منصة الرسائل والاطاريح: تعزيز اكتشاف الاشارة في انظمة الوصول المتعددغير المتعامدة باستخدام التعلم العميق

الخلاصة

يسعى الجيل القادم من الاتصالات اللاسلكية إلى التفوق على الوصول المتعدد المتعامد (OMA) من حيث الكفاءة ودعم المستخدمين. فهي توفر كفاءة طيفية محسنة وتقليل في التأخير، ولكن قد تتأثر كفاءتها في حالة وجود كشف إشارة غير مثالي. يتألق الوصول المتعدد غير المتعامد (NOMA) في هذا الصدد، مما يسمح للعديد من المستخدمين والخدمات بالوصول إلى جميع الموجات الحاملة الفرعية دون قيود التعامد. ومع ذلك، مع زيادة عدد المستخدمين يمكن أن يعيق كفاءة استخدام الطاقة. يوفر النظام الهجين (OFDM-NOMA) نهجًا قويًا لمواجهة هذه التحديات وتحسين الكفاءة الطيفية بشكل كبير، حيث ينقل حزم مستخدمين المتعددة كإشارة واحدة، مما يتطلب خوارزميات استقبال متقدمة مثل إلغاء التداخل المتتالي (SIC). تتطلب الانظمة المعتمدة على SIC تتبعًا مثاليًا لحالة القناة من خلال بعض تقنيات تقديرتاثيرالقناة.عندما يكون تقدير القناة غير مثالي ، سوف يؤثر على موثوقية SIC. ولمواجهة هذا التحدي بشكل فعال، هناك طريقة مثيرة تتضمن تسخير قدرات خوارزميات التعلم العميق (DL) للكشف السريع عن الإشارة وتقدير القناة في سيناريوهات المحاولة الواحدة. تقترح هذه الرسالة طريقتين جديدتين للتعلم العميق لتحسين الكشف الهجين عن اشارة(OFDM-NOMA). النهج الاول هو خوارزمية بوابات الوحدات المتكررة (GRU). تحتوي GRU على بوابتين (التحديث وإعادة التعيين)، مما يعمل على تحسين الأداء من خلال تقليل الاعتماد على الوقت ومعالجة التدرجات في الشبكات العصبية المتكررة (RNN). النهج الثاني المقترح هو الشبكات العصبية التلافيفية أحادية الابعاد(1-dCNN). يعالج هذا النهج القيود المفروضة على أساليب DL الحالية باستخدام طبقة تلافيفية أحادية البعد لاستخراج الميزات بدلاً من الاعتماد على تبعيات الزمنية لتصنيف البيانات. من خلال عدة اختبارات، تم تعديل طبقة GRU إلى حجم 64، في حين تم تعديل الطبقة المقترحة (1-dCNN) بمجموعتين من الطبقات التلافيفية. تتكون كل مجموعة من 32 مرشحًا بحجم 3 وتشفيت بمقدار 2. تم إجراء اختيارات المعلمات هذه بناءً على التجارب والتحليلات المكثفة، بهدف أساسي هو تحقيق إمكانية تعميم متسقة وتخفيف التجهيز الزائد. توضح GRU المقترحة أداءً فائقًا من حيث نسبة الإشارة إلى الضوضاء (SNR). تتفوق GRU المقترحة على نهج الذاكرة طويلة-قصيرة الامد( LSTM) بمقدار 2 ديسيبل وتتغلب على LSTM ثنائية الاتجاه (BILSTM) بمقدار 4 ديسيبل. علاوة على ذلك، تتفوق نهج GRU المقترح على الطرق التقليدية مثل الخطأ التربيعي الأقل (LS)، ومتوسط الخطأ التربيعي (MMSE)، والحد الأقصى لتقدير القناة (ML). من ناحية أخرى، يتفوق نهج (1-dCNN) المقترح على نهج GRU بمقدار 4 ديسيبل. تم اختبار كل من النهجين المقترحين في ظل سيناريوهات مختلفة عن طريق ضبط المعلمات مثل البادئة الدورية (CP)، والموجة الحاملة الفرعية التجريبية، وزيادة عدد المسارات. في جميع الظروف المختلفة، يتفوق كلا النهجين باستمرار على أحدث الأساليب في مراجعة الأدبيات، مع تغلب نهج(1-dCNN) بشكل خاص على نهج GRU المقترح. تتناول هذه الأطروحة اختبار أوقات التدريب لمختلف انواع الشبكات العصبية، بما في ذلك 1-dCNN، GRU، LSTM، وBiLSTM، على جهاز كمبيوتر مزود بوحدة معالجة مركزية Intel Core i5-7210M بسرعة 2.50 جيجا هرتز، ونواتين، ووحدة معالجة رسومات NVidia GeForce 630 خارجية مع ذاكرة 2 جيجا. توضح النتائج أن كلاً من GRU و1-dCNN يتفوقان على LSTM وBiLSTM، في حين أن وقت تدريب 1-dCNN أسرع بنحو 4 دقائق من . GRU