An efficient and reliable OFDM channel state estimator using deep learning convolutional neural networks

Other Title(s)

مقدر حالة قناة OFDM الفعال والموثوق باستخدام الشبكات العصبية التلافيفية للتعلم العميق

Joint Authors

Umar, Usamah A.
Hasan, Hasan A.
Mubarak, Ahmad S. A.
Muhammad, Muhammad A.
Ismail, Hamadah
Isa, Muhammad H.

Source

Journal of Engineering Sciences

Issue

Vol. 51, Issue 6 (30 Nov. 2023), pp.32-49, 18 p.

Publisher

Assiut University Faculty of Engineering

Publication Date

2023-11-30

Country of Publication

Egypt

No. of Pages

18

Main Subjects

Electronic engineering

Topics

Abstract AR

تعتمد الأنظمة اللاسلكية لتعدد الإرسال بتقسيم التردد المتعامد (OFDM) بشكل كبير على تقدير حالة القناة (CSE) للتخفيف من آثار تلاشى القناة المتعدد المسارات.

يتطلب تحقيق معدل بيانات مرتفع باستخدام تقنية OFDM إجراء عملية CSE فعالة واكتشاف دقيق للإشارة.

على النقيض من أساليب CSE التقليدية التي تعتمد على استراتيجية قائمة على النماذج، اجتذبت تقنيات CSE المستندة إلى التعلم الآلي (ML) اهتماما متزايدا في السنوات الأخيرة بسبب مرونتها المستندة إلى البيانات والتعلم.

في هذا السياق، يتم استخدام شبكة عصبية تلافيفية للتعلم العميق (DL) للحصول على CSE موثوق به عبر قنوات تلاشى رايلي للنظام اللاسلكي OFDM.

يستخدم مقدر حالة القناة المقترح التدريب دون اتصال بالإنترنت لجمع معلومات القناة من أزواج الإرسال / الاستقبال.

وبالإضافة إلى ذلك، فإنه يستخدم إشارات توجيهية لتقديم إرشادات إضافية بشأن قنوات الاتصال بالمقارنة مع أساليب التقدير التقليدية، يظهر مقدر حالة القناة المقترح القائم على CNN تحسن كبير في النتائج التجريبية بالإضافة إلى ذلك، فإن نموذج CNN المدرب يعمل بشكل أفضل من مقدرات قنوات DL الحديثة.

تؤكد نتائج المحاكاة أيضا أن مقدر حالة القناة المقترح القائم على CNN فعال عندما يكون هناك عدد أقل من الإشارات التوجيهية، مع / بدون بادئات الدورة (CP)، وهذا يقلل من عرض النطاق الترددي المطلوب لنقل لكمية نفسها من البيانات.

بالإضافة إلى ذلك، لا توجد معرفة أساسية بإحصائيات القناة في مقدر حالة القناة المقترح.

ومن ثم، تظهر الطريقة المقترحة إمكانية معالجة مشكلات CSE في أنظمة OFDM مع تخفيض كبير في موارد الطيف.

Abstract EN

Orthogonal frequency division multiplexing (OFDM) wireless systems rely heavily on channel state estimation (CSE) to mitigate the effects of multipath channel fading.

achieving a high data rate with OFDM technology requires efficient CSE and accurate signal detection.

in contrast to more traditional CSE methods that depend on a model-based strategy, machine learning (ml)-based CSE techniques have attracted increased interest in recent years due to their data-driven, learning-based flexibility.

in light of this, a deep learning (dl) convolutional neural network (CNN) is utilized to acquire reliable CSE over OFDM wireless system rayleigh-fading channels.

the suggested CSE utilizes offline training to gather channel information from transmit / receive pairs.

in addition, it employs pilots to provide additional guidance on channels of communication.

the proposed CNN-based estimator is compared to conventional estimation approaches and state-of-the-art dl channel estimators using ser analysis.

the simulation results show that the proposed CNN estimator provides far superior ser performance compared to the conventional ls and MMSE estimation methods.

also, the proposed CNN CSE performs similarly to the DL BiLSTM estimator with restricted training pilots (8).

furthermore, CNN CSE beats DL BiLSTM with enough training pilots (64).

the simulation findings also confirm that the suggested CNN-based CSE is efficient / reliable with (16 and 8) or without cycle prefixes (CP).

this, in turn, reduces the bandwidth required to convey the same quantity of data.

in addition, there is no background knowledge of the channel's statistics in the proposed estimator.

consequently, the proposed method shows potential for addressing CSE issues in OFDM systems with a significant spectrum resource reduction.

American Psychological Association (APA)

Hasan, Hasan A.& Muhammad, Muhammad A.& Isa, Muhammad H.& Mubarak, Ahmad S. A.& Ismail, Hamadah& Umar, Usamah A.. 2023. An efficient and reliable OFDM channel state estimator using deep learning convolutional neural networks. Journal of Engineering Sciences،Vol. 51, no. 6, pp.32-49.
https://search.emarefa.net/detail/BIM-1518361

Modern Language Association (MLA)

Hasan, Hasan A.…[et al.]. An efficient and reliable OFDM channel state estimator using deep learning convolutional neural networks. Journal of Engineering Sciences Vol. 51, no. 6 (Nov. 2023), pp.32-49.
https://search.emarefa.net/detail/BIM-1518361

American Medical Association (AMA)

Hasan, Hasan A.& Muhammad, Muhammad A.& Isa, Muhammad H.& Mubarak, Ahmad S. A.& Ismail, Hamadah& Umar, Usamah A.. An efficient and reliable OFDM channel state estimator using deep learning convolutional neural networks. Journal of Engineering Sciences. 2023. Vol. 51, no. 6, pp.32-49.
https://search.emarefa.net/detail/BIM-1518361

Data Type

Journal Articles

Language

English

Notes

Includes bibliographical references: p. 46-48

Record ID

BIM-1518361