Revista Internacional de Avances en Tecnología
Acceso abierto

abstracto

Estimador de canal vehicular basado en aprendizaje profundo en entornos de alta movilidad

Lara Gregorians*, Pablo Fernández Velasco, Fiona Zisch, Hugo J Spires

En los últimos años, el aprendizaje profundo casi ha invadido el mundo de la electrónica de telecomunicaciones y otros campos, dado el espectacular resultados que logra en términos de mejorar el desempeño de las cadenas de procesamiento digital. Acceso inalámbrico en entornos de vehículos (WAVE) se ha desarrollado, y IEEE 802.11p define la capa física (PHY) y el control de acceso a los medios (MAC) en el estándar WAVE. Sin embargo, la estructura de trama IEEE 802.11p, que tiene una baja densidad de pilotos, lo hace Difícil de predecir las propiedades del canal inalámbrico en un entorno de vehículo con altas velocidades del vehículo (alta frecuencia Doppler), por lo tanto, el rendimiento del sistema se degrada en entornos de vehículos realistas. La motivación de este artículo es mejorar el canal. estimación y seguimiento del rendimiento sin modificar la estructura de trama IEEE 802.11p. Por ello, proponemos un canal técnica de estimación basada en aprendizaje profundo que puede funcionar bien en todo el rango de valores SNR, los efectos de ISI e interferencia ICI siguen siendo fenómenos ineludibles. La mejora aportada por los métodos de estimación del canal LS, Se revisan MMSE y ecualizadores lineales, interpolación spline cúbica, DFT lineal y DFT cúbica spline, estas interpolaciones técnicas contribuyen a la reducción del BER en la cadena. Los diferentes escenarios del entorno del canal vehicular son dividir; Se realizan simulaciones del nuevo método DNN de estimación en ejemplos de canales de alta movilidad y se comparan a los métodos LS y MMSE. Una fuerte inmunidad del estimador propuesto contra la alta movilidad de los canales es observado.