Застосування нейронної мережі для оцінювання частотної характеристики багатопроменевого каналу в системах зв’язку з технологією OFDM

Abstract

В умовах розвитку сучасних технологій ключова роль відведена обміну інформацією. Цифрові системи зв’язку є основою інформаційних технологій. Щоби забезпечити потреби сучасної людини вимоги до систем зв’язку постійно збільшуються. Великі інформаційні потоки потребують забезпечення високих швидкостей передачі даних. При цьому важливою задачею є зменшення кількості помилок, які виникають під час передачі даних. В OFDM системах це досягається шляхом підвищення точності оцінювання частотної характеристики каналу зв’язку. В роботі застосовано нейронну мережу пря-мого поширення для оцінювання значень частотної характеристики каналу зв’язку в OFDM систе-мах. Нейронна мережа проектувалася для умов, коли пілотні сигнали в структурі OFDM символів розміщені по комбінованій схемі. За таких умов нейронна мережа які вхідну інформацію отримує зашумлені значення частотної характеристики на пілотних підносійних. ЇЇ завдання полягає у фільтрації цих значень від шуму та інтерполяції значень частотної характеристики на підносійні з даними. Спроектована нейронна мережа містить 32 вхідних нейрони, 128 вихідних нейронів і 2 прихованих шари по 8 нейронів. Структура цієї нейронної мережі проектувалась з таким підходом, що вектор частотної характеристики оцінюється послідовно частинами по 128 відліків з подальшим їх об’єднанням. Нейронна мережа навчалася на каналах зв’язку із заданими кореляційними властивостями шляхом застосування методу зворотного поширення помилки. Аналіз ефективності роботи мережі проводився шляхом статистичного моделювання на модельному прикладі в системі автоматизованого проектування Matlab. Результати оцінювання значень частотної характеристики за допомогою нейронної мережі порівняно з результатами, що дають відомі методи. Аналіз ефективності роботи нейронної мережі показав, що вона здатна забезпечувати виграш до 2 дБ у порівнянні з методом двоетапного оцінювання частотної характеристики на заданому модельному прикладі. Нейронна мережа поступається в точності оцінювання методу мінімуму середньоквадратичної помилки, однак має меншу складність реалізації у порівнянні з ним.

In the context of the development of modern technologies, the key role is assigned to the exchange of information. Digi-tal communication systems are at the heart of information technology. To meet the needs of a modern person the require-ments for communication systems are constantly increasing. Large information flows require high data rates. At the same time an important task is to reduce the number of errors that occur during data transmission. In OFDM systems, this is achieved by increasing the accuracy of estimating the frequency response of the communication channel. In this paper a neural network of direct propagation is used to estimate the values of the frequency response of the communication channel in OFDM systems. The neural network was designed for conditions when the pilot signals in the OFDM symbol structure are arranged in a combined pattern. Under such conditions the neural network receives noisy values of the frequency response on the pilot subcarriers as input information. Its task is to filter these values from noise and interpolate the values of the fre-quency response to the data subcarriers. The designed neural network has 32 incoming neurons, 128 outgoing neurons and 2 hidden layers of 8 neurons each. The structure of this neural network was designed with such an approach that the vector of the frequency response of the channel is estimated sequentially by 128 samples with their further combining. The neural net-work was trained on communication channels with given correlation properties by applying the error backpropagation method. The analysis of the efficiency of the network was carried out by means of statistical modeling using a model example in the Matlab computer-aided design system. The results of estimating the values of the frequency response using a neural network are compared with the results that are given by known methods. The analysis of the efficiency of the neural network showed that it is capable of providing a gain of up to 2 dB in comparison with the method of two-stage estimation of the frequency re-sponse estimation for a given model example. The neural network is inferior in the estimation accuracy to the minimum mean square error method, however, it has a lower implementation complexity compared to it.