Детальная информация

Название: Анализ применения нейронных сетей для демодуляции FTN-сигналов: выпускная квалификационная работа бакалавра: направление 11.03.02 «Инфокоммуникационные технологии и системы связи» ; образовательная программа 11.03.02_01 «Системы мобильной связи»
Авторы: Абдулбаров Азат Рашитович
Научный руководитель: Завьялов Сергей Викторович
Другие авторы: Забалуева Зоя Андреевна
Организация: Санкт-Петербургский политехнический университет Петра Великого. Институт физики, нанотехнологий и телекоммуникаций
Выходные сведения: Санкт-Петербург, 2021
Коллекция: Выпускные квалификационные работы; Общая коллекция
Тематика: faster-than-nyquist; машинное обучение; нейронные сети; межсимвольная интерференция; обнаружение сигнала; спектрально-эффективные сигналы; телекоммуникации; machine learning; neural networks; intersymbol interference; signal detection; spectral effective signals; telecommunications
Тип документа: Выпускная квалификационная работа бакалавра
Тип файла: PDF
Язык: Русский
Уровень высшего образования: Бакалавриат
Код специальности ФГОС: 11.03.02
Группа специальностей ФГОС: 110000 - Электроника, радиотехника и системы связи
Ссылки: Отзыв руководителя; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2021/vr/vr21-4853
Права доступа: Доступ по паролю из сети Интернет (чтение, печать, копирование)
Ключ записи: ru\spstu\vkr\15083

Разрешенные действия:

Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети Действие 'Загрузить' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети

Группа: Анонимные пользователи

Сеть: Интернет

Аннотация

Данная работа посвящена обзору спектрально-эффективных сигналов Faster-than-Nyquist (FTN), проблем, возникающих при обработке данных сигналов из-за необходимой вычислительной сложности классических алгоритмов вследствие вводимой межсимвольной интерференции. В работе рассматриваются научные публикации и статьи, направленные на снижение сложности приемников с помощью методов машинного обучения. Рассматриваются предложенные архитектуры внедрения нейронных сетей в структуру приемника для различных целей – в качестве детектора, в качестве де-кодера, с целью повышения эффективности ранее предложенных алгоритмов и т.д. Так же, рассмотрены идеи внедрения FTN-сигналов в системы связи нового поколения, такие как неортогональный множественный доступ (англ. NOMA), спектрально-эффективные сигналы с частотным уплотнением (англ. SEFDM).

The given work is devote to a review of spectrally efficient Faster-than-Nyquist (FTN) signals, problems arising in the processing of these signals due to the necessary computational complexity of classical algorithms due to the introduced intersymbol interference. The work considers scientific publications and articles aimed at reducing the complexity of receivers using machine-learning methods. The proposed architectures for introducing neural networks into the structure of the receiver for various purposes are considered - as a detector, as a decoder, in order to increase the efficiency of previously proposed algorithms, etc. Also, the ideas of introducing FTN signals into new generation communication systems, such as non-orthogonal multiple access (NOMA), spectrally efficient signals with frequency division multiplexing, are considered.

Права на использование объекта хранения

Место доступа Группа пользователей Действие
Локальная сеть ИБК СПбПУ Все Прочитать Печать Загрузить
Внешние организации №2 Все Прочитать
Внешние организации №1 Все
Интернет Авторизованные пользователи СПбПУ Прочитать Печать Загрузить
Интернет Авторизованные пользователи (не СПбПУ, №2) Прочитать
Интернет Авторизованные пользователи (не СПбПУ, №1)
-> Интернет Анонимные пользователи

Оглавление

  • Содержание
  • Введение
  • Глава 1. Сигналы Faster-Than-Nyquist
  • Глава 2. Возможные алгоритмы приема FTN-сигналов
  • Глава 3. Методы машинного обучения для приема FTN сигналов
  • 3.1. Построение архитектуры приёмного блока FTN-сигналов на основе алгоритмов глубокого обучения
  • 3.2. Эквалайзер на основе рекуррентной нейронной сети для приема FTN-сигналов
  • 3.3. Алгоритм “sum-product” на основе нейронной сети приема FTN-сигналов
  • 3.4. Метод приема FTN-сигналов на основе глубокого обучения в системах неортогонального множественного доступа
  • 3.5. Детектор на основе нейронной сети для систем SEFDM
  • Глава 4. Сравнение результатов
  • Заключение
  • Список литературы

Статистика использования

stat Количество обращений: 2
За последние 30 дней: 1
Подробная статистика