Τεχνικές μηχανικής μάθηση για εξαιρετικά αξιόπιστη ανίχνευση συμβόλων στις ασύρματες επικοινωνίες

Abstract

Προχωρώντας προς την έκτη γενιά (sixth generation – 6G) ασυρμάτων επικοινωνιών, οι απαιτήσεις των συστημάτων σε φασματική αποδοτικότητα και ταχύτητα μετάδοσης συνεχώς αυξάνονται. Για να καλύψει τις ανάγκες αυτές τόσο η ερευνητική κοινότητα όσο και η βιομηχανία έστρεψαν την προσοχή τους σε δύο προσεγγίσεις. Η πρώτη προσέγγιση έχει να κάνει με την χρήση πιο πολύπλοκων σχημάτων μετάδοσης πληροφορίας Η δεύτερη προσέγγιση που ακολουθείται είναι η δημιουργία διασυνδέσεων σε υψηλότερες περιοχές του φάσματος. Στις συχνότητες αυτές τα μήκη κύματος είναι αρκετά μικρά και καθώς ο σχεδιασμός των βασικών μονάδων των πομποδεκτών εξαρτάται από το μήκος κύματος οι ατέλειες οδηγούν σε σημαντική υποβάθμιση της ποιότητας. η ανίχνευση του συμβόλου μετατρέπεται σε μία εξαιρετική πολύπλοκη διαδικασία. Έχοντας αυτό ως βασικό κίνητρο, προτείνουμε μια προσέγγιση μηχανικής μάθησης, η οποία έχει ως βασικό στόχο να δώσει λύση στην ανίχνευση των συμβόλων βελτιώνοντας έτσι την απόδοση. Το μοντέλο του συστήματος είναι η ορθογώνια πολυπλεξία διαίρεση συχνότητας θεωρώντας τέλειο πομπό και δέκτη σε κανάλι διαλείψεων Rayleigh. Το σύστημα προσομοιώνεται για διαφορετικά επίπεδα ατελειών In-phase and Quadrature τόσο του πομπού όσο του δέκτη, ώστε να γίνει κατανοητό το όριο πάνω από το οποίο η επίδραση των ατελειών έχει σημαντική επίδραση στις επιδόσεις του συστήματος. Έχει αναπτυχθεί μια τεχνική εκτίμησης καναλιών Deep Learning, όπου η αποτελεσματικότητα του προσομοιώνεται και υλοποιείται για διάφορες πιλοτικές ρυθμίσεις κάτω από διαφορετικές παραμέτρους λειτουργίας. Το βαθύ νευρωνικό δίκτυο που χρησιμοποιήθηκε εκπαιδεύτηκε με δεδομένα που έχουν δεχτεί παραμορφώσεις από την μετάδοση. Τέλος συγκρίνει τις τεχνικές εκτίμησης Least Squares, Minimum Mean Square Error και το Deep Learning σχετικά με τον ρυθμό σφάλματος συμβόλων σε συνάρτηση με την ενέργεια ανά σύμβολο προς την πυκνότητα φάσματος θορύβου. Το Deep Learning αποδείχθηκε ισχυρότερο όταν χρησιμοποιούμε μικρούς πιλότους και όταν αυξάνεται η ανισορροπία.