Czasopismo | PRZEGLĄD TELEKOMUNIKACYJNY - WIADOMOŚCI TELEKOMUNIKACYJNE | Rocznik 2023 - zeszyt 4

ANALIZA SKUTECZNOŚCI DETEKCJI SYGNAŁÓW GMSK W KANALE Z PROPAGACJĄ WIELODROGOWĄ PRZY UŻYCIU METOD GŁĘBOKIEGO UCZENIA

EFFICIENCY ANALYSIS OF GMSK SIGNAL DETECTION IN MULTIPATH CHANNEL BASED ON DEEP LEARNING METHODS

10.15199/59.2023.4.50

nr katalogowy: 144778
10.15199/59.2023.4.50

Streszczenie

Odbiór sygnałów radiowych w środowisku wewnątrzbudynkowym jest istotnym problemem współczesnej radiokomunikacji. W celu zwiększenia skuteczności istniejących metod odbioru radiowego coraz częściej wykorzystuje się narzędzia z obszaru uczenia maszynowego. Niniejszy artykuł prezentuje analizę skuteczności głębokiej sieci neuronowej w odbiorze sygnałów GMSK w kanale z zanikami i propagacją wielodrogową. Prezentowane wyniki porównane zostały z klasycznym detektorem MLSE, a miarą skuteczności była bitowa stopa błędów.

Abstract

Receiving radio signals in an indoor environment is an important aspect of modern radio communication. In order to increase the effectiveness and reliability of the existing reception solutions, tools from the field of machine learning are increasingly used. This article presents an analysis of the effectiveness of a deep neural network in reception of GMSK signals in the multipath, fading channel. The presented results were compared with the classical MLSE detector and the measure of effectiveness was the bit error rate.

Słowa kluczowe

Keywords

Bibliografia

[1] 3GPP, TS 136 116. 2015. “LTE Evolved Universal Terrestrial Radio Access (E- UTRA) Relay Radio Transmission and Reception.”
[2] Al-Baidhani, Amer, H. Howard Fan. 2019. “Learning for Detection: A Deep Learning Wireless Communication Receiver Over Rayleigh Fading Channels.” 2019 International Conference on Computing, Networking and Communications, ICNC 2019., 6–10.
[3] Dakic, Kosta, Bassel Al Homssi, Akram AlHourani, Margaret Lech. 2021. “LoRa Signal Demodulation Using Deep Learning, a TimeDomain Approach.” IEEE Vehicular Technology Conference. 2021-April: 1–6.
[4] Dörner, Sebastian, Sebastian Cammerer, Jakob Hoydis, Stephan ten Brink. 2017. “Deep Learning-Based Communication over the Air.” ArXiv. 12 (1): 132–43.
[5] Goodfellow, Ian, Yoshua Bengio, Aaron Courville. 2016. Deep Learning. London: MIT Press.
[6] He, Dongxuan, and Zhaocheng Wang. 2022. “Deep Learning-Assisted Demodulation for TeraHertz Communications Under Hybrid Distortions.” IEEE Communications Letters. 26 (2): 325–29.
[7] Li, Lisha, Kevin Jamieson, Giulia DeSalvo, Afshin Rostamizadeh, Ameet Talwalkar. 2018. “Hyperband: A Novel Bandit-Based Approach to Hyperparameter Optimization.” Journal of Machine Learning Research. 18: 1–52.
[8] Lu, Zan, Li Wei, Youyun Xu. 2019. “An Improved One-Bit OFDM Receiver Based on Model-Driven Deep Learning.” 2019 IEEE 5th International Conference on Computer and Communications, ICCC 2019., 2108–12.
[9] Olejniczak, Alicja, Krzysztof K. Cwalina, Jarosław Sadowski, Jacek Stefański. 2022. “Analiza Efektywności Metod Głębokiego Uczenia w Odbiorze Sygnałów GMSK.” Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne. 1 (4): 351–54.
[10] Qiao, Yuanjian, Jun Li, Bo He, Wenxin Li, Tongliang Xin. 2020. “A Novel Signal Detection Scheme Based on Adaptive Ensemble Deep Learning Algorithm in SC-FDE Systems.” IEEE Access. 8: 123514–23.
[11] Stefanski, Jacek. 2000. “Efektywność Odbioru Adaptacyjnego w Systemie Łączności Komórkowej GSM.” Politechnika Gdanska.
[12] Ye, Hao, Geoffrey Ye Li, Biing Hwang Fred Juang. 2017. “Power of Deep Learning for Channel Estimation and Signal Detection in OFDM Systems.” IEEE Wireless Communications Letters. 7 (1): 114–17.
[13] Ye, Hao, Geoffrey Ye Li, Biing Hwang Fred Juang, Kathiravetpillai Sivanesan. 2018. “Channel Agnostic End-to-End Learning Based Communication Systems with Conditional GAN.” In IEEE Globecom Workshops (GC Wkshps). Abu Dhabi: IEEE.
[14] Zhu, Banghua, Jintao Wang, Longzhuang He, Jian Song. 2018. “Joint Transceiver Optimization for Wireless Communication PHY with Convolutional Neural Network.” ArXiv. 37 (6): 1364–73.
[15] Zhu, Manquin, Shengbo Hu, Kai Yang, Tingting Yan, Lv Ye, Hongjuan Li, Yang Jin. 2023. “GMSK Demodulation Combining 1D-CNN and Bi-LSTM Network Over Strong Solar Wind Turbulence Channel.” Radio Science. 58 (1).

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD TELEKOMUNIKACYJNY - WIADOMOŚCI TELEKOMUNIKACYJNE- e-publikacja (pdf) z zeszytu 2023-4 , nr katalogowy 144778 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Prenumerata

PRZEGLĄD TELEKOMUNIKACYJNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

300.00 zł

PRZEGLĄD TELEKOMUNIKACYJNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD TELEKOMUNIKACYJNY - papierowa prenumerata roczna	348.00 zł brutto 322.22 zł netto 25.78 zł VAT (stawka VAT 8%)
PRZEGLĄD TELEKOMUNIKACYJNY - pakowanie i wysyłka	21.00 zł brutto 17.07 zł netto 3.93 zł VAT (stawka VAT 23%)

369.00 zł

PRZEGLĄD TELEKOMUNIKACYJNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD TELEKOMUNIKACYJNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	450.00 zł brutto 416.67 zł netto 33.33 zł VAT (stawka VAT 8%)

450.00 zł

Zeszyt

2023-4

Twój Koszyk

Publikacja

Prenumerata

Zeszyt

Czasopisma