تخمین کانال در سامانه های MIMO-OFDM زیرآب با استفاده از شبکه عصبی FF-DNN

کانال آکوستیکی زیرآب به دلیل ماهیت فیزیکی آن به عنوان یکی از چالش برانگیزترین کانال‏ های مخابراتی شناخته می‏ شود. در این راستا، استفاده از مدولاسیون تسهیم فرکانسی متعامد (OFDM) و سامانه‏ های چند ورودی - چند خروجی (MIMO) از روش‏ های موثر برای غلبه بر اثرات کانال و افزایش ظرفیت کانال زیرآب هستند. بدین ترتیب، عملکرد این سامانه‏ های مخابراتی و دستیابی به مزایای ذکر شده به میزان قابل توجهی به تخمین ضرایب و حصول اطلاعات حالت کانال وابسته است. باتوجه به اینکه در اکثر پژوهش‏ ها کانال بین فرستنده - گیرنده تنک فرض می‏ شود، درحالی که در کاربردهای عملی این گونه نیست؛ در این مقاله دو مدل شبکه عصبی عمیق پیشخور (FF-DNN)، Net_1 و Net_2، برای تخمین ضرایب کانال مخابراتی چند - ضریب (Multi-Tap) در کانال‏ های زیرآب مورداستفاده قرار گرفته‏ اند. فرایند بدین صورت است که در ابتدا تخمین حداقل مربعات (LS) کانال بدست می‏ آید و سپس به عنوان ورودی به این دو مدل شبکه عصبی اعمال می‏گردد، مدل مورد آموزش و یادگیری قرار می ‏گیرد، و در خروجی تخمین حداقل میانگین مربعات خطا (MMSE) از ضرایب کانال مورد انتظار است. نتایج بدست آمده از شبیه‏ سازی نشان می‏ دهد که استفاده از این دو مدل شبکه عصبی عمیق با تعداد لایه‏ های نهان متفاوت با غلبه بر تخمین LS بر اساس معیارهای مقایس ه‏ای MSE و BER، دارای عملکرد مناسبی در مقایسه با تخمین MMSE می‏ باشد و افزایش کیفیت تخمین ضرایب را به همراه دارد. به عنوان مثال، بر اساس معیار BER، مدل‏ های ارائه شده به ازا مقدار خطا برابر با 2-10 به ترتیب 3 و 5.5 دسی‏ بل بهبود را به همراه داشته ‏اند.