Original title:
Odhad kanálu v OFDM systémech pomocí deep learning metod
Translated title:
Utilization of deep learning for channel estimation in OFDM systems
Authors:
Hubík, Daniel ; Staněk, Miroslav (referee) ; Miloš, Jiří (advisor) Document type: Master’s theses
Year:
2019
Language:
cze Publisher:
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií Abstract:
[cze][eng]
Diplomová práce se zabývá simulací rádiového komunikačního systému OFDM v základním pásmu a jeho následnou ekvalizací. Model je založen na standardu IEEE 802.11n. Vývoj a simulace modelu byly vytvořeny v programových prostředích MATLAB a Python. Byly využity konvenční metody estimace kanálu (LS, MMSE), ale také nekonvenční metody jako je ekvalizace kanálu s využitím strojového učení. Byly provedeny experimenty s architekturami umělých neuronových sítí a studována závislost na kvalitě ekvalizace. Funkce modelu byla vyhodnocována kódovanou a nekódovanou bitovou chybovostí BER.
This paper describes a wireless communication model based on IEEE 802.11n. Typical methods for channel equalisation and estimation are described, such as the least squares method and the minimum mean square error method. Equalization based on deep learning was used as well. Coded and uncoded bit error rate was used as a performance identifier. Experiments with topology of the neural network has been performed. Programming languages such as MATLAB and Python were used in this work.
Keywords:
Artificial; Channel; Cyclic prefix; Deep learning; Deep neural network; Equalization; IEEE 802.11n; Keras; LS; MMSE; Neural network; OFDM; Tensorflow; Cyklický prefix; Deep Learning; DL; Ekvalizace; Estimace; IEEE 802.11n; Kanál; Keras; Odhad; OFDM; Python; Rádiové prostředí; Strojové učení; Tensorflow; Vyrovnavač
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/177678