تخمین کانال در سیستم‏های mimo-ofdm زیرآب با استفاده از شبکه عصبی ff-dnn

کانال آکوستیکی زیرآب به دلیل ماهیت فیزیکی آن به‌عنوان یکی از چالش برانگیزترین کانال‏ های مخابراتی شناخته می‏ شود. در این راستا، استفاده از مدولاسیون تسهیم فرکانسی متعامد (ofdm) و سامانه‏ های چند ورودی - چند خروجی (mimo) از روش‏ های موثر برای غلبه بر اثرات کانال و افزایش ظرفیت کانال زیرآب هستند. بدین ترتیب، عملکرد این سامانه‏ های مخابراتی و دستیابی به مزایای ذکر شده به میزان قابل‌توجهی به تخمین ضرایب و حصول اطلاعات حالت کانال وابسته است. باتوجه‌ به اینکه در اکثر پژوهش‏ ها کانال بین فرستنده - گیرنده تُنُک فرض می‏ شود، درحالی‌که در کاربردهای عملی این‌گونه نیست؛ در این مقاله دو مدل شبکه عصبی عمیق پیشخور (ff-dnn)، net_1 و net_2، برای تخمین ضرایب کانال مخابراتی چند - ضریب (multi-tap) در کانال‏ های زیرآب مورداستفاده قرار گرفته‏ اند. فرایند بدین صورت است که در ابتدا تخمین حداقل مربعات (ls) کانال بدست می‏ آید و سپس به‌عنوان ورودی به این دو مدل شبکه عصبی اعمال می‏گردد، مدل مورد آموزش و یادگیری قرار می ‏گیرد، و در خروجی تخمین حداقل میانگین مربعات خطا (mmse) از ضرایب کانال مورد انتظار است. نتایج بدست آمده از شبیه‏ سازی نشان می‏ دهد که استفاده از این دو مدل شبکه عصبی عمیق با تعداد لایه‏ های نهان متفاوت با غلبه بر تخمین ls بر اساس معیارهای مقایس ه‏ای mse و ber، دارای عملکرد مناسبی در مقایسه با تخمین mmse می‏ باشد و افزایش کیفیت تخمین ضرایب را به همراه دارد. به عنوان مثال، بر اساس معیار ber، مدل‏ های ارائه شده به ازا مقدار خطا برابر با 2-10 به ترتیب 3 و 5.5 دسی‏ بل بهبود را به همراه داشته ‏اند.

channel estimation in underwater mimo-ofdm systems using ff-dnn neural network

the underwater acoustic channel is known as one of the most challenging communication channels due to its physical nature. in this regard, the use of orthogonal frequency division modulation (ofdm) and multiple input-multiple output (mimo) systems are effective methods to overcome channel effects and increase the capacity of the underwater channel. in this way, the performance of these telecommunication systems and the achievement of the mentioned benefits are significantly dependent on the estimation of coefficients and the acquisition of channel state information. considering that in most researches, the channel between the transmitter and the receiver is assumed to be thin, while in practical applications this is not the case; in this article, two feed-forward deep neural network (ff-dnn) models, net_1 and net_2, have been used to estimate the coefficients of multi-tap communication channels in underwater channels. the process is as follows: first, the least square (ls) estimate of the channel is obtained, and then it is applied as an input to these two neural network models, the model is trained and learned, and the output of the least mean square estimate is error (mmse) of expected channel coefficients. the results obtained from the simulation show that the use of these two deep neural network models with different numbers of hidden layers by overcoming the ls estimation based on the comparative criteria of mse and ber has a good performance compared to the mmse estimation. and increases the quality of coefficient estimation. for example, based on the ber criterion, the presented models have improved by 3 and 5.5 db respectively for an error value equal to 2-10.