Deep learning para equalização de canal e detecção conjunta de sinais GFDM
Resumo
Nas últimas décadas, o campo das telecomunicações vem passando por uma rápida e
constante evolução, impulsionada pelo aumento exponencial na demanda por comunicação ultraconfiável, de baixa latência, alta velocidade e alta capacidade. Tecnologias como
a Multiplexação por Divisão de Frequência Ortogonal (OFDM) e a Multiplexação por Divisão de Frequência Generalizada (GFDM) têm se destacado devido à eficiência espectral
e robustez contra interferências. O GFDM visa superar algumas limitações do OFDM,
oferecendo maior flexibilidade espectral e prometendo ser uma solução robusta para futuras redes de comunicação. No entanto, a complexidade envolvida na detecção do sinal
GFDM, especialmente devido ao uso de formas de onda não ortogonais, ainda representa
um desafio significativo a ser superado. Por outro lado, o uso de aprendizado profundo
(DL) tem sido explorado extensivamente para resolver desafios complexos no campo das
telecomunicações. Na camada física, o DL está sendo aplicado em tarefas como detecção
e correção de erros, compressão de dados, otimização de forma de onda, formação de
feixes, entre outras aplicações. Neste contexto, este trabalho propõe o uso de algoritmos
de DL, incluindo redes neurais de valores reais (RVNNs) e redes neurais de valores complexos (CVNNs), para equalização de canal e detecção conjunta de sinais em sistemas
GFDM. Os resultados de duas soluções baseadas em DL são comparados com abordagens clássicas: uma usando o algoritmo de mínimos quadrados (LS) como estimador de
canal e outra usando o algoritmo linear de mínimos erros quadráticos médios (LMMSE),
ambas utilizando o algoritmo Zero Forcing (ZF). Os resultados são avaliados em termos de
taxa de erro de bit (BER) em um canal 5G dispersivo, sujeito a não linearidades (clipping)
e com prefixo cíclico menor que o espalhamento temporal do canal. Além disso, são apresentadas análises de convergência das redes neurais e uma comparação da complexidade
computacional entre as soluções baseadas em DL e as abordagens clássicas. Os resultados demonstram que as soluções propostas superam as abordagens clássicas, resultando
em menor taxa de erro de bit, e aumentam significativamente a taxa de transmissão de
dados, uma vez que não exigem o envio de portadoras piloto. Destaca-se especialmente a
rede neural de valores complexos SCFNN, que supera todas as outras técnicas avaliadas
em todos os cenários simulados, especialmente em condições de não linearidade, prefixo
cíclico reduzido e modulações de alta ordem, onde as técnicas clássicas mostram-se menos eficientes.
Coleções
Os arquivos de licença a seguir estão associados a este item:
Exceto quando indicado o contrário, a licença deste item é descrito como Acesso Aberto