه یادگیری عمیق برای تخمین کانال

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “دانلود شبیه سازی مقاله یادگیری عمیق برای تخمین کانال و تشخیص سیگنال در OFDM”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

سیزده − 6 =

آموزش برنامه نویسی

پشتیبانی

ارتباط با ما

  • شماره تماس : 09360147484
  • ایمیل : info@sigmaland.ir

نماد اعتماد الکترونیکی

لوگو طلایی

logo-samandehi
تمامی حقوق مادی و معنوی برای سایت سیگمالند محفوظ است.