Deep learning contributions for the next generation of wireless systems = Contribuições de aprendizado profundo para as próximas gerações de sistemas de comunicação sem fio

• Ano de defesa: 2024
• Autor(a) principal: Barragam, Vinicius Piro
• Orientador(a): Akamine, Cristiano
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng; por
• Instituição de defesa: Universidade Presbiteriana Mackenzie
• Palavras-chave em Português: OFDM; channel estimation; deep neural networks; convolutional neural networks
• Link de acesso: https://dspace.mackenzie.br/handle/10899/39593

Os avanços tradicionais na camada física dos sistemas de comunicação têm sido impulsionados, normalmente, considerando cada etapa do processamento do sinal como um bloco isolado de processamento, cada um otimizado separadamente usando métodos matemáticos em uma abordagem descentralizada. No entanto, essa estratégia está sendo desafiada pelas crescentes demandas por conectividade sem fio e pela diversidade crescente de dispositivos e aplicações. Em contraste, sistemas baseados em Aprendizado Profundo (DL, do inglês Deep Learning) têm a capacidade de gerenciar tarefas complexas para as quais modelos bem definidos podem não existir. Esses sistemas, aprendendo diretamente dos dados, têm o potencial de se adaptar e até mesmo aproveitar os efeitos não intencionais das condições reais de hardware e canais, em vez de tentar eliminá-los. O objetivo da pesquisa apresentada nesta tese é explorar e contrastar diferentes metodologias para maximizar a eficácia de DL para estimação de canal em sistemas que utilizam Multiplexização por Divisão em Frequências Ortogonais (OFDM, do inglês Orthogonal Frequency Division Multiplexing). Nesta tese, duas abordagens distintas para a estimativa de canal em sistemas de comunicação são investigadas. A primeira emprega Redes Neurais Profundas Totalmente Conectadas (FC-DNNs, do inglês Fully-Connected Deep Neural Networks), começando com o treinamento de neurônios para reter informações de canal usando estimativas de Mínimos Quadrados (LS, do inglês Least Squares) como entradas, tendo canais reais como alvos. Este método se assemelha à arquitetura do autoencoder e mostra eficácia na redução de ruído em cenários de Ruído Branco Gaussiano Aditivo (AWGN, do inglês Additive White Gaussian Noise) e canais Rayleigh. No caso AWGN, seu comportamente corresponde ao desempenho teórico, permitindo a redução do número de pilotos e melhoria da eficiência espectral. Para o caso do canal Rayleigh, ele corresponde ao desempenho do estimador de Erro Quadrático Médio Mínimo (MMSE, do inglês Minimum Mean Square Error ). A segunda abordagem explora Redes Neurais Convolucionais (CNNs, do inglˆes Convolutional Neural Networks) tratando canais sem fio de maneira semelhante a imagens, utilizando assim as propriedades de invariância a translação de características e detecção de bordas. Este método foi treinado a partir de dados de canais seletivos com desvanecimento rápido em frequência, e 22 dB de Relação Sinal-Ruído (SNR, do inglês Signal-to-Noise Ratio) usando o modelo Vehicular A (VehA) a 50 km/h, compara CNNs, Redes Convolucionais Densas (abreviado em inglês, DenseNets) e Redes Residuais (abreviado em inglês, ResNets). As últimas redes, com suas conexões saltadas entre blocos, demonstram desempenho superior em níveis mais baixos de SNR, extraindo efetivamente informações de canais ruidosos.