Video Experimental Relacionado
Updated: Sep 9, 2025
07:45
Quasi-light Storage for Optical Data Packets
Published on: February 6, 2014
11.0K
Enfoque CNN-LSTM-AM para sistemas de comunicación óptica inalámbrica al aire libre
Montaser Abdelsattar1, Eman S Amer2, Hamdy A Ziedan3,4
1Electrical Engineering Department, Faculty of Engineering, South Valley University, Qena 83523, Egypt. Montaser.A.Elsattar@eng.svu.edu.eg.
Scientific reports
|September 1, 2025
Resumen
Este estudio mejora la comunicación de vehículo a vehículo (V2V) utilizando IA, mejorando significativamente el rendimiento de los datos, la eficiencia energética y reduciendo los errores y las interferencias para los sistemas V2V confiables.
Área de la Ciencia:
- Ingeniería eléctrica y ciencias de la computación
- Inteligencia artificial en las comunicaciones
Sus antecedentes:
- Las comunicaciones de luz visible (VLC) para los sistemas de vehículo a vehículo (V2V) enfrentan desafíos como errores de bits, alto consumo de energía e interferencias.
- Los sistemas de comunicación V2V existentes requieren una mejora para mejorar el rendimiento y la fiabilidad en entornos dinámicos.
Objetivo del estudio:
- Introducir un marco basado en IA para mejorar el VLC en la comunicación V2V.
- Para abordar problemas críticos, incluido el consumo de energía, los errores de bits y la interferencia de señal en los sistemas V2V.
Principales métodos:
- Se desarrolló un nuevo marco de aprendizaje profundo que combina las redes neuronales convolucionales (CNNs), la red adversaria generativa (GAN), la unidad recurrente con puerta (GRU) y el autoencoder de desinformación profunda (DDAE).
- El marco incluye módulos para la reducción de la potencia (GAN), la mejora del rendimiento (GRU), la reducción de la tasa de error de bits (BER) (DDAE) y la cancelación de interferencias (CNN-U-Net).
- Se realizaron simulaciones para escenarios V2V con separaciones longitudinales y laterales variables entre los vehículos.
Principales resultados:
- El modelo propuesto CNN-U-Net-GAN-GRU-DDAE demostró mejoras significativas en el rendimiento, la eficiencia energética, la reducción del BER y la cancelación de interferencias.
- El modelo logró un rendimiento superior en comparación con los modelos existentes, superando a CNN-U-Net, CNN-U-Net-GAN y CNN-U-Net-GAN-GRU en un 13,6%, 14,4% y 4,2% respectivamente.
- Se observó una mejora general del rendimiento promedio del 31,7% en comparación con las obras anteriores.
Conclusiones:
- El marco de aprendizaje profundo desarrollado ofrece una solución confiable y escalable para mejorar el rendimiento de la comunicación V2V.
- El modelo de IA integrado mitiga efectivamente los problemas comunes en los sistemas V2V, allanando el camino para una comunicación más robusta.
