dc.contributor.advisor | Valduga, Samuel Tumelero | |
dc.creator | Maziero, Emanuel Savegnago | |
dc.date.accessioned | 2024-07-26T13:50:48Z | |
dc.date.available | 2024-07-26T13:50:48Z | |
dc.date.issued | 2024-07-10 | |
dc.date.submitted | 2024 | |
dc.identifier.citation | MAZIERO, E. S. Estimação e equalização de canal conjunta em um sistema de multiplexação espacial MIMO-OFDM por redes neurais artificiais. 2024. 61p. Trabalho de Conclusão de Curso (Graduação em Engenharia de Telecomunicações) - Universidade Federal de Santa Maria, Santa Maria, RS, 2024. | por |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/32524 | |
dc.description | Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Telecomunicações, RS, 2024. | por |
dc.description.abstract | Modern wireless communication faces significant challenges in dealing with complex ra dio channels, especially in urban scenarios with many obstacles and multiple paths that result in overlapping symbols, destructive interference, and echoes of transmitted signals. This leads to inter-symbol interference problems, which in turn cause bit and symbol er rors, degrading system performance. Channel estimation and equalization are the parts of signal reception responsible for understanding how the channel distorted the signal and removing this effect. The current fifth-generation mobile internet (5G) systems are powerful and complex, and their growth has allowed for advances in research and the emergence of MIMO-OFDM (Multiple Input Multiple Output Orthogonal Frequency Division Multiple xing) systems. These systems combine multiple transmitting and receiving antennas with transmission on orthogonal subcarriers to increase capacity, spectral efficiency, speed, and reliability of transmissions. In this context, the proposal of this work is to address the issue of channel estimation and equalization using artificial neural networks capable of performing these two tasks jointly in a MIMO-OFDM spatial multiplexing system, whose transmission is carried out in a channel based on a model of 5G standards. These neural networks are trai ned offline and do not use pilots. The results of this proposal show that neural networks can outperform classical techniques, including the less practical ones such as Minimum Mean Squared Error (MMSE). The complex artificial neural network (RNC) had the best Bit Error Rate (BER) results at Eb/N0 = 0 and 5 dB, while the RNAS stood out at 10 dB, maintaining a small difference compared to MMSE across the entire Eb/N0 range. The real artificial neural network (RNAR), finally, outperformed the other techniques from Eb/N0 = 15 dB. Neural networks and MMSE were analyzed in some adverse scenarios to verify the robust ness of these solutions. To simulate a scenario where the receiver terminals are moving, the Doppler effect was added, and to represent a more difficult transmission, a channel with more delays was used. To analyze the degradation caused by ISI, the transmission was carried out without the OFDM cyclic prefix. The results show that, in these adverse scenarios, the networks generally perform better than MMSE, except in the case of the Doppler effect. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Aberto | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Estimação de Canal | por |
dc.subject | Equalização de Canal | por |
dc.subject | MIMO | eng |
dc.subject | OFDM | eng |
dc.subject | Multiplexação Espacial | por |
dc.subject | Machine Learning | eng |
dc.subject | Redes Neurais | por |
dc.subject | Redes Neurais Complexas | por |
dc.subject | Channel Estimation | eng |
dc.subject | Channel Equalization | eng |
dc.subject | Spatial Multiplexing | eng |
dc.subject | Neural Networks | eng |
dc.subject | Complex-Valued Neural Networks | eng |
dc.title | Estimação e equalização de canal conjunta em um sistema de multiplexação espacial MIMO-OFDM por redes neurais artificiais | por |
dc.title.alternative | Artificial neural networks channel estimation and equalization in a spatial multiplexing MIMO-OFDM system | eng |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Santa Maria, RS, Brasil. | por |
dc.degree.graduation | Engenharia de Telecomunicações | por |
dc.description.resumo | A comunicação sem fio moderna enfrenta grandes desafios para lidar com os complexos canais de rádio, especialmente em cenários urbanos com muitos obstáculos e múltiplos percursos que resultam em símbolos superpostos, interferência destrutiva e ecos dos sinais transmitidos. Isso faz com que o sistema tenha problemas de interferência intersimbólica, o que, por sua vez, causa erros de bits e símbolos, degradando a performance do sistema. A estimação e a equalização do canal são as partes da recepção do sinal responsáveis por entender como o canal distorceu o sinal e retirar esse efeito. Os sistemas atuais da quinta geração de internet móvel (5G) são poderosos e complexos, e o crescimento desses sistemas permitiu o avanço das pesquisas e o surgimento dos sistemas MIMO-OFDM (Multiple Input Multiple Output Orthogonal Frequency Division Multiplexing), que unem os sistemas de múltiplas antenas transmissoras e receptoras com a transmissão em subportadoras ortogonais em busca de aumentar a capacidade, eficiência espectral, velocidade e confiabilidade das transmissões. Nesse contexto, a proposta deste trabalho é abordar a questão da estimação e equalização de canal utilizando redes neurais artificiais capazes de realizar essas duas tarefas de forma conjunta em um sistema de multiplexação espacial MIMO-OFDM cuja transmissão é feita em um canal baseado em um modelo das normas do 5G. Essas redes neurais são treinadas offline e não usam necessitam do uso de pilotos. Os resultados dessa proposta mostram que as redes neurais conseguem superar as técnicas clássicas, até mesmo as pouco práticas como o Minimum Mean Squared Error (MMSE). A rede neural artificial complexa (RNC) teve os melhores resultados de Bit Error Rate (BER) em Eb/N0 = 0 e 5 dB, enquanto a RNAS se destacou em 10 dB, mantendo uma diferença pequena em relação ao MMSE em toda faixa de Eb/N0. A rede neural artificial real (RNAR), por fim, superou as outras técnicas a partir de Eb/N0 = 15 dB. As redes neurais e o MMSE foram analisados em alguns cenários adversos a fim de verificar a robustez dessas soluções. Para simular um cenário onde há movimentação dos terminais receptores, foi adicionado o efeito Doppler, e para representar uma transmissão mais difícil, foi usado um canal com mais atrasos. Para analisar a degradação causada pela ISI, a transmissão foi feita com a ausência do prefixo cíclico OFDM. Os resultados mostram que, nesses cenários adversos, as redes geralmente performam melhor que o MMSE, exceto no caso do efeito Doppler. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOES | por |
dc.publisher.unidade | Centro de Tecnologia | por |