Un optimizador de juego de calamar innovador para la estimación de canales mejorada y la detección masiva de MIMO...

Área de la Ciencia:

• Comunicaciones inalámbricas
• Procesamiento de señales
• Aprendizaje profundo

Sus antecedentes:

• El reconocimiento de señales convencional en sistemas de entrada múltiple y salida múltiple (MIMO) se enfrenta a desafíos computacionales con el aumento de las antenas y las órdenes de modulación.
• El aprendizaje profundo ofrece una solución prometedora debido a su versatilidad, modelado no lineal y eficiencia de cálculo paralelo para la detección MIMO a gran escala.

Objetivo del estudio:

• Desarrollar una red de aprendizaje profundo para la estimación de canales y la detección masiva de MIMO que reduzca la complejidad computacional.
• Mejorar la capacidad del canal y optimizar el rendimiento de detección en los sistemas MIMO.

Principales métodos:

• Estimación del canal utilizando una matriz de confusión y el optimizador de juego de calamar modificado (MSGO).
• Detección masiva de MIMO mediante red neuronal recurrente adaptativa dilatada con mecanismo de atención (DARNN-AM).
• Optimización de DARNN-AM utilizando MSGO para el ajuste fino de los atributos de red.

Principales resultados:

• La red de aprendizaje profundo propuesta reduce efectivamente la complejidad computacional en la detección masiva de MIMO.
• El sistema demuestra un rendimiento superior en comparación con las técnicas existentes, validado a través de análisis comparativos.
• La red logra el mapeo de varios segmentos en varios esquemas de modulación.

Conclusiones:

• El enfoque de aprendizaje profundo desarrollado proporciona una solución eficiente para la estimación de canales y la detección masiva de MIMO.
• La integración de MSGO y DARNN-AM optimiza el rendimiento y reduce la carga computacional.
• Este método ofrece un avance significativo para los futuros sistemas de comunicación inalámbrica de alto rendimiento.