استغلال الشبكات العصبية التلافيفية أحادية البعد لتقدير القنوات المشتركة واكتشاف الإشارات في أنظمة الوصول المتعددة غير المتعامدة

الملخص

الوصول المتعدد غير المتعامد (NOMA) هو تقنية واعدة للجيل الخامس و الاجيال المستقبلية من شبكات الاتصالات اللاسلكية ، مما يزيد من كفاءة الطيف ويقلل من زمن الوصول. ومع ذلك، يمكن أن يتأثر أداء NOMA بإلغاء التداخل المتتالي غير المثالي (SIC). تم اقتراح تقنيات الذكاء الاصطناعي للمساعدة في الكشف عن الإشارات وتقدير القنوات في أنظمة NOMA. في هذه الدراسة ، نقترح نهجًا جديدًا باستخدام الشبكات العصبية التلافيفية أحادية البعد (1D CNN) لمعالجة قيود المحددة لأنظمة الذكاء الاصطناعي الحالية. على عكس طرق الذكاء الاصطناعي الأخرى التي تعتمد على تبعيات الوقت لتصنيف البيانات ، تستخدم 1D CNN طبقة التفاف أحادية البعد لاستخراج الميزات، مما يؤدي إلى موثوقية عالية. تظهر نتائج المحاكاة أن طريقتنا المقترحة تتفوق على تقنيات التعلم العميق الحالية من حيث معدل الخطأ في العينة (SER). علاوة على ذلك ، يؤدي تقليل معلمة البادئة الدورية (CP) إلى زيادة التداخل بين العينات (ISI) ، ولكن طريقتنا لا تزال تحقق تحسينًا بمقدار 6 ديسيبل على النهوج في (11،13) وتقنيات تقدير القنوات التقليدية مثل الاحتمال الأقصى (ML) عند إشارة منخفضة إلى- نسب الضوضاء (SNR).