оценка канала связи для OFDM систем с использованием методов глубокого обучения

Представлены современные подходы к оценке канала связи, а также проведено исследование различных методов оценки канала цифровой модуляции с ортогональным частотным разделением каналов (OFDM).

Рассмотрены классические подходы к оценке канала, включая слепую оценку, полуслепую оценку и оценку на основе обучения, а также рассматривает различные типы пилотных сигналов: блочные, гребенчатые и решетчатые. Особое внимание уделено применению методов глубокого обучения, в частности сверточных нейронных сетей (CNN), для улучшения помехоустойчивости системы.

Представлена структура модели CNN, состоящей из четырех слоев, предназначенной для обработки принятых OFDM-символов и вывода оценки частотной характеристики канала. Описаны этапы моделирования, включающие генерацию случайных символов, добавление пилотных символов, преобразование сигналов в частотную и временную области, а также введение шума для различных уровней соотношения сигнал/шум (SNR).

Полученные результаты показывают, что предложенный метод глубокого обучения превосходит традиционные методы, такие как метод наименьших квадратов (LS) и минимальные среднеквадратичные ошибки (MMSE), особенно при низких уровнях SNR. Это подтверждает перспективность применения CNN для оценки канала в условиях сложных радиоканалов. Повышение точности оценки канала связи можно добиться оптимизацией архитектуры CNN.