Estimação e equalização de canal conjunta em um sistema de multiplexação espacial MIMO-OFDM por redes neurais artificiais
Resumen
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.
Colecciones
El ítem tiene asociados los siguientes ficheros de licencia: