شبیه سازی آموزشی پیش بینی کانال مبتنی بر حافظه کوتاه مدت برای سیستم SISO با متلب

 

چکیده مقاله (ترجمه ماشینی)

یادگیری ویژگی های یک کانال بی سیم یکی از اساسی ترین و چالش برانگیزترین مسائل در ارتباطات بی سیم است. بسیاری از تکنیک های مرسوم پردازش سیگنال تا کنون برای تخمین اطلاعات وضعیت کانال توسعه یافته اند. در این مقاله، ما یک رویکرد جدید مبتنی بر یادگیری عمیق با استفاده از شبکه عصبی حافظه کوتاه مدت (LSTM) برای پیش‌بینی کانال محو شدن Rayleigh با متغیر سریع ارائه می‌کنیم. با داشتن کاربرد شناخته شده شبکه عصبی LSTM در زمینه مسائل پیش بینی سری زمانی، از LSTM برای پیش بینی وضعیت آینده کانال با ارائه مقادیر وضعیت کانال گذشته استفاده کرده ایم. مقادیر پیش بینی شده کانال برای بازیابی نماد ارسالی از سیگنال نویز دریافتی در انتهای گیرنده استفاده می شود. ما پیکربندی شبکه LSTM را با تنظیم صحیح فراپارامترها بهینه کرده‌ایم تا پیش‌بینی درستی از کانال بدست آوریم که به نوبه خود برای بازسازی سیگنال در انتهای گیرنده استفاده می‌شود. نمودار نرخ خطای بیت شبیه‌سازی شده در مقابل نمودار نسبت سیگنال به نویز ثابت می‌کند که پیش‌بینی‌کننده کانال مبتنی بر LSTM بهتر از پیش‌بینی‌کننده کانال مبتنی بر درونیابی فعلی استفاده می‌شود.

کلمات کلیدی- یادگیری عمیق، کانال محو ریلی، شبکه عصبی LSTM، ارتباطات بی سیم، سیستم SISO.

 

مقدمه ارتباطات یک زمینه غنی متشکل از دانش دامنه در مورد مدل‌سازی انواع کانال‌ها، تکنیک‌های سیگنالینگ و تشخیص و طرح‌های مدولاسیون مختلف است [1]، [2] که قابلیت اطمینان انتقال داده بین فرستنده و گیرنده را تضمین می‌کند [3]. بیشتر برای افزایش کارایی در عملکرد فن آوری های بی سیم. ما باید در انطباق با آخرین فناوری‌ها، مانند رویکردهای داده‌محور با استفاده از یادگیری ماشین و الگوریتم‌های یادگیری عمیق، مطیع باشیم. تکنیک‌های دسترسی چندگانه مختلف مانند دسترسی چندگانه تقسیم فرکانس (FDMA) در فرکانس، دسترسی چندگانه تقسیم زمانی (TDMA) در طول زمان و طرح‌های دسترسی چندگانه تقسیم کد [4] در سراسر شبه کدهای مختلف به افزایش کیفیت خدمات (QoS) و بهبود عملکرد قابل توجهی را نشان داد اما ما نمی توانیم بیشتر از این با آنها پیش برویم. امروزه رویکرد داده‌محوری با موفقیت زیادی در زمینه‌هایی مانند تحقق بینایی از طریق رایانه، پردازش زبان انسان و طبقه‌بندی تصویر به دست آمده بود [5]، [6]. برای اینکه یک انتقال داده قابل اعتماد اتفاق بیفتد، باید کانال را به درستی مدل سازی کنیم، اما مدل سازی دقیق کانال از نظر ریاضی تقریباً غیرممکن است، بنابراین ما به سمت یک رویکرد مبتنی بر احتمال می رویم. الگوریتم‌های پردازش سیگنال اصلی که در ارتباطات استفاده می‌شوند، در عملکرد بهبود نمی‌یابند [7]. الگوریتم‌های مبتنی بر یادگیری عمیق در زمینه ارتباطات بی‌سیم [8] به دلیل قدرت بهبود عملکرد در مناطقی که تولید مدل‌های ریاضی غیرممکن است، استفاده شد، اما با در نظر گرفتن مدل یادگیری عمیق به عنوان یک جعبه سیاه می‌توانیم آن را تنظیم کنیم. هایپرپارامترها تا بتوانیم خروجی سیستم را کنترل کنیم [9]. موج بعدی فناوری بی سیم با مشکل تأخیر شبکه مواجه می شود زیرا تعداد اتصالات روی یک شبکه به شدت افزایش می یابد. دامنه یادگیری عمیق به گونه ای است که باید به طور خودکار به شبکه موجود تنظیم شود و با توجه به توان آن را افزایش یا کاهش دهد. به گیرنده مربوطه اخیراً یادگیری ماشین که یک کلاس ریشه ای از یادگیری عمیق است در زمینه ارتباطات برای کارهایی مانند تشخیص طرح مدولاسیون، تکنیک های رمزگذاری کانال و تکنیک های رمزگشایی، در تخمین تساوی کانال و کانال استفاده شده است [10]، [11] ، [12]، [13]. در سال های اخیر قدرت محاسباتی به شدت افزایش یافته است و الگوریتم هایی با سرعت و سرعت توسعه یافته اند که از داده ها استفاده می کنند. در تحقیقات لایه فیزیکی، با در نظر گرفتن کاربردهای یادگیری عمیق، نه تنها سعی در بهبود عملکرد تک تک بلوک ها داریم، بلکه سعی می کنیم با در نظر گرفتن فرستنده، کانال و گیرنده به عنوان یک مدل یادگیری عمیق، عملکرد کل سیستم ارتباطی را افزایش دهیم. ترتیب به عنوان رمزگذار خودکار نامیده می شود[14]. تخمین کانال با استفاده از روش حداقل مربعات (LS) و برآوردگرهای روش حداقل میانگین مربعات خطا (MMSE) در موارد زیادی مورد استفاده قرار گرفته است [15]. از این میان، برآوردگر حداقل مربعات به مقادیر کانال قبلی نیاز ندارد. برآوردگر MMSE با در نظر گرفتن آمار مرتبه دوم کانال بهتر عمل می کند. در مقاله ای مربوط به دسترسی چندگانه تقسیم فرکانس متعامد (OFDM) [16] کاربرد یادگیری عمیق که عمدتاً بر شبکه عصبی پیشروی تغذیه متمرکز شده است، نتایج اولیه را در روش های یادگیری برای مقابله با کانال های بی سیم و حذف پیشوند چرخه ای ارائه می دهد. در OFDM و استفاده از پایلوت های محدود و اعوجاج های نویز غیر خطی مورد بحث قرار گرفته است [17].

 

شبیه سازی آموزشی پیش بینی کانال مبتنی بر حافظه کوتاه مدت برای سیستم SISO با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده است .