Un detector híbrido Transformer-LSTM para detección de señales OFDM-IM

Área de la Ciencia:

• Comunicaciones inalámbricas; Procesamiento de señales; Aprendizaje profundo

Sus antecedentes:

• La modulación de índice de división de frecuencia ortogonal multiplexada (OFDM-IM) presenta desafíos únicos en la detección de señales.; Los métodos de detección convencionales a menudo luchan con la complejidad de los sistemas OFDM-IM.

Objetivo del estudio:

• Desarrollar un novedoso detector basado en aprendizaje profundo para sistemas OFDM-IM.; Mejorar la precisión y la robustez de la detección de señales en condiciones de canal desafiantes.

Principales métodos:

• Se propuso un detector de aprendizaje profundo, FullTrans-IM, que integra redes Transformer y Long Short-Term Memory (LSTM).; El problema de detección se reformuló como una tarea de predicción de secuencias, aprovechando las capacidades del decodificador Transformer.; El modelo se evaluó en canales de desvanecimiento de Rayleigh.

Principales resultados:

• El detector FullTrans-IM demostró un rendimiento superior en la tasa de error de bits (BER).; Superó a los detectores tradicionales de fuerza cero (ZF).; También mostró un mejor rendimiento en comparación con los detectores existentes basados en aprendizaje profundo.

Conclusiones:

• El detector FullTrans-IM propuesto ofrece un avance significativo en la detección de señales OFDM-IM.; La explotación de la modelización de secuencias para la detección de señales resulta eficaz para mejorar el rendimiento.; Las técnicas de aprendizaje profundo, en particular la integración Transformer-LSTM, son muy prometedoras para los futuros sistemas de comunicación inalámbrica.