Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Wireless Personal Communications
Erschienen in: Wireless Personal Communications 3/2022

23.02.2022

Channel Estimation with Fully Connected Deep Neural Network

verfasst von: Radosveta Sokullu, Mete Yıldırım

Erschienen in: Wireless Personal Communications | Ausgabe 3/2022

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this study, we focus on realizing channel estimation using a fully connected deep neural network. The data aided estimation approach is employed. We assume the transmission channel is Rayleigh and it is constant over the duration of a symbol plus pilot transmission. We develop and tune the deep learning model for various size of pilot data that is known to the receiver and used for channel estimation. The deep learning models are trained on the Rayleigh channel. The performance of the model is discussed for various size of pilot by providing Bit Error Rate of the model. The Bit Error Rate performance of the model is compared to theoretical upper bound which shows that the model successfully estimates the channel.
Vorheriger Artikel High Altitude Aeronautical Platform for VoIP: Dependability Analysis
Nächster Artikel A Contemporary Survey on IoT Based Smart Cities: Architecture, Applications, and Open Issues

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
1.
Farsad N., Rao M., Goldsmith A., (2018). Deep learning for joint source-channel coding of text, in Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) 2018, (pp. 2326–2330).
2.
Neev, S., Tzvi, D., & Ami, W. (2019). Learning to detect. IEEE Transactions on Signal Processing, 67–10, 2554–2564.MathSciNetMATH
3.
Habti, A. (2010). Data-aided SNR estimation in time-variant Rayleigh fading channels. IEEE Transactions on Signal Processing, 58–11, 5496–5507.MathSciNetMATH
4.
Tobias, G., Sebastian, C., Jakob, H., & Stephan, T. B. (2017). On deep learning-based channel decoding (pp. 1–6).
5.
Hengtao, H., Chao-Kai, W., Shi, J., & Geoffrey, L. (2018). Deep learning-based channel estimation for beamspace mmWave massive MIMO systems. IEEE Wireless Communications Letters, 7–5, 852–855.
6.
Chao-Kai, W., Wan-Ting, S., & Shi, J. (2018). Deep learning for massive MIMO CSI feedback. IEEE Wireless Communications Letters, 7–5, 748–751.
7.
Bai, Q., Wang, J., Zhang, Y., & Song, J. (2019, Sep 24). Deep learning-based channel estimation algorithm over time selective fading channels. IEEE Transactions on Cognitive Communications and Networking, 6(1), 125–134.CrossRef
8.
Le Ha, A., Van Chien, T., Nguyen, T. H., & Choi, W. (2021, Jan 4). Deep learning-aided 5G channel estimation. In 2021 15th international conference on ubiquitous information management and communication (IMCOM) (pp. 1–7).
9.
10.
Yang, Y., Gao, F., Ma, X., & Zhang, S. (2019). Deep learning-based channel estimation for doubly selective fading channels. IEEE Access, 22–7, 36579–89.CrossRef
11.
Yuyang, W., Murali, N., & Robert, H. (2018). MmWave beam prediction with situational awareness: A machine learning approach, 19th IEEE International Workshop on Signal Processing Advances in Wireless Communications (Invited Paper), (pp. 1–5).
12.
Haoran, S., Xiangyi, C., Qingjiang, S., Mingyi, H., Xiao, F., & Nicholas, S. (2018). Learning to optimize: Training deep neural networks for interference management. IEEE Transactions on Signal Processing, 66–20, 5438–5453.MathSciNetMATH
13.
Vutha, V., Junil, C., Takayuki, S., Gaurav, B., & Robert, H. (2017). Inverse multi-path fingerprinting for millimeter wave V2I beam alignment. IEEE Transactions on Vehicular Technology, 67–5, 4042–4058.
14.
Challita U., Dong L., Saad W., (2018). Proactive resource management for LTE in unlicensed spectrum: A deep learning perspective. IEEE Transactions on Wireless Communications, 17–7, 4674–4689.
15.
Ganesh, S., Sunder, V. S., & Thakre, A. (2018, Sep 19). Performance improvement in Rayleigh faded channel using deep learning. In 2018 International conference on advances in computing, communications and informatics (ICACCI) (pp. 1307–1312).
16.
17.
Nitish, S., Geoffrey, H., Alex, K., Ilya, S., & Ruslan, S. (2014). Dropout: A simple way to prevent neural networks from overfitting. The Journal of Machine Learning Research, 15–1, 1929–1958.MathSciNetMATH
18.
Aditya, K., Deepak, G., Nhu Gia, N., Ashish, K., Babita, E. Y., & Prayag, T. (2019). Sound classification using convolutional neural network and tensor deep stacking network. IEEE Access, 7, 7717–7727.
19.
Byrd J., Lipton Z.C., (2019). What is the effect of importance weighting in deep learning? International Conference on Machine Learning (ICML) 2019, (pp. 872–881).
20.
Robert, H. N. (1992). Theory of the backpropagation neural network (pp. 65–93). Elsevier.
21.
22.
Metadaten
Titel
Channel Estimation with Fully Connected Deep Neural Network
verfasst von
Radosveta Sokullu
Mete Yıldırım
Publikationsdatum
23.02.2022
Verlag
Springer US
Erschienen in
Wireless Personal Communications / Ausgabe 3/2022
Print ISSN: 0929-6212
Elektronische ISSN: 1572-834X
DOI
https://doi.org/10.1007/s11277-022-09657-3

Weitere Artikel der Ausgabe 3/2022

Wireless Personal Communications 3/2022 Zur Ausgabe

ReviewPaper

Machine Learning Techniques and Breast Cancer Prediction: A Review

OriginalPaper

Power Control Based BPM with CDS Scheduling for Downlink Transmission in LTE-A Networks

OriginalPaper

A Distributed Mobile Reader Collision Avoidance Protocol for Dense RFID Networks

OriginalPaper

Low Complexity Preprocessing Approach for Wireless Physical Layer Secret Key Extraction Based on PCA

OriginalPaper

DDoS Attack Detection in SDN: Optimized Deep Convolutional Neural Network with Optimal Feature Set

OriginalPaper

Optimizing the Reduction of PAPR of OFDM System Using Hybrid Methods

Neuer Inhalt

    Bildnachweise