تخمین کانال و آشکارسازی سیگنال در سیستم‌های مبتنی بر OFDM با رویکرد یادگیری ماشین

نوع مقاله : مقاله پژوهشی

نویسندگان
فاطمه صباحی بیدگلی
امیر‌مسعود ربیعی
دانشکده مهندسی برق و کامپیوتر، دانشگاه تهران، تهران، ایران
چکیده
در سال‌های اخیر، با گسترش روزافزون شبکه‌های مخابرات داده میزان تقاضا برای استفاده از طیف فرکانسی بی‌سیم نیز افزایش یافته است. با توجه به محدودیت طیف فرکانسی، پاسخ‌گویی به این حجم از تقاضا، نیازمند افزایش بهره‌وری طیفی است. یکی از روش‌های بهبود بهره‌وری طیفی، استفاده از فناوریOFDM  برای رسیدن به ظرفیت بیشتر و بالا بردن نرخ ارسال و دریافت داده است‌. چالش اساسی در کانال‌های بی‌سیم، ماهیت فرکانس‌گزینی  و تغییرپذیری این کانال‌ها با زمان است. این مسأله غالباً باعث می‌شود که تخمین کانال، فرآیندی پیچیده و همراه با خطا باشد که خود منجر به افزایش احتمال خطا در آَشکارسازی داده‌ها می‌شود. در نتیجه، تخمین کارآمد ضرایب کانال در سیستم‌های مخابرات بی‌سیم، همواره مورد توجه پژوهش‌گران این حوزه بوده است. در این مقاله، نخست تعدادی از روش‌های شناخته‌شده‌ی تخمین کانال‌های بی‌سیم را معرفی می‌کنیم. سپس با بیان برخی مشکلات این روش‌ها‌، روش‌های جدیدی را برای تخمین کانال مورد بررسی قرار می‌دهیم که بر مبنای یادگیری ماشین  کار می‌کنند. در ادامه روش پیشنهادی خود را ارائه می‌دهیم که این روش می‌تواند چند نمونه از نقص‌های رو‌ش‌های قبلی را برطرف کند، در پایان روش پیشنهادی را با برخی از روش‌های موجود در ادبیات مسأله، میزان پیچیدگی الگوریتم و نرخ خطای بیت آشکارسازی سمبل‌ها مقایسه نموده و کارایی آن‌ها را در سناریو‌های مختلف بررسی می‌کنیم.‌ 

کلیدواژه‌ها

  • [1] T. Hwang, C. Yang, G. Wu, S. Li, and G. Y. Li, “ OFDM and its wireless applications: A survey,” IEEE Trans. Veh. Technol., Vol. 58, No. 4, pp. 1673–1694, May 2009.
  • [2] G. Y. Li, N. Seshadri, and S. Ariyavisitakul, “Channel estimation for OFDM systems with transmitter diversity in mobile wireless channels,” IEEE J. Sel. Areas Commun., Vol. 17, No. 3, pp. 461–471, Mar. 1999.
  • [3] Lei Yang, Qing Zhao and Yindi Jing, “Channel Equalization and Detection with ELM-Based Regressors for OFDM Systems,” IEEE Communications Letters, Vol. 24, No. 1, Jan. 2020.
  • [4] Ponnaluru, S, Penke, S, “Deep learning for estimating the channel in orthogonal frequency division multiplexing systems,” J. Ambient Intell. Hum. Comput., 2020.
  • [5] G. Y. Li, N. Seshadri, and S. Ariyavisitakul, “Channel estimation for OFDM systems with transmitter diversity in mobile wireless channels,” IEEE Journal on Selected Areas in Communications, Vol. 17, No. 3, pp. 461–471, Mar. 1999.
  • [6] Manisha Sutar,Vikram Patil, “LS and MMSE Estimation with Different Fading Channels for OFDM System,” International Conference of Electronics, Communication and Aerospace Technology (ICECA), Apr. 2017.
  • [7] Chi-Cheng Kuo, and M. B. Basnet, “Improved Pilot-Aided Channel Estimation for MIMO-OFDM Fading Channels,” International Journal of Antennas and Propagation, 2013.
  • [8] Hao Ye, Geoffrey Ye Li, and Biing-Hwang Juang, “Power of Deep Learning for Channel Estimation and Signal Detection in OFDM System“, IEEE Wireless Communications Letters, Vol. 7, No. 1, Feb. 2018.
  • [9] Pallaviram Sure, Chandra Mohan Bhuma ,” A survey on OFDM channel estimation techniques based on denoising strategies,” Engineering Science and Technology, an International Journal. 20 April 2017.
  • [10] Jun Liu ,KaiMei , Xiaochen Zhang, Dongtang Ma, Senior Member and Jibo Wei, “Online Extreme Learning Machine-Based Channel Estimation and Equalization for OFDM Systems’’, IEEE Wireless Communications Letters, Vol. 23, No. 7, July 2019.
  • [11] P. Kyosti et al., “WINNER II channel models” , Eur. Commission, Brussels, Belgium, Tech. Rep. D1.1.2 IST-4-0-WINN27756 ER, Sep. 2007.
  • [12] Cyril-Daniel Iskander ,Hi-Tek Multisystems. “A MATLABR - based Object - Oriented Approach to Multipath Fading Channel Simulation,” (https://www.mathworks.com/‌ matlabcentral/ fileexchange/ 18869-a-matlab-based-object-oriented-approach-to-multipath-fading-channel-simulation), MATLAB Central File Exchange. Retrieved August 28, 2022.
علوم رایانش و فناوری اطلاعات
دوره 20، شماره 2
پاییز و زمستان 1401
پاییز 1401