تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,489,421 |
تعداد دریافت فایل اصل مقاله | 15,216,977 |
آشکارسازی عمیق MIMO در حضور خطای تخمین کانال | ||
پردازش سیگنال پیشرفته | ||
مقاله 1، دوره 5، شماره 1 - شماره پیاپی 7، شهریور 1400، صفحه 1-7 اصل مقاله (1019.72 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/jasp.2022.46124.1146 | ||
نویسندگان | ||
حسین خالقی بیزکی* ؛ مهدی طیب مسعود | ||
مجتمع دانشگاهی برق و کامپیوتر - دانشگاه صنعتی مالک اشتر - تهران - ایران | ||
چکیده | ||
ظرفیت سیستمهای مخابرات بیسیم را میتوان با بکار بردن چند آنتن در فرستنده و چند آنتن در گیرنده به نحو قابلملاحظهای افزایش داد. در چنین سیستمهایی، که MIMO نام دارند، گیرنده با دانشی که از کانال دارد، به آشکارسازی سیگنال ارسالی میپردازد. روشهای مختلفی برای آشکارسازی بهینه و زیربهینه سمبلهای ارسالی پیشنهاد شده است. اخیراً مفاهیم یادگیری عمیق و استفاده از شبکههای عصبی بهمنظور آشکارسازی در حد بهینه و حجم محاسبات کمتر در فرآیند تست، در مقایسه با سایر روشهای سنتی پیشین، بکار گرفته شده است. درصورتیکه اطلاعات کانال در گیرنده با خطا همراه باشد، کارایی این نوع آشکارساز کاهش یافته و درنتیجه نرخ خطای بیت افزایش مییابد. با توجه به اینکه در عمل، گیرنده تخمینی از کانال میان فرستنده و گیرنده را در اختیار دارد و نه مقدار دقیق آن را، مقاله حاضر روشی بهبودیافته برای آشکارسازی مبتنی بر یادگیری عمیق و مقاوم در برابر خطای تخمین کانال، پیشنهاد میکند. در این روش آشکارسازی با استفاده از ماتریس کوواریانس تخمینگر کانال و استفاده از مفاهیم یادگیری عمیق، یک آشکارساز مقاوم در برابر خطای تخمین کانال پیشنهاد و بهصورت تحلیلی مورد بررسی قرار گرفته است. نتایج شبیهسازی مبین کارایی روش پیشنهادی در سیستمهای MIMO است. | ||
کلیدواژهها | ||
سیستمهای چند ورودی و چند خروجی (MIMO)؛ آشکارسازی مقاوم؛ یادگیری عمیق؛ خطای تخمین کانال | ||
مراجع | ||
[1] I. E. ATAR, “Capacity of multi-antenna gaussian channels,” European Transactions on Telecommunications, vol. 10, pp. 585–595, 1999. [2] A. J. PAULRAJ, D. A. GORE, R. U. NABAR, and H. BOLCSKEI, “An overview of MIMO communications - a key to gigabit wireless,” Proceedings of the IEEE, vol. 92, no. 2, pp. 198–218, Feb. 2004. [3] D. Gesbert, M. Shafi, Da-shan Shiu, P. J. Smith, and A. Naguib, “From theory to practice: an overview of MIMO space-time coded wireless systems,” IEEE Journal on Selected Areas in Communications, vol. 21, no. 3, pp. 281–302, Apr. 2003. [4] S. Yang and L. Hanzo, “Fifty Years of MIMO Detection: The Road to Large-Scale MIMOs,” IEEE Communications Surveys Tutorials, vol. 17, no. 4, pp. 1941–1988, Fourthquarter 2015. [5] C. Wang, E. K. S. Au, R. D. Murch, W. H. Mow, R. S. Cheng, and V. Lau, “On the Performance of the MIMO Zero-Forcing Receiver in the Presence of Channel Estimation Error,” IEEE Transactions on Wireless Communications, vol. 6, no. 3, pp. 805–810, Mar. 2007. [6] E. Eraslan, B. Daneshrad, and C. Lou, “Performance Indicator for MIMO MMSE Receivers in the Presence of Channel Estimation Error,” IEEE Wireless Communications Letters, vol. 2, no. 2, pp. 211–214, Apr. 2013. [7] Xu Zhu and R. D. Murch, “Performance analysis of maximum likelihood detection in a MIMO antenna system,” IEEE Transactions on Communications, vol. 50, no. 2, pp. 187–191, Feb. 2002. [8] J. Kim, S. Moon, and I. Lee, “A new reduced complexity ML detection scheme for MIMO systems,” IEEE Transactions on Communications, vol. 58, no. 4, pp. 1302–1310, Apr. 2010. [9] A. A. Farhoodi and M. Fazaelifar, “Sphere Detection in MIMO Communication Systems with Imperfect Channel State Information,” in 6th Annual Communication Networks and Services Research Conference (cnsr 2008), pp. 228–233, May 2008. [10] X. Zhu and R. D. Murch, “MIMO-DFE based BLAST over frequency selective channels,” in GLOBECOM’01. IEEE Global Telecommunications Conference (Cat. No.01CH37270), vol. 1, pp. 499–503, Nov. 2001. [11] C. Jeon, R. Ghods, A. Maleki, and C. Studer, “Optimality of large MIMO detection via approximate message passing,” in 2015 IEEE International Symposium on Information Theory (ISIT), pp. 1227–1231, Jun. 2015,. [12] F. Liang, C. Shen, and F. Wu, “An Iterative BP-CNN Architecture for Channel Decoding,” IEEE Journal of Selected Topics in Signal Processing, vol. 12, no. 1, pp. 144–159, Feb. 2018. [13] T. Wang, L. Zhang, and S. C. Liew, “Deep Learning for Joint MIMO Detection and Channel Decoding,” in 2019 IEEE 30th Annual International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC), pp. 1–7, Sep. 2019. [14] H. He, C.-K. Wen, S. Jin, and G. Y. Li, “A Model-Driven Deep Learning Network for MIMO Detection,” in 2018 IEEE Global Conference on Signal and Information Processing (GlobalSIP), pp. 584–588, Nov. 2018. [15] N. Samuel, T. Diskin and A. Wiesel, "Deep MIMO detection," 2017 IEEE 18th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), pp. 1-5, 2017. [16] M. Biguesh and A. B. Gershman, “Training-based MIMO channel estimation: a study of estimator tradeoffs and optimal training signals,” IEEE Transactions on Signal Processing, vol. 54, no. 3, pp. 884–893, Mar. 2006. [17] S. Shahbazpanahi, A. B. Gershman, and J. H. Manton, “Closed-form blind MIMO channel estimation for orthogonal space-time block codes,” IEEE Transactions on Signal Processing, vol. 53, no. 12, pp. 4506–4517, Dec. 2005. [18] H. Artés, D. Seethaler, and F. Hlawatsch, “Efficient detection algorithms for MIMO channels: A geometrical approach to approximate ML detection,” Signal Processing, IEEE Transactions on, vol. 51, pp. 2808–2820, Dec. 2003. [19] K. J. Kim and J. Yue, “Joint channel estimation and data detection algorithms for MIMO-OFDM systems,” in Conference Record of the Thirty-Sixth Asilomar Conference on Signals, Systems and Computers., vol. 2, pp. 1857–1861, Nov. 2002,. [20] J. Wang and D. P. Palomar, “Robust MMSE Precoding in MIMO Channels With Pre-Fixed Receivers,” IEEE Transactions on Signal Processing, vol. 58, no. 11, pp. 5802–5818, Nov. 2010. [21] D. Guo and X. Wang, “Blind detection in MIMO systems via sequential Monte Carlo,” IEEE Journal on Selected Areas in Communications, vol. 21, no. 3, pp. 464–473, Apr. 2003. | ||
آمار تعداد مشاهده مقاله: 885 تعداد دریافت فایل اصل مقاله: 668 |