پیش گویی رفتار پویای کانال سیار سلولی به کمک شبکه های عصبی

چکیده

در این تحقیق ، نشان داده می شود که به کمک یک شبکه ی عصبی RBF می توان SNR یک کانال سیار مخابراتی را در محدوده ی dB30-1 با دقت مناسبی تخمین زد. سیستم معرفی شده تخمین را به صورت کور انجام می دهد که مزیت آن نسبت به تخمین زننده های TxDA است. کاهش حجم محاسبات ریاضی، مزیت دیگری است که این تخمین گر در مقایسه با تخمین گر های کلاسیک در اختیار قرار می دهد. با ملاک قرار دادن معیار میانگین مربع خطاهای بهنجار، نشان داده می شود که تخمین گر پیشنهادی خطای عملکردی در محدوده ی ۰/۰۰۵ تا ۰/۰۰۰۵ برای مقادیر SNR بزرگ تر از dB8 دارد، که برای کاربردهای عملی بسیار مناسب است.

همچنین، نشان داده می شود که به کمک یک شبکه ی عصبی RBF می توان توان محوشدگی یک کانال مخابراتی را برای مقادیر SNR بزرگ تر از dB10 و فرکانس های داپلر نه خیلی بزرگ با دقت مناسبی پیش گویی کرد. با ملاک قرار دادن معیار میانگین مربع های خطا، نشان داده می شود که خطای عملکرد سیستم پیش گویی کننده ی پیشنهادی در فرکانس داپلر Hz20 تا ۰۱/۰ و در فرکانس داپلر Hz5 تا ۰/۰۰۵ می تواند کاهش پیدا کند.

مقدمه

امروزه در سیستم های نوین مخابراتی ،بخصوص در سیستم های مبتنی بر نسل سوم مخابرات سیار ،مدیریت منابع رادیویی به صورت پویا انجام می شود، به این ترتیب که پارامترهای اساسی طراحی سیستم ،نظیر پارامترهای مربوط به مدوله سازی و کدکردن یا پارامترهای مربوط به کنترل توان، متناسب با وضعیت پویای کانال سیار مخابراتی تعیین می شوند و تغییر می کنند. این رویکرد در طراحی سیستم های مخابراتی که در پژوهش های اخیر از آن با عنوان های “تطبیق پیوند” یا “مدوله سازی و کدکردن وفقی” (AMC) یاد می شود، باعث افزایش کارایی سیستم در مقایسه با سیستم های ایستا و کلاسیک مخابراتی شده، امکان دست یابی به ظرفیت های مخابراتی بالاتر را در یک ارتباط رادیویی فراهم می سازد. این افزایش کارایی ،بخصوص در ارتباط های سلولی چندکاربره، با توجه به ملاحظه ی لحظه ای حضور دیگر کاربران در ارتباط مخابراتی و تصمیم گیری پویا برای کاهش اثر تداخل آن ها، چشم گیر و غیر قابل صرف نظر است.
با این حال، استفاده از مزیت های مربوط به این روش تنها در صورتی ممکن است که شناخت مناسبی از وضعیت فعلی کانال سیار در دسترس باشد. همچنین، لازم است که برمبنای پارامترهای فعلی کانال، نسبت به پیش گویی وضعیت کانال در لحظه های آینده اقدام شود، تا پارامترهای مربوط به طراحی سیستم (نظیر پارامترهای مدوله سازی و کدکردن) متناسب با این پیش گویی تعیین و تنظیم شوند.

.

تخمین کانال سیار مخابراتی در حالت های غیرخطی و متغیر با زمان، با پیچیدگی های تحلیلی و سخت افزاری بسیاری همراه است و تکنیک های کلاسیک مطرح شده در کتاب ها و مقالات مختلف برای همسان سازی کانال سیار، اغلب از غیرخطی بودن و متغیر با زمان بودن کانال ها صرف نظر می کنند. از سوی دیگر، با فرض این که به پارامترهای فعلی کانال بتوان دسترسی داشت، برای پیش گویی کانال در لحظه های آینده، تنها چند روش محدود در مقاله ها و منابع کلاسیک مخابرات سیار ذکر شده که اغلب مبتنی بر پیش گویی خطی کانال هستند. استفاده از شبکه های عصبی، با توجه به ماهیت غیرخطی این شبکه ها و توانایی تعمیم آن ها پس از طی یک دوره ی آموزشی مناسب، می تواند راهکار تازه ای برای تخمین و پیش گویی کانال باشد.

مروری بر فصول تحقیق

در فصل اول این تحقیق ،ویژگی های اصلی کانال سیار مخابراتی با محوشدگی باند باریک مرور می شوند. بحث درباره ی نویز سفید جمع شونده ی گوسی و مطالعه ی مدل رایلی از مباحث مطرح شده در این فصل هستند.

در فصل دوم، پس از بحث درباره ی اهمیت و مزیت های مدوله سازی تطبیقی، نشان داده می شود که با پیشگویی رفتار کانال سیار می توان کارایی سیستمی را که از مدوله سازی تطبیقی استفاده می کند افزایش داد.
در فصل سوم، فرایند محاسبه ی سیگنال به نویز (SNR) به دو بخش تخمین نسبت سیگنال به نویز محض کانال (SNR ) و پیش گویی توان محوشدگی (α) تقسیم شده، سیستم پیشنهادشده ی مبتنی بر شبکه های عصبی برای محاسبه ی این دو پارامتر، معرفی و ارزیابی می شود.
فصل چهارم نیز به جمع بندی و ارائه ی چند پیشنهاد اختصاص یافته است.

فهرست مطالب

۱ چکیده
۲ مقدمه

فصل اول: مدل سازی کانال سیار مخابراتی

مقدمه ۵
۱- ۲- نویز ۶
۱- ۲- ۱- توان نویز ۷
۱- ۳- محوشدگی رایلی ۸
۱- ۳- ۱- اثر داپلر ۸
۱- ۳- ۲- کانال های چندمسیره ۱۰
۱- ۳- ۳- مدل رایلی ۱۰
۱- ۳- ۴- اثرات محوشدگی و نویز ۱۲

فصل دوم: مدوله سازی تطبیقی و پیش گویی رفتار کانال سیار

مقدمه ۱۶
۲- ۲- ملاک های تطبیق ۱۶
۲- ۳- مدوله سازی تطبیقی ۱۹
۲- ۳- ۱- تاثیر تاخیر انتشار در مدوله سازی تطبیقی ۲۵
۲- ۴- پیش بینی رفتار کانال ۲۸
۲- ۴- ۱- پیش بینی خطی کانال ۲۸

فصل سوم: تخمین و پیش گویی رفتار کانال رایلی باند باریک به کمک شبکه های عصبی ۳۴

۳- ۱- مقدمه ۳۵
۳- ۲- تجزیه ی SNR کل کانال به نسبت سیگنال به نویز محض و توان محوشدگی ۳۵
۳- ۳- تخمین نسبت سیگنال به نویز ۳۷
۳- ۳- ۱- تخمین کور به کمک شبکه های عصبی ۳۸
۳- ۳- ۱- ۱- تخمین کور در مقایسه با تخمین TxDA 38
۳- ۳- ۱- ۲- شبکه ی عصبی پایه شعاعی ۴۰
۳- ۳- ۱- ۳- نویز تصادفی و نقش حالت اولیه در تولید آن ۴۲
۳- ۳- ۲- ساختار مدل پیشنهادی ۴۴
۳- ۳- ۳- شبیه سازی و نتایج تجربی ۴۵
۳- ۳- ۴- مقایسه و ارزیابی ۴۹
۳- ۴- پیش گویی توان محوشدگی به کمک شبکه های عصبی ۵۲
۳- ۴- ۱- ساختار مدل پیشنهادی ۵۲
۳- ۴- ۲- آموزش شبکه ۵۲
۳- ۴- ۳- نتایج شبیه سازی ۵۳

فصل چهارم: نتیجه گیری و پیشنهاد ۵۷

۱-۴- نتیجه گیری و جمع بندی ۵۸

۲-۴- پیشنهادها ۵۹

پیوستها ۶۰

واژه نامه ۶۱

برنامه های نرم افزاری ۶۳
منابع و مراجع ۷۵
چکیده انگلیسی ۷۸