Algoritmo de supresión de la señal de interferencia basado en el modelo CNN-LSTM

Área de la Ciencia:

• Procesamiento de señales
• Aprendizaje profundo
• Comunicaciones inalámbricas

Sus antecedentes:

• La capacidad anti-interferencia del sensor es crucial para la precisión, fiabilidad y estabilidad de la medición.
• Los entornos complejos exponen a los sensores a varias fuentes de interferencia, lo que afecta el rendimiento.
• La supresión efectiva de las interferencias es clave para mejorar el funcionamiento de los sensores y la calidad de la comunicación.

Objetivo del estudio:

• Proponer un algoritmo basado en CNN-LSTM para suprimir las señales de interferencia en los sistemas de comunicación inalámbrica.
• Mejorar las capacidades anti-interferencia de los sensores a través del aprendizaje profundo.
• Para validar la efectividad del algoritmo en diversos escenarios de interferencia.

Principales métodos:

• Utilizó la Red Neural Convolucional (CNN) para la extracción de características espaciales.
• Se emplean redes de memoria larga a corto plazo (LSTM) para la captura de características dinámicas temporales.
• Desarrolló un modelo CNN-LSTM para la predicción y supresión de señales de interferencia.

Principales resultados:

• El algoritmo CNN-LSTM demostró un pequeño error y un alto ajuste de regresión en comparación con LSTM, BO-LSTM y CNN-GRU.
• Las simulaciones experimentales confirmaron el rendimiento del algoritmo en diversas condiciones de interferencia.
• La validación utilizando el ITU-R P.1546 y los conjuntos de datos de ruido del mundo real confirmó una supresión significativa de las interferencias.

Conclusiones:

• El algoritmo CNN-LSTM propuesto suprime efectivamente las señales de interferencia y el ruido ambiental.
• Este enfoque de aprendizaje profundo mejora la robustez y la confiabilidad de los sistemas y sensores de comunicación inalámbrica.
• Los resultados proporcionan una base para el desarrollo de tecnologías de sensores más avanzadas y resistentes a las interferencias.