Методы снижения вычислительной сложности в задаче оценки канала связи для систем OFDM с использованием нейронных сетей

Проведено исследованию методов оценки состояния канала связи (CSI) в ортогональном частотно-разделённом мультиплексировании (OFDM), применяемом в современных стандартах беспроводной связи, таких как LTE, Wi-Fi и 5G.

Рассматриваются традиционные методы оценки канала, такие как Least Squares (LS) и Minimum Mean Square Error (MMSE), отмечаются их недостатки в сложных условиях, связанных с многолучевым распространением сигнала и высокой мобильностью абонентов.

Рассмотрено перспективное направление оценки канала связи - глубокое обучение (DL). Доказано, что применение нейронных сетей позволяет существенно повысить точность оценки канала. Приводятся примеры исследований, использующих свёрточные нейронные сети (CNN) и другие архитектуры нейронных сетей для улучшения качества оценки CSI.

Результаты экспериментов продемонстрировали потенциал использования RNN для эффективной оценки канала связи и восстановления сигналов в OFDM-системах. Моделирование подтвердило преимущество рекуррентных нейронных сетей над CNN в плане потребления вычислительных ресурсов, при сохранении сопоставимой производительности.

Описана важность внедрения глубоких нейронных сетей для совершенствования технологии OFDM и предложены направления дальнейших исследований и разработок.