Scindeks Asistent Scindeks Asistent — Sistem za uređivanje časopisa
Vol. 71 Br. 4 (2023)
Vol. 71 Br. 4 (2023)

Procena kanala dubokog učenja za 5G bežične komunikacije

DOI: 10.5937/vojtehg71-46057
Mohammed Zouaoui M. Laidouni
Univerzitet odbrane u Beogradu, Vojna akademija, Katedra telekomunikacija i informatike, Beograd, Republika Srbija
https://orcid.org/0009-0008-6042-0513
Taki-eddine Ahmed A. Benyahia
Univerzitet odbrane u Beogradu, Vojna akademija, Katedra telekomunikacija i informatike, Beograd, Republika Srbija
https://orcid.org/0009-0006-6025-6915
Boban Z. Pavlović
Univerzitet odbrane u Beogradu, Vojna akademija, Katedra telekomunikacija i informatike, Beograd, Republika Srbija
https://orcid.org/0000-0002-5476-7894
Salem-Bilal B. Amokrane
Univerzitet odbrane u Beogradu, Vojna akademija, Katedra telekomunikacija i informatike, Beograd, Republika Srbija
https://orcid.org/0009-0009-7588-5708
Touati B. Adli
Univerzitet odbrane u Beogradu, Vojna akademija, Katedra telekomunikacija i informatike, Beograd, Republika Srbija
https://orcid.org/0009-0000-2673-6954
PDF (engleski)

Objavljeno

2023-11-23

Sekcija

Originalni naučni radovi

Kako citirati

[1]
M. Z. M. Laidouni, T.- eddine A. A. Benyahia, B. Z. . . . . Pavlović, S.-B. B. . . Amokrane, i T. B. Adli, „Procena kanala dubokog učenja za 5G bežične komunikacije“, Vojnoteh. glas., vol 71, izd. 4, str. 911–940, Nov. 2023, doi: 10.5937/vojtehg71-46057.
ACS APA ABNT Chicago Harvard IEEE Vancouver

Preuzimanje za menagere referenci

Endnote/Zotero/Mendeley (RIS) BibTeX

Sažetak

Uvod/cilj: Tehnike dubokog učenja, posebno konvolucione neuronske mreže (CNN), poslednjih godina pokazale su izuzetne performanse u 5G komunikacionim sistemima tako što su značajno poboljšale tačnost procene kanala u poređenju sa konvencionalnim metodama. U ovom radu predstavljen je sveobuhvatan pregled postojeće literature o teh-nikama procene kanala zasnovanih na CNN-u. Pored toga, osnovni cilj rada jeste unapređivanje najsavremenijih metoda za procenu kanala zasnovanih na CNN-u, što je rezultiralo predlaganjem nove metode pod nazivom VDSR (Very Deep Super Resolution), inspirisane tehnikama Super Resolution slike.

Metode: Da bi se izvršila procena efikasnosti različitih pristupa, sprovedeno je sveobuhvatno poređenje različitih scenarija, uključujući nizak odnos signal-šum (SNR) i visok SNR, kao i liniju optičke vidljivosti (LOS) i scenario bez vidljivosti (NLOS). Kroz ovu komparativnu analizu procenjene su performanse postojećih metoda i istaknute prednosti koje nudi predložena tehnika zasnovana na VDSR. 

Rezultati: Na osnovu dobijenih rezultata otkriven je značajan potencijal procene kanala zasnovanog na CNN-u u 5G komunikacionim sistemima, pri čemu VDSR metod pokazuje konstantnu prednost u svim scenarijima. Osnovni cilj istraživanja jeste unapređenje tehnika procene kanala u 5G mrežama, čime se daju osnove poboljšanim bežičnim komunikacionim sistemima sa većom pouzdanošću. 

Zaključak: VDSR arhitektura pokazuje izuzetnu prilagodljivost različitim vrstama kanala, što rezultira obezbeđenjem zahtevanih performansi za sve analizirane vrednosti SNR.

Ključne reči

duboko učenje
CNN
5G komunikacioni sistemi
veoma duboka super rezolucija
DOI: 10.5937/vojtehg71-46057

Reference

-3GPP. 2018. 5G, NR, Physical layer, General description, Technical specification (3GPP TS 38.201 version 15.0.0 Release 15) [online]. Available at: https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=3211 [Accessed: 10 August 2023].

-3GPP. 2020a. 5G, NR, Physical channels and modulation, Technical Specification (3GPP TS 38.211 version 16.2.0 Release 16) [online]. Available at: https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=3213 [Accessed: 10 August 2023].

-3GPP. 2020b. 5G, Study on channel model for frequencies from 0.5 to 100 GHz, Technical Report (3GPP TR 38.901 version 16.1.0 Release 16) [online]. Available at: https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=3173 [Accessed: 10 August 2023].

Albreem, M.A.M. 2015. 5G wireless communication systems: Vision and challenges. In: 2015 International Conference on Computer, Communications, and Control Technology (I4CT). Kuching, Malaysia, pp.493-497, April 21-23. Available at: https://doi.org/10.1109/I4CT.2015.7219627.

Banerjee, B., Khan, Z., Lehtomäki, J.J. & Juntti, M. 2022. Deep Learning Based Over-the-Air Channel Estimation Using a ZYNQ SDR Platform. IEEE Access, 10, pp. 60610–60621. Available at: https://doi.org/10.1109/ACCESS.2022.3180352.

Dong, C., Loy, C.C., He, K. & Tang, X. 2015. Image Super-Resolution Using Deep Convolutional Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 38(2), pp. 295–307. Available at: https://doi.org/10.1109/TPAMI.2015.2439281.

Gizzini, A.K., Chafii, M., Nimr, A., Shubair, R.M. & Fettweis, G. 2021. CNN Aided Weighted Interpolation for Channel Estimation in Vehicular Communications. IEEE Transactions on Vehicular Technology, 70(12), pp. 12796–12811. Available at: https://doi.org/10.1109/TVT.2021.3120267.

James, A.R., Benjamin, R.S., John, S., Joseph, T.M., Mathai, V. & Pillai, S.S. 2011. Channel estimation for OFDM systems. In: 2011 International Conference on Signal Processing, Communication, Computing and Networking Technologies. Thuckalay, India, pp.587-591, July 21-22. Available at: https://doi.org/10.1109/ICSCCN.2011.6024619.

Kaur, J., Khan, M.A., Iftikhar, M., Imran, M. & Haq, Q.E.U. 2021. Machine Learning Techniques for 5G and Beyond. IEEE Access, 9, pp. 23472–23488. Available at: https://doi.org/10.1109/ACCESS.2021.3051557.

Kim, J., Lee, J.K. & Lee, K.M. 2016. Accurate Image Super-Resolution Using Very Deep Convolutional Networks. In: 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV, USA, pp.1646–1654, June 27-30. Available at: https://doi.org/10.1109/CVPR.2016.182.

Ma, Z., Zhang, Z., Ding, Z., Fan, P. & Li, H. 2015. Key techniques for 5G wireless communications: network architecture, physical layer, and MAC layer perspectives. Science China Information Sciences, 58(4), pp. 1–20. Available at: https://doi.org/10.1007/s11432-015-5293-y.

Morocho-Cayamcela, M.E., Lee, H. & Lim, W. 2019. Machine Learning for 5G/B5G Mobile and Wireless Communications: Potential, Limitations, and Future Directions. IEEE Access, 7, pp. 137184–137206. Available at: https://doi.org/10.1109/ACCESS.2019.2942390.

Simonyan, K. & Zisserman, A. 2014. Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv:1409.1556. Available at: https://doi.org/10.48550/arXiv.1409.1556.

Soltani, M., Pourahmadi, V., Mirzaei, A. & Sheikhzadeh, H. 2019. Deep Learning-Based Channel Estimation. IEEE Communications Letters, 23(4), pp.652–655. Available at: https://doi.org/10.1109/LCOMM.2019.2898944.

Wang, C.X., Bian, J., Sun, J., Zhang, W. & Zhang, M. 2018. A Survey of 5G Channel Measurements and Models. IEEE Communications Surveys & Tutorials, 20(4), pp. 3142–3168. Available at: https://doi.org/10.1109/COMST.2018.2862141.

Ye, H., Li, G.Y. & Juang, B.H. 2017. Power of Deep Learning for Channel Estimation and Signal Detection in OFDM Systems. IEEE Wireless Communications Letters, 7(1), pp. 114–117. Available at: https://doi.org/10.1109/LWC.2017.2757490.

Zhang, K., Zuo, W., Chen, Y., Meng, D. & Zhang, L. 2017. Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising. IEEE transactions on image processing, 26(7), pp. 3142–3155. Available at: https://doi.org/10.1109/TIP.2017.2662206.

Vojnotehnički glasnik omogućava otvoreni pristup i, u skladu sa preporukom CEON-a, primenjuje Creative Commons odredbe o autorskim pravima:

Autori koji objavljuju u Vojnotehničkom glasniku pristaju na sledeće uslove:

  1. Autori zadržavaju autorska prava i pružaju časopisu pravo prvog objavljivanja rada i licenciraju ga Creative Commons licencom koja omogućava drugima da dele rad uz uslov navođenja autorstva i izvornog objavljivanja u ovom časopisu.
  2. Autori mogu izraditi zasebne, ugovorne aranžmane za neekskluzivnu distribuciju rada objavljenog u časopisu (npr. postavljanje u institucionalni repozitorijum ili objavljivanje u knjizi), uz navođenje da je rad izvorno objavljen u ovom časopisu.
  3. Autorima je dozvoljeno i podstiču se da postave objavljeni rad onlajn (npr. u institucionalnom repozitorijumu ili na svojim internet stranicama) pre i tokom postupka prijave priloga, s obzirom da takav postupak može voditi produktivnoj razmeni ideja i ranijoj i većoj citiranosti objavljenog rada (up. Efekat otvorenog pristupa).