Analiza efektywności metod głebokiego uczenia w odbiorze sygnałów GMSK

• Autorzy: Olejniczak, Alicja , Cwalina, Krzysztof K. , Sadowski, Jarosław , Stefański, Jacek

Warianty tytułu

EN

Efficiency analysis of the deep learning-based models for GMSK signal detection

• Konferencja: Multikonferencja Krajowego Środowiska Tele- i Radiokomunikacyjnego (7-9.09.2022 ; Warszawa, Polska)
• Języki publikacji: PL

Abstrakty

PL

Sztuczna inteligencja odnajduje coraz szersze zastosowanie we współczesnej radiokomunikacji, choć głównie w ujęciu badawczym. Niniejszy artykuł przedstawia przegląd i ewaluację metod z obszaru głębokiego uczenia umożliwiających detekcję sygnałów z modulacją GMSK (ang. Gaussian Minimum Shift Keying) w kanale AWGN. Badane modele porównane zostały z optymalnym detektorem pracującym zgodnie z regułą największej wiarygodności MLSE (ang. Maximum Likelihood Sequence Estimation), a miarą oceny efektywności była bitowa stopa błędu.

EN

Artificial intelligence dynamically enters the realm of radiocommunication, however, mainly in the scientific context. The paper presents evaluation of the deep learning (DL) models for Gaussian Minimum Shift Keying (GMSK) signal demodulation in AWGN channel. The proposed DL methods were compared with optimal Maximum Likelihood Sequence Estimation (MLSE) detector based on Bit Error Rate (BER) metric.

Słowa kluczowe

PL

głębokie uczenie; GMSK; sztuczna inteligencja

EN

deep learning; GMSK; artificial intelligence

• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2022
• Tom: nr 4
• Strony: 441--444
• Opis fizyczny: Bibliogr. 20 poz., rys., tab.

Twórcy

autor

Olejniczak, Alicja

• Politechnika Gdańska, Wydział Elektroniki, Telekomunikacji i Informatyki, Gdańsk,

autor

Cwalina, Krzysztof K.

• Politechnika Gdańska, Wydział Elektroniki, Telekomunikacji i Informatyki, Gdańsk,

autor

Sadowski, Jarosław

• Politechnika Gdańska, Wydział Elektroniki, Telekomunikacji i Informatyki, Gdańsk,

autor

Stefański, Jacek

• Politechnika Gdańska, Wydział Elektroniki, Telekomunikacji i Informatyki, Gdańsk,

Bibliografia

• [1] 3GPP, TS 143 064. 2020. “General Packet Radio Services (GPRS) Overall Description of the GPRS Radio Interface”.
• [2] Anil, Pooja P, and Renu Jose. 2019 . "Signal Detection Scheme Based on Deep Learning in OFDM Systems ." In 2nd lnternational Conference on Intelligenf Computing, Instrumentation and Control Technologies., 1226-30. Kannur.
• [3] Chandhar, Prabhu. 2021. "Experimental Analysis of Deep Learning-Based Modulation Classification in lndoor Environments." In 18th lndia Council International Conference. IEEE.
• [4] Fengyuan, Shi, Hu Zeming, Yue Chunsheng, and Shen Zhichong. 2022. "Combining Neural Networks for Modulation Recognition." Digital Signal Processing. 120: 103264.
• [5] Ganesh, Sriram, V. Sayee Sunder, and Arpita Thakre . 2018. "Performance Improvement in Rayleigh Faded Channel Using Deep Learning." In International Conference on Advances in Computing, Communications and Informatics, ICACCI., 1307-12. Bangalore: IEEE.
• [6] Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. 2016. Deep Learning. London: MIT Press.
• [7] Jiao, Licheng, and Jin Zhao. 2019. "A Survey on the New Generation of Deep Learning in Image Processing." IEEE Access. 7: 172231-63.
• [8] Labinghisa, Boney, and Dong Myung Lee. 2021. "A Deep Learning Based Scene Recognition Algorithm for Indoor Localization. In International Conference on Artificial Intelligence in Information and Communication., 167-70. Jeju Island.
• [9] Liberg, Olof, Manen Sundber g, Y.-P. Eric Wang, Johan Bergman, Joachim Sachs., and Gustav Wikstrom. 2020. Cellular Internet of Things. London: Academic Press.
• [10] Lin, Xuming, Ruifang Liu, Wenmei Hu, Y ameng Li, Xin Zhou, and XiaoXin He. 2017. "A Deep Convolutional Network Demodulator for Mixed Signals with Different Modulation Types." In IEEE 15th Int. Conf. on Dependable, Autonomic and Secure Computing., 24-27. Orlando.
• [11] Liu, Christopher Y, and Ric A Romero. 2021. "Deep Neural Network Detection for Pulsed Radar-Embedded M-PSK Communications." In 17th European Radar Conference., 238-41.
• [12] Ly, Amanda, and Yo-dong Yao. 2021. "A Review of Deep Learning in 5G Research : Channel Coding , Massive MIMO , Multiple Access , Resource Allocation , and Network Security." IEEE Open Journal of the Communications Society. 2: 396-408.
• [13] Mohammad. Ahmad Saeed, Narsi Reddy, Fathima James, and Cory Beard. 2018. "Demodulation of Faded Wireless Signals Using Deep Convolutional Neural Networks." In 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018., 969-75.
• [14] Schmitz, Johannes, Caspar Von Lengerke, Nikita Airee, A.rash Behboodi, and Rudolf Mathar. 2019. "A Deep Learning Wireless Transceiver with Fully Learned Modulation and Synchronization."In IEEE International Conference on Communications Workshops. Shanghai: IEEE.
• [15] Stefanski, Jacek. 2000. "Efektywność Odbioru Adaptacyjnego w Systemie Łączności Komórkowej GSM." Politechnika Gdanska.
• [16] Xu, Tongyang, and Izzat Darwazeb 2020. "Deep Learning for Over-the-Air Non-Orthogonal Signal Classification." In IEEE 91st Vehicular Technology Conference (VTC2020-Spring). Antwerp.
• [17] Ye, Hao, Geoffrey Ye Li, and Biing Hwang Fred Juang. 2017. "Power of Deep Learning for Channel Estimation and Signal Detection in OFDMl Systems." IEEE Wireless Communications Letters. 7 (1): 114-17.
• [18] Ye, Hao, Geoffrey Ye Li, Biing Hwang Fred Juang, and Kathiravetpillai Sivanesan. 2018. "Channel Agnostic End-to-End Learning Based Communication Systems with Conditional GAN." In IEEE Globecom Workshops (GC Wkslzps). Abu Dhabi: IEEE.
• [19] Zhang, Chaoyun, Paul Patras, and Hamed Haddadi. 2019. "Deep Learning in Mobile and Wireless Networking: A Survey." IEEE Communications Surveys Tutorials. 21 (3): 2224-87.
• [20] Zhao, Zhongyuan, Mehmet Can Vuran, Fujuan Guo, and Stephen D. Scott. 2021. "Deep­Waveform: A Learned OFDM Receiver Based on Deep Complex-Valued Convolutional Networks." IEEE Journal on Selected Areas in Communications. 39 (8): 2407-20.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).

Identyfikatory

DOI

10.15199/59.2022.4.77