27791

بررسي كاربرد افزايش داده مصنوعي در لايه فيزيكي سيستم هاي مخابرات بي‌سيم

كارشناسي ارشد

برق مخابرات-سيستم

1398

1401/7/9

دكتر شاهرخ فرهمند

برق

توسعه سرويس هاي 5G، نيازمند شبكه هايي با احتمال خطا و تاخير بسيار كم، قابليت دسترسي بسيار بالا و امن مي‌باشد. اين موارد باعث افزايش پيچيدگي شبكه مي‌شوند. تكنولوژي هاي مرتبط با هوش مصنوعي (AI) پتانسيل بالايي براي حل مسائل پيچيده و غير قابل حل در 5G و نسل هاي آينده را دارند. در سال هاي اخير استفاده از AI به عنوان يكي از عوامل انقلاب صنعتي ، در طيف متنوعي از حوزه هاي مخابراتي رايج شده است. در اين ميان، يادگيري عميق (DL) كه زير مجموعه ي يادگيري ماشين (ML) درAI است و در آن از الگوريتم هاي شبكه هاي عصبي عميق (DNN) استفاده مي‌شود، نظر بسياري از محققين حوزه سيستم هاي مخابراتي را به خود جلب كرده است. علت اين مسئله پتانسيل بالاي DL در حل مسائل دشوار مي‌باشد. يكي از چالش هاي اساسي در DL نياز به مجموعه داده (DS) بزرگ براي آموزش شبكه عصبي است. دو ديدگاه كلي براي حل اين چالش وجود دارد كه يكي روي معماري شبكه عصبي و ديگري روي خود مجموعه داده يعني تكنيك هاي افزايش داده مصنوعي (DA) ، تمركز دارد. از طرفي جمع آوري داده هاي مخابراتي براي آموزش شبكه هاي عصبي نيازمند صرف هزينه مالي، زماني و منابع فركانسي است. از اين رو در اين پايان نامه به بررسي روش هاي افزايش داده مصنوعي در سيستم هاي مخابراتي مي‌پردازيم. سپس از اين تكنيك در آشكارسازي مدولاسيون فضايي (SM) بدون نياز به تخمين كانال و حل مسئله دسته بندي ماتريس هاي اطلاعات حالت كانال (CSI) استفاده مي‌كنيم.

1401/11/06

Data augmentation techniques for the physical layer of wireless communication systems

10/1/2023 12:00:00 AM

Developing 5G services demands networks with a low bit error rate and latency, massive connectivity, and security. These features will increase the complexity of the wireless network. Artificial intelligence technologies have great potential for solving the complex problems of 5G. In recent years, leveraging Artificial intelligence as one of the Industry 4.0 technologies has opened its way to many telecommunication fields. Deep learning is one of the machine learning subsets that uses neural network algorithms. In the last decade, Deep learning has attracted the attention of researchers in the telecommunication community. The high potential of deep learning to solve complex problems is the main reason. One of the major challenges in using Deep learning is the large training dataset required to train the neural network. There are two main approaches to address this problem in which the first one focus on the neural network architecture and the second one leverage the Data augmentation technique. Furthermore, gathering training data sets in telecommunication applications is expensive, time-consuming, and time-consuming. Therefore, in the thesis, we study data augmentation techniques in telecommunication systems. We also use these methods in spatial modulation detection without channel estimation and channel state information classification.

مدولاسيون فضايي , افزايش داده , شبكه هاي عصبي , مكان يابي

Spatial modulation , Data augmentation , Neural networks , Localization

mohammad hossein heidary

shahrokh farahmand