Odhad kanálu v OFDM systémech pomocí deep learning metod
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Diplomová práce se zabývá simulací rádiového komunikačního systému OFDM v základním pásmu a jeho následnou ekvalizací. Model je založen na standardu IEEE 802.11n. Vývoj a simulace modelu byly vytvořeny v programových prostředích MATLAB a Python. Byly využity konvenční metody estimace kanálu (LS, MMSE), ale také nekonvenční metody jako je ekvalizace kanálu s využitím strojového učení. Byly provedeny experimenty s architekturami umělých neuronových sítí a studována závislost na kvalitě ekvalizace. Funkce modelu byla vyhodnocována kódovanou a nekódovanou bitovou chybovostí BER.
This paper describes a wireless communication model based on IEEE 802.11n. Typical methods for channel equalisation and estimation are described, such as the least squares method and the minimum mean square error method. Equalization based on deep learning was used as well. Coded and uncoded bit error rate was used as a performance identifier. Experiments with topology of the neural network has been performed. Programming languages such as MATLAB and Python were used in this work.
This paper describes a wireless communication model based on IEEE 802.11n. Typical methods for channel equalisation and estimation are described, such as the least squares method and the minimum mean square error method. Equalization based on deep learning was used as well. Coded and uncoded bit error rate was used as a performance identifier. Experiments with topology of the neural network has been performed. Programming languages such as MATLAB and Python were used in this work.
Description
Keywords
IEEE 802.11n, Deep Learning, Python, Tensorflow, DL, Keras, Strojové učení, OFDM, Ekvalizace, Estimace, Odhad, Vyrovnavač, Kanál, Cyklický prefix, Rádiové prostředí, IEEE 802.11n, OFDM, Deep learning, Neural network, Artificial, Cyclic prefix, LS, MMSE, Keras, Tensorflow, Equalization, Channel, Deep neural network
Citation
HUBÍK, D. Odhad kanálu v OFDM systémech pomocí deep learning metod [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2019.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Elektronika a sdělovací technika
Comittee
prof. Ing. Tomáš Kratochvíl, Ph.D. (předseda)
doc. Ing. Jiří Petržela, Ph.D. (místopředseda)
prof. Ing. Otakar Wilfert, CSc. (člen)
doc. Ing. Martin Štumpf, Ph.D. (člen)
Ing. Michal Kubíček, Ph.D. (člen)
prof. Ing. Miloš Mazánek, CSc. (člen)
prof. Ing. Róbert Hudec, Ph.D. (člen)
Date of acceptance
2019-06-04
Defence
Student prezentuje výsledky a postupy řešení své diplomové práce. Následně odpovídá na dotazy vedoucího a oponenta práce a na dotazy členů zkušební komise.
Prof. Wilfert: Dotaz na odhadování kanálu.
Student vysvětluje své výrazy.
Prof. Kratochvíl: Dotaz na konstelační diagramy.
Student souhlasí, že je možné výsledky porovnávat i numerickými hodnotami definované metodiky chybovosti diagramu.
Doc. Štumpf: Dotaz na modely šíření a mechanismů odrazů v prostředí.
Student popisuje svůj numericky model, který degraduje vstupní data.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení