Detección de señales basada en CNN separable para sistemas de comunicación OTFS

Área de la Ciencia:

• Comunicaciones inalámbricas
• Procesamiento de señales
• Aprendizaje automático

Sus antecedentes:

• La modulación del espacio de frecuencia de tiempo ortogonal (OTFS) ofrece ventajas en entornos de alto Doppler.
• Los métodos tradicionales de detección de señales en los sistemas OTFS se enfrentan a desafíos de complejidad y rendimiento computacional.
• Los enfoques de aprendizaje profundo, particularmente las Redes Neurales Convolucionales (CNN), son prometedores, pero pueden requerir muchos recursos.

Objetivo del estudio:

• Desarrollar un método de detección de señales de baja complejidad y eficiente para los sistemas OTFS.
• Mejorar la discriminación de las características y la estabilidad de la formación en condiciones de alto Doppler.
• Reducir la sobrecarga computacional de la detección de señales OTFS para su despliegue práctico.

Principales métodos:

• Propuso una nueva arquitectura de red neuronal convolucional separable (SeCNN), denominada SeCNN-OTFS.
• Conexiones residuales integradas y un mecanismo de atención de canal dentro de un SeparableBlock.
• Descompuso las convoluciones estándar en operaciones profundas y puntuales para reducir la complejidad.

Principales resultados:

• SeCNN-OTFS demostró un rendimiento superior en comparación con los estimadores de mínimos cuadrados (LS) y de error medio cuadrado mínimo (MMSE).
• El rendimiento de la tasa de error de bits (BER, por sus siglas en inglés) es casi idéntico al de 2D-CNN en las relaciones señal-ruido (SNR, por sus siglas en inglés) superiores a 12,5 dB.
• Se requiere solo el 19% de los parámetros en comparación con un 2D-CNN estándar, lo que indica una reducción significativa de la complejidad.

Conclusiones:

• SeCNN-OTFS ofrece una solución eficaz y eficiente desde el punto de vista computacional para la detección de señales en sistemas OTFS.
• El método es muy adecuado para aplicaciones con recursos limitados, como las comunicaciones por satélite e Internet de las Cosas (IoT).
• Una variante con capas convolucionales convencionales está disponible para escenarios que exigen una mayor precisión con recursos suficientes.