Published November 29, 2021
| Version v1
Publication
Open
Future OFDM-based Communication Systems Towards 6G and Beyond: Machine Learning Approaches
Description
The vision towards 6G and beyond communication systems demands higher rate transmission, massive amount of data processing, and low latency communication. Orthogonal Frequency Division Modulation (OFDM) has been adopted in the current 5G networks and has become one of the potential candidates for the future communication systems. Although OFDM offers many benefits including high spectrum efficiency and high robustness against the multipath fading channels, it has major challenges such as frequency offset and high Peak to Power Ratio (PAPR). In 5G communication network, there is a significant increase in the number of sensors and other low-power devices where users or devices may create large amount of connection and dynamic data processing. In order to deal with the increasingly complex communication network, Machine Learning (ML) has been increasingly utilised to create intelligent and more efficient communication network. This paper discusses challenges and the impacts of embedding ML in OFDM-based communication systems.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تتطلب الرؤية نحو 6G وما وراء أنظمة الاتصال نقلًا بمعدل أعلى، وكمية هائلة من معالجة البيانات، واتصالًا منخفض الكمون. تم اعتماد تعديل تقسيم التردد المتعامد (OFDM) في شبكات الجيل الخامس الحالية وأصبح أحد المرشحين المحتملين لأنظمة الاتصالات المستقبلية. على الرغم من أن OFDM يوفر العديد من الفوائد بما في ذلك كفاءة الطيف العالية والمتانة العالية ضد قنوات التلاشي متعددة المسارات، إلا أنه يواجه تحديات كبيرة مثل إزاحة التردد ونسبة الذروة إلى الطاقة العالية (PAPR). في شبكة اتصالات الجيل الخامس، هناك زيادة كبيرة في عدد أجهزة الاستشعار والأجهزة الأخرى منخفضة الطاقة حيث يمكن للمستخدمين أو الأجهزة إنشاء قدر كبير من الاتصال ومعالجة البيانات الديناميكية. من أجل التعامل مع شبكة الاتصالات المتزايدة التعقيد، تم استخدام التعلم الآلي (ML) بشكل متزايد لإنشاء شبكة اتصالات ذكية وأكثر كفاءة. تناقش هذه الورقة تحديات وآثار تضمين غسل الأموال في أنظمة الاتصالات القائمة على OFDM.Translated Description (French)
La vision vers les systèmes de communication 6G et au-delà exige une transmission à plus haut débit, une quantité massive de traitement de données et une communication à faible latence. La modulation par répartition orthogonale de la fréquence (OFDM) a été adoptée dans les réseaux 5G actuels et est devenue l'un des candidats potentiels pour les futurs systèmes de communication. Bien que l'OFDM offre de nombreux avantages, notamment une efficacité spectrale élevée et une grande robustesse contre les canaux d'évanouissement à trajets multiples, il présente des défis majeurs tels que le décalage de fréquence et le rapport crête/puissance (PAPR) élevé. Dans le réseau de communication 5G, il y a une augmentation significative du nombre de capteurs et d'autres appareils de faible puissance où les utilisateurs ou les appareils peuvent créer une grande quantité de connexion et de traitement dynamique des données. Afin de faire face à un réseau de communication de plus en plus complexe, le Machine Learning (ML) a été de plus en plus utilisé pour créer un réseau de communication intelligent et plus efficace. Cet article traite des défis et des impacts de l'intégration du BC dans les systèmes de communication basés sur OFDM.Translated Description (Spanish)
La visión hacia 6G y más allá de los sistemas de comunicación exige una mayor velocidad de transmisión, una gran cantidad de procesamiento de datos y una comunicación de baja latencia. La modulación por división ortogonal de frecuencia (OFDM) se ha adoptado en las redes 5G actuales y se ha convertido en uno de los posibles candidatos para los futuros sistemas de comunicación. Aunque OFDM ofrece muchos beneficios, incluida una alta eficiencia espectral y una alta robustez contra los canales de desvanecimiento de trayectos múltiples, tiene grandes desafíos, como el desplazamiento de frecuencia y la alta relación pico-potencia (PAPR). En la red de comunicación 5G, hay un aumento significativo en el número de sensores y otros dispositivos de baja potencia donde los usuarios o dispositivos pueden crear una gran cantidad de conexión y procesamiento dinámico de datos. Para hacer frente a la red de comunicación cada vez más compleja, el aprendizaje automático (ML) se ha utilizado cada vez más para crear una red de comunicación inteligente y más eficiente. Este documento analiza los desafíos y los impactos de incorporar ML en los sistemas de comunicación basados en OFDM.Files
29.pdf
Files
(383.0 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:4ee562b2123a6a326daf135d7bee6c0f
|
383.0 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- أنظمة الاتصالات المستقبلية القائمة على OFDM نحو الجيل السادس وما بعده: مناهج التعلم الآلي
- Translated title (French)
- Futurs systèmes de communication basés sur l'OFDM vers la 6G et au-delà : approches d'apprentissage automatique
- Translated title (Spanish)
- Futuros sistemas de comunicación basados en OFDM hacia 6G y más allá: enfoques de aprendizaje automático
Identifiers
- Other
- https://openalex.org/W3215420420
- DOI
- 10.53623/gisa.v1i1.34