چطور این مقاله مهندسی برق را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008541 رایگان است. ترجمه چکیده این مقاله مهندسی برق در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل انگلیسی :
543 Kb
حجم فایل فارسی :
489 کیلو بایت
نوع فایل های ضمیمه :
pdf+word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
RoemNet: تخمین کانال بر مبنای تکنیک فرا یادگیری در سیستم های OFDM
عنوان انگليسي
RoemNet: Robust Meta Learning Based Channel Estimation in OFDM Systems
نویسنده/ناشر/نام مجله
IEEE International Conference on Communications (ICC)
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی برق شامل 6 صفحه انگلیسی به صورت پی دی اف و 18 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
اخیرا، برای رسیدن به کارائی بالا در سناریوهایی که کانال ارتباطی ناشناس و یا کانال بسیار پیچیده ای برای یک تشریح تحلیلی وجود دارد، از تخمین کانال بر مبنای شبکه ی عصبی (NN) در سیستم های مدولاسیون فرکانس عمود بر هم (OFDM) استفاده میشود. البته این روش یادگیری برای NN های رایج را نمیتوان هم راستا با مدل های کانالی دانست که در گام آموزش مورد استفاده قرار میگیرند. علاوه بر این، NN های رایج نیاز به داده های زیاد و زمان زیادی برای آموزش دارند که نمیتوان آنرا برای ارتباطات OFDM که دارای کانال هایی با تغییر زمانی هستند مناسب دانست. برای غلبه بر این چالش ها، یک روش تخمین کانال را بر مبنای تکنیک فرا یادگیری ارائه نموده ایم که RoemNet نام دارد. مشخصه ی متمایز این تکنیک این بوده که از یک فرا یادگیرنده استفاده نموده که میتواند یک محیط را از طریق کانال های مختلف مورد یادگیری قرار دهد. با بروز رسانی این یادگیرنده، RoemNet از قدرت کافی برای حل وظایف یادگیری در کانال و آنهم به وسیله ی تعداد کمی از پایلوت ها برخوردار میباشد. علاوه بر این، RoemNet میتواند تأثیر ناشی از دراپر را کاهش داده و نسبت خطای بیتی (BER) را در سطح قابل ملاحظه ای تحت محیط های کانال مخلتف بهبود دهد. نتایج آزمایشی نشان میدهد که روش پیشنهادی از کارائی بهتری نسبت به روش های تخمین کانال و آنهم تحت سناریوهای مختلف برخوردار میباشد.
1-مقدمه
در طی چند سال اخیر، مدولاسیون فرکانس عمود بر هم (OFDM) به عنوان یک فناوری نوظهور و با توانایی محو شوندگی چند کاناله و بهره برداری از طیف کانال توانسته است مورد توجه تحقیقات گسترده ای قرار گیرد...
تخمین کانال فرایادگیری مدولاسیون فرکانس عمود بر هم کانال محو شونده ی چند مسیره بی سیم
:کلمات کلیدی
Abstract
Recently, in order to achieve performance improvement in scenarios where the channel is either unknown, or too complex for an analytical description, Neural Network (NN) based channel estimation is introduced in Orthogonal Frequency Division Multiplexing (OFDM) systems. However, this kind of learning method is not reliable enough when the conditions of online deployment of the common NNs are not consistent with the channel models used in the training stage. Furthermore, common NNs need plenty of data as well as time to be trained, which is not suitable for the OFDM communication network with time varying channels. To tackle these challenges, we propose a novel meta learning based channel estimation approach called RoemNet. The most distinctive characteristic of RoemNet is that it involves a meta-learner that can learn from the environment of different channels. With the update of meta-learner, RoemNet is robust enough to solve new channel learning tasks using only a small number of pilots. Furthermore, RoemNet can alleviate the effect of Doppler spread and significantly improve the Bit Error Ratio (BER) performance under different channel environments. Experiment results demonstrate that the proposed RoemNet out performs existing channel estimation methods including existing learning methods under various scenarios.
Keywords:
Channel Estimation Meta Learning Orthogo- nal Frequency Division Multiplexing
سایر منابع مهندسی برق-مهندسی برق مخابرات در زمینه سیستم مخابراتی OFDM