Głębokie uczenie do korekcji fazy sygnałów GMSK w rzeczywistym środowisku wewnątrzbudynkowym

• Autorzy: Olejniczak, Alicja , Sadowski, Jarosław

Warianty tytułu

EN

Deep learning for phase correction of GMSK signals in real indoor envirenment

• Konferencja: Konferencja Radiokomunikacji i Teleinformatyki (11-13.09.2024 ; Poznań, Polska)
• Języki publikacji: PL

Abstrakty

PL

Niniejszy artykuł prezentuje zastosowanie modelu głębokiej sieci neuronowej do estymacji średniego odchylenia fazy sygnałów odebranych i jest elementem badań obejmujących szersze zagadnienie, jakim jest odbiór sygnałów GMSK wspomagany uczeniem maszynowym. Analiza pozwoliła potwierdzić wysoką skuteczność sieci neuronowej, a wyniki obejmowały kanały ETU i EPA oraz dane pomiarowe zebrane w rzeczywistym środowisku wewnątrzbudynkowym. Rozwiązanie porównano z klasycznymi metodami estymacji średniego odchylenia fazy.

EN

The given paper presents the application of a deep neural network for phase rotation estimation and is part of a study covering the wider issue of GMSK signal reception based on machine learning. The analysis confirmed the high efficiency of the neural network, including ETU and EPA channels and measurement data collected in a real indoor environment. The proposed solution was compared with classical methods for the estimation of mean phase rotation.

Słowa kluczowe

PL

głębokie uczenie; GMSK; GSM; uczenie maszynowe

EN

deep learning; GMSK; GSM; machine learning

• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2024
• Tom: nr 4
• Strony: 125--128
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Olejniczak, Alicja

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

autor

Sadowski, Jarosław

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

Bibliografia

• [1] 3GPP, TS 136 116. 2015. “LTE Evolved Universal Terrestrial Radio Access (E- UTRA) Relay Radio Transmission and Reception.”
• [2] Bao, Yicheng, Zeyu Tan, Haifeng Sun, Zhikang Jiang. 2020. “SimNet: Simplified Deep Neural Networks for OFDM Channel Estimation.” 2020 3rd IEEE International Conference on Information Communication and Signal Processing, ICICSP 2020, 348–52.
• [3] Gao, Xuanxuan, Shi Jin, Chao Kai Wen, Geoffrey Ye Li. 2018. “ComNet: Combination of Deep Learning and Expert Knowledge in OFDM Receivers.” IEEE Communications Letters. 22 (12): 2627–30.
• [4] Goodfellow, Ian, Yoshua Bengio, Aaron Courville. 2016. Deep Learning. Londyn: MIT Press.
• [5] Liu, Jiang, Marco Di Renzo. 2021. “Data-Driven and Model-Driven Deep Learning Detection for RIS-Aided Spatial Modulation.” IEEE 4th 5G World Forum, 5GWF, 88–92.
• [6] Olejniczak, Alicja, Krzysztof K. Cwalina, Jaroslaw Sadowski, Jacek Stefanski. 2023. “Analiza Skuteczności Detekcji Sygnałów GMSK w Kanale z Propagacją Wielodrogową Przy Użyciu Metod Głębokiego Uczenia.” Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne. 4 (2023): 234–37.
• [7] Olejniczak, Alicja, Krzysztof K. Cwalina, Jarosław Sadowski, Jacek Stefański. 2022. “Analiza Efektywności Metod Głębokiego Uczenia w Odbiorze Sygnałów GMSK.” Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne. 4 (2022): 351–54.
• [8] Shlezinger, Nir, Nariman Farsad, Yonina C. Eldar, Andrea J. Goldsmith. 2020. “ViterbiNet: A Deep Learning Based Viterbi Algorithm for Symbol Detection.” IEEE Transactions on Wireless Communications. 19 (5): 3319–31.
• [9] Stefanski, Jacek. 2000. “Efektywność Odbioru Adaptacyjnego w Systemie Łączności Komórkowej GSM.” Politechnika Gdanska.
• [10] Yao, Rugui, Shengyao Wang, Xiaoya Zuo, Juan Xu, Nan Qi. 2019. “Deep Learning Aided Signal Detection in OFDM Systems with Time-Varying Channels.” IEEE Pacific Rim Conference on Communications, Computers and Signal Processing, 1–5.
• [11] Zhang, Haotian, Lin Zhang, Yuan Jiang, Zhiqiang Wu. 2021. “LSTM and ResNets Deep Learning Aided End-to-End Intelligent Communication Systems.” 2021 2nd Information Communication Technologies Conference, ICTC, 156–60.
• [12] Zheng, Shuntian, Sheng Wu, Haihan Li, Chunxiao Jiang, Xiaojun Jing. 2021. “Deep Learning- Aided Receiver Against Nonlinear Distortion of HPA in OFDM Systems.” 13th International Conference on Wireless Communications and Signal Processing, WCSP, 1–6.
• [13] Zhou, Xue, Zhuo Sun, Hengmiao Wu, Qianqian Wu. 2019. “Embeddable Convolutional Layer-Based Filter for Wireless Signal Detection.” 2019 IEEE Wireless Communications and Networking Conference Workshop, WCNCW, 1–6.

Identyfikatory

DOI

10.15199/59.2024.4.24