30143

سيستم مخابراتي انتها-به-انتها مبتني بر شبكه مبدل

كارشناسي ارشد

مهندسي برق- گرايش مخابرات سيستم

1400

1402/9/6

دكتر شاهرخ فرهمند

مهندسي برق

توسعه سيستم هاي مخابرات بيسيم مدرن، به ميزان قابل توجهي زندگي روزانه را بهبود بخشيده است. يك سيستم مخابراتي تمام عيار و موفق، از مزاياي فني بسياري بهره ميبرد كه هركدام در بخش هاي مختلف و جداگانه طراحي و بهينه سازي ميشوند. در اين سيستم، زنجيره اي از ماژول هاي پردازش سيگنال در فرستنده و گيرنده مخابراتي براي جبران اثرات كانال ارتباطي طراحي ميشوند تا داده ها با اطمينان بالايي دريافت شوند. با اين وجود، اين ماژول ها گاها به صورت جداگانه توسعه داده ميشوند كه باعث ميشود عملكرد كلي سيستم به درستي بهينه نباشد. علاوه بر اين، ويژگي هاي كانال ارتباطي تحت عوامل متعددي مانند فركانس كاري و محيط انتشار تغيير پذير است. در نتيجه برخي از ماژول هاي نامبرده شده بايستي طوري طراحي شوند تا بتوانند با تغييرات محيطي منطبق بوده تا بهترين عملكرد را داشته باشند، هدفي كه عموما به سختي حاصل ميشود. پيشرفت هاي اخير در يادگيري ماشين، بخصوص در شبكه هاي عصبي عميق، قابليت استفاده از سيستم هاي مخابراتي انتها به انتها مبتني بر يادگيري را فراهم آورده است. در اين سيستم ها، از شبكه هاي عصبي عميق به عنوان جايگزيني براي قسمت هاي مختلف يك فرستنده و گيرنده مخابراتي استفاده ميشود. از آنجايي كه اين روش كاملا مبتني بر داده است و هيچ مدلي را به صورت پيش فرض براي كانال ارتباطي در نظر نميگيرد ميتواند به عنوان يك راه حل جامع در سناريوهاي مختلف ارتباطي به كارگيري شود. در تحقيقات گذشته تلاش هاي بسياري براي بررسي و بهبود عملكرد سيستم انتها به انتها مبتني بر يادگيري انجام شده است و در نتيجه اين الگو پيشرفت بسياري داشته است. با اين وجود، تا به اينجا مقالات مختلف به بررسي راه هاي بهبود عملكرد سيستم از طريق اتخاذ شبكه هاي عصبي بهتر و قدرتمند تر نپرداخته اند و بيشتر سعي در بهبود عملكرد خود از طريق ارائه مدل هاي مختلف براي كانال ارتباطي داشته اند. هدف اين پروژه استفاده از شبكه عصبي مبدل به جهت طراحي بهينه تر و بهتر شبكه هاي عصبي فرستنده و گيرنده مخابراتي است. علاوه بر اين، در اين پروژه تلاش شده پيشنهاداتي براي مدلسازي كانال ارتباطي باز هم با استفاده از شبكه مبدل ارائه كرد. به صورت كلي، هدف اين پروژه ارائه يك سيستم مخابراتي انتها به انتها مبتني بر يادگيري و فقط با استفاده از شبكه مبدل است كه در آن از هيچ نوع شبكه عصبي ديگري استفاده نميشود. نتايج شبيه سازي بيانگر بهبود عملكرد مدل ارائه شده، در مقايسه با مقالات گذشته است.

1402/09/11

Fully Transformer-based End-to-End Communication System

1/1/1900 12:00:00 AM

Development of modern wireless communication systems has significantly improved daily life. A successful and efficient communication system benefits from various technical advantages, each designed and optimized for different components separately. In this system, a chain of signal processing modules is designed in the transmitter and receiver to compensate for the effects of the communication channel and ensure reliable data reception. However, sometimes these modules are developed separately, leading to suboptimal overall system performance. Additionally, the communication channel is subject to various distortions such as working frequency and propagation environment. This makes it necessary to jointly design some of the mentioned modules to adapt to environmental changes and achieve the best performance, which is often challenging. Recent advances in machine learning, especially in deep neural networks, have enabled end-to-end communication systems based on learning. In these systems, deep neural networks are used as replacements for different parts of the transmitter and receiver. As this approach is completely data-driven and does not assume any model for the communication channel, it can be employed as a comprehensive solution in various communication scenarios. In past research efforts, considerable studies and improvements in the performance of end-to-end learning-based communication systems have been carried out, resulting in significant progress. However, most of these works have focused on improving their performance by proposing different models for the communication channel, rather than exploring better and more powerful neural networks. This project aims to utilize a Transformer neural network to design higher quality and more efficient transmitter and receiver neural networks. Additionally, efforts will be made in this project to propose a channel modelling method using the Transformer network. In general, the goal of this project is to present an end-to-end communication system based solely on learning and using the Transformer network exclusively, without any other type of neural network. Simulation results indicate an improvement in the performance of the proposed deep neural network compared to prior art.

سيستم مخابراتي , شبكه مبدل , انتها به انتها , شبكه مولد شرطي

communication system , transformer network , end-to-end , conditional generative network

moein heidari

shahrokh farahmand