Published January 1, 2022
| Version v1
Publication
Open
Deep Learning Gated Recurrent Neural Network-Based Channel State Estimator for OFDM Wireless Communication Systems
- 1. Al Azhar University
- 2. Engineering (Italy)
- 3. Benha University
Description
Using deep learning technologies, the channel estimate for an orthogonal frequency division multiplexing system (OFDM) based on pilots is done in this work.To be more specific, deep learning gated recurrent unit (GRU) neural networks are used to present a new framework for channel estimation.Initially, it is trained offline using generated data sets, and thereafter it is used online to track the channel parameters, after which the data transmitted can be recovered.For the purpose of determining the performance of the proposed estimator, three alternative deep learning optimization techniques are used to test it.It is also compared to other commonly used estimators, such as least squares (LS) and minimum mean square error (MMSE).In addition, the proposed estimator is compared with two existing models.Deep learning GRU neural network-based channel state estimator, which are capable of learning and generalizing rapidly, are shown to outperform the comparable estimators when just a few pilots are available.In addition, there is no need for prior knowledge of channel statistics.So, estimating OFDM communication system channel states using the proposed estimator appears promising.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
باستخدام تقنيات التعلم العميق، يتم تقدير القناة لنظام تعدد الإرسال بتقسيم التردد المتعامد (OFDM) بناءً على النماذج التجريبية في هذا العمل. ولكي تكون أكثر تحديدًا، يتم استخدام الشبكات العصبية للوحدة المتكررة ذات بوابات التعلم العميق (GRU) لتقديم إطار جديد لتقدير القناة. في البداية، يتم تدريبه دون اتصال بالإنترنت باستخدام مجموعات البيانات التي تم إنشاؤها، وبعد ذلك يتم استخدامه عبر الإنترنت لتتبع معلمات القناة، وبعد ذلك يمكن استرداد البيانات المرسلة. لغرض تحديد أداء المقدر المقترح، يتم استخدام ثلاث تقنيات بديلة لتحسين التعلم العميق لاختباره. كما تتم مقارنته بالمقدرين الآخرين الشائعين الاستخدام، مثل المربعات الصغرى (LS) والحد الأدنى لمتوسط الخطأ المربع (MMSE). بالإضافة إلى ذلك، تتم مقارنة المقدر المقترح بنموذجين حاليين. يظهر أن مقدر حالة القناة القائم على الشبكة العصبية GRU للتعلم العميق، والقادر على التعلم والتعميم بسرعة، يتفوق على المقدرين المشابهين عند توفر عدد قليل من البرامج التجريبية. بالإضافة إلى ذلك، ليست هناك حاجة إلى معرفة مسبقة بإحصاءات القناة. لذا، فإن تقدير حالات قناة نظام الاتصال OFDM باستخدام المقترح يبدو أن المقدر واعد.Translated Description (French)
À l'aide de technologies d'apprentissage profond, l'estimation de canal pour un système de multiplexage par répartition orthogonale de la fréquence (OFDM) basé sur des pilotes est effectuée dans ce travail. Pour être plus précis, les réseaux neuronaux d'unités récurrentes commandées par apprentissage profond (GRU) sont utilisés pour présenter un nouveau cadre d'estimation de canal. Initialement, il est formé hors ligne à l'aide d'ensembles de données générés, puis il est utilisé en ligne pour suivre les paramètres du canal, après quoi les données transmises peuvent être récupérées. Dans le but de déterminer les performances de l'estimateur proposé, trois techniques alternatives d'optimisation de l'apprentissage en profondeur sont utilisées pour le tester. Il est également comparé à d'autres estimateurs couramment utilisés, tels que les moindres carrés (LS) et l'erreur quadratique moyenne minimale (MMSE). En outre, l'estimateur proposé est comparé à deux modèles existants. Il est démontré que l'estimateur d'état de canal basé sur le réseau neuronal GRU, capable d'apprendre et de généraliser rapidement, surpasse les estimateurs comparables lorsque seuls quelques pilotes sont disponibles. En outre, il n'est pas nécessaire de connaître au préalable les statistiques de canal. Ainsi, l'estimation des états de canal du système de communication OFDM à l'aide du projet estimateur semble prometteur.Translated Description (Spanish)
Utilizando tecnologías de aprendizaje profundo, en este trabajo se realiza la estimación de canal para un sistema de multiplexación por división de frecuencia ortogonal (OFDM) basado en pilotos. Para ser más específicos, las redes neuronales de unidades recurrentes de aprendizaje profundo (Gru) se utilizan para presentar un nuevo marco para la estimación de canal. Inicialmente, se entrena fuera de línea utilizando conjuntos de datos generados, y luego se utiliza en línea para rastrear los parámetros del canal, después de lo cual se pueden recuperar los datos transmitidos. Con el fin de determinar el rendimiento del estimador propuesto, se utilizan tres técnicas alternativas de optimización de aprendizaje profundo para probarlo. También se compara con otros estimadores de uso común, como los mínimos cuadrados (LS) y el error cuadrático medio mínimo (MMSE). Además, el estimador propuesto se compara con dos modelos existentes. El estimador de estado de canal basado en la red neuronal Gru de aprendizaje profundo, que es capaz de aprender y generalizar rápidamente, supera a los estimadores comparables cuando solo hay unos pocos pilotos disponibles. Además, no es necesario un conocimiento previo de las estadísticas de canal. Por lo tanto, estimar los estados de canal del sistema de comunicación OFDM utilizando el estimador parece prometedor.Files
09806714.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:812f68e26c943fc73656c3dbc7df4d5f
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- مقدر حالة القناة القائم على الشبكة العصبية المتكررة للتعلم العميق لأنظمة الاتصالات اللاسلكية OFDM
- Translated title (French)
- Estimateur d'état de canal basé sur un réseau neuronal récurrent activé par apprentissage profond pour les systèmes de communication sans fil OFDM
- Translated title (Spanish)
- Estimador de estado de canal basado en red neuronal recurrente de aprendizaje profundo para sistemas de comunicación inalámbrica OFDM
Identifiers
- Other
- https://openalex.org/W4290043178
- DOI
- 10.1109/access.2022.3186323
References
- https://openalex.org/W1503398984
- https://openalex.org/W1922655562
- https://openalex.org/W2064675550
- https://openalex.org/W2076063813
- https://openalex.org/W2157331557
- https://openalex.org/W2886124254
- https://openalex.org/W2915097532
- https://openalex.org/W2938113616
- https://openalex.org/W2963190722
- https://openalex.org/W2963889719
- https://openalex.org/W2964121744
- https://openalex.org/W2996956941
- https://openalex.org/W3022193684
- https://openalex.org/W3125616445
- https://openalex.org/W3129331719
- https://openalex.org/W4205538007
- https://openalex.org/W4205618214
- https://openalex.org/W4206254735
- https://openalex.org/W4210552285
- https://openalex.org/W4210797332
- https://openalex.org/W4214550726
- https://openalex.org/W4220747215
- https://openalex.org/W4226165874
- https://openalex.org/W4226454912