تخمین کانال مبتنی بر یادگیری عمیق برای سیستم های RIS با شکل دهی پرتو غیرفعال
محل انتشار: فصلنامه دریا فنون، دوره: 13، شماره: 1
سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 5
نسخه کامل این مقاله ارائه نشده است و در دسترس نمی باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJMT-13-1_005
تاریخ نمایه سازی: 15 آبان 1405
چکیده مقاله:
فناوری سطوح هوشمند قابل پیکربندی مجدد (RIS) پتانسیل قابل توجهی در بهبود ارتباطات بی سیم نشان داده است. با این حال، سیستم های مجهز به RIS با چالش های منحصر به فردی در تخمین کانال مواجه هستند که ناشی از ماهیت غیرفعال آنها و پیچیدگی محیط کانال است. روش های مبتنی بر یادگیری عمیق ابزارهای قدرتمندی برای مواجهه با ابعاد بالا در این سیستم ها ارائه می دهند. ما در این مقاله یک الگوریتم مبتنی بر یادگیری عمیق با استفاده از شبکه عصبی کاملا متصل (FCNN) را برای تخمین کانال با خطای کمتر در سیستم های RIS توسعه داده ایم. مدل پیشنهادی با استفاده از الگوریتم حداقل مربعات (LS) پیشنهادی به صورت تکراری آموزش داده شده تا سرعت همگرایی و دقت آن بیشتر شود. به طور خاص، ما یک ساختار یادگیری عمیق طراحی و آموزش می دهیم تا با استفاده از سیگنال های دریافتی، تمامی کانال های بین فرستنده و گیرنده را هم زمان تخمین بزند. به منظور ارزیابی عملکرد عملی سیستم، روش توسعه یافته در سناریوهای واقعی شکل دهی پرتو مورد آزمایش قرار گرفته و بر اساس دقت تخمین کانال و نمودارهای نرخ خطای بیت (BER) بررسی شده است. طبق شبیه سازی های انجام شده، این روش عملکرد بهتری نسبت به روش های موجود نشان داده است و منجر به خطای تخمین بسیار کمتر و بهبود در نرخ خطای بیت سیستم ارتباطی می شود. این روش به طور متوسط حدود هفت دسی بل خطای کمتری نسبت به روش LMS و به طور متوسط حدود دو دسی بل خطای کمتری نسبت به روش LS پیشنهادی دارد. این یافته ها راه را برای عملکرد قابل اعتماد RIS در شبکه های آینده ۶G هموار می کنند.
کلیدواژه ها:
سطح هوشمند قابل پیکربندی مجدد(RIS) ، تخمین کانال ، یادگیری عمیق(DL) ، تکنیک کمترین مربعات(LS) ، شکل دهی پرتو
نویسندگان
مجتبی حاجی آبادی
گروه آموزشی مهندسی برق-مخابرات دانشکده مهندسی برق و کامپیوتر دانشگاه بیرجند بیرجند، ایران
امیر مرادبند طرقی
گروه مهندسی مخابرات، دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند ، ایران
ناصر ندا
گروه مخابرات، دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :