شماره ركورد كنفرانس :
5530
عنوان مقاله :
تخمين با سرآمد پايلوت كم كانال سيستم MIMO انبوه با كمك سطح بازتابي هوشمند بر اساس يادگيري عميق
عنوان به زبان ديگر :
Low pilot overhead channel estimation for intelligent reflective surface assisted massive MIMO based on deep learning
پديدآورندگان :
تارمحمدي فاطمه fatemeh.tarmohammadi65@gmail.com دانشگاه شهيد مدني آذربايجان , آتشبار محمود atashbar@azaruniv.ac.ir دانشگاه شهيد مدني آذربايجان , علي زاده قاضي جهاني حامد hag@azaruniv.ac.ir دانشگاه شهيد مدني آذربايجان
كليدواژه :
يادگيري عميق , سيستم هاي چند ورودي چند خروجي , تخمين كانال , سطح بازتابي هوشمند
عنوان كنفرانس :
بيستمين سمپوزيوم بين‌المللي هوش مصنوعي و پردازش سيگنال
چكيده فارسي :
يكي از موضوعات رايج در تحقيقات مرتبط با سيستم هاي مخابراتي، تخمين كانال مي باشد. اخيرا تخمين كانال سيستم MIMO انبوه چندكاربره مبتني بر يادگيري عميق در حضور سطح بازتابي هوشمند (IRS) ارائه شده است كه در آن خطاي باقيمانده از تخمين گر كلاسيك LS با استفاده از مدلسازي به روش حذف نويز تصوير و پياده سازي با يادگيري عميق كاهش داده شده است. در حالتي كه تعداد عناصر IRS بيشتر باشد مشكل سرآمد پايلوت در روش فوق بوجود مي آيد. جهت حل مشكل فوق، در اين مقاله با فرض وجود تزويج بين عناصر IRS، هنگام تخمين كانال، با غير فعال كردن برخي عناصر IRS، تنها پايلوت متناظر با عناصر فعال IRS ارسال شده و كانال متناظر با روش LS تخمين زده مي شود. با توجه به وجود اثر تزويج، بين كانال هاي متناظر با عناصر مجاور IRS همبستگي وجود دارد. بر اين اساس با روش درونيابي خطي، تخمين اوليه كانال متناظر با عناصر غيرفعال را بدست مي آوريم. ماتريس كانال حاصله تخمين اوليه از ماتريس كانال مي باشد، براي بهبود بيشتر عملكرد تخمين از شبكه يادگيري عميق CDRN استفاده مي كنيم. نتايج شبيه سازي ها حاكي از بهبود عملكرد روش پيشنهادي نسبت به روش مرجع از ديدگاه كاهش سرآمد پايلوت و خطاي تخمين است.
