4@KSTI'2023pb Odbiornik OFDM z synchronizacją symbolową wspomaganą przez sieć neuronową

typ projektu: badawczy z wymogiem publikacji

edycja: 2023pb

liczba studentów w projekcie 1 - 4

kierownik: -

Hipoteza badawcza: 
Możliwe jest poprawienie
skuteczności synchronizacji symbolowej w odbiorniku OFDM przy użyciu sieci
neuronowej dla transmisji w kanale z silnymi zakłóceniami międzysymbolowymi. 

Cel pracy:
Kontynuacja badań zrealizowanych w
ramach projektu badawczego „Jednoczesna synchronizacja symbolowa i redukcja
interferencji międzysymbolowych w sygnale OFDM z użyciem sieci neuronowej” w
celu opracowania i przebadania odbiornika OFDM z synchronizacją symbolową
wykorzystującą sieci neuronowe. 

Zadania do wykonania:

1. Przegląd literatury w zakresie metod
synchronizacji symbolowej w odbiorniku OFDM.

2. Implementacja modelu nadajnika i
odbiornika OFDM przystosowanego do testowania różnych rozwiązań synchronizacji
symbolowej.

3. Implementacja wybranej metody
referencyjnej i przebadanie jej wydajności dla transmisji w kanale z silnymi
zakłóceniami międzysymbolowymi.

4. Przebadanie skuteczności
synchronizacji symboli OFDM dla modułu synchronizacji symbolowej wykorzystującego
sieć neuronową i porównanie wyników z rozwiązaniem referencyjnym.

4. Projekt rozwiązań dla innych
struktur sieci neuronowej, ich testy i porównanie wyników z dotychczasowym
rozwiązaniem.

5. Badanie wrażliwości opracowanych
rozwiązań na opóźnienie ułamkowe oraz odstrojenie częstotliwości nośnej.

Literatura:

1. K. Gmiński, P. Miklaszewski, raporty z projektu badawczego
„Jednoczesna synchronizacja symbolowa i redukcja interferencji symbolowych w
sygnale OFDM z użyciem sieci neuronowej” realizowanego pod opieką Marka Bloka w
latach 2021/22.

2. Blok, M., Gmiński, K., & Miklaszewski, P. (2022).
Klasyfikator SVM w zastosowaniu do synchronizacji sygnału OFDM zniekształconego
przez kanał wielodrogowy. Przegląd Telekomunikacyjny+ Wiadomości
Telekomunikacyjne, 412-415.

3.  Liu, C., &
Arslan, T. (2020, October). RecNet: Deep Learning-Based OFDM Receiver with
Semi-Blind Channel Estimation. In
2020 IEEE International Symposium on Circuits and Systems (ISCAS) (pp. 1-4).
IEEE.

4.  Van Luong, T., Ko, Y., Matthaiou, M., Vien, N.
A., Le, M. T., & Ngo, V. D. (2020). Deep learning-aided multicarrier
systems. IEEE Transactions on Wireless Communications.

5.  Gizzini, A. K.,
Chafii, M., Nimr, A., & Fettweis, G. (2020). Deep learning based channel estimation schemes
for IEEE 802.11 p standard. IEEE Access, 8, 113751-113765.

6.  Machine Learnig for Audio Signals in Python, https://www.youtube.com/playlist?list=PL6QnpHKwdPYjfCH2zkMGEHu2kv1HTICYA.

7.  Machine Learning for Intelligent Systems;
lecture materials; https://www.cs.cornell.edu/courses/cs4780/2018fa/

Liczba wykonawców: 1-4