Análisis de la aplicación de auto codificadores en sistemas de comunicaciones para minimizar el efecto del ruido
Loading...
Date
2024-08-30
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Cuenca
Abstract
Conventional communication systems use processing blocks to perform specific tasks, such as encoding or modulating input signals. Recently, Deep Learning (DL) theory has inspired programmers and researchers in the area of digital communications to apply it to these traditional systems with the aim of making them adaptable to different environments, reducing the complexity in the design of blocks that perform specific tasks. In this context, the main objective of this work is to develop an Autoencoder (AE), which is the application of an unsupervised learning artificial neural network, with an encoding-decoding structure similar to that of a conventional communication system.
The model presented in Chapters 4 and 5 is developed using the TensorFlow libraries and functional API. The implemented encoding was based on the following modulation schemes: BPSK, QPSK, 8-PSK, 16-PSK, 32-PSK, 4-QAM, 16-QAM, 32-QAM, 64-QAM, and 128-QAM.
Through training, the model aims to efficiently reduce the error between the original information and the reconstructed information after passing through a noisy AWGN channel. To optimize the training, the early stopping technique is incorporated, which halts the training when the loss function values stop improving.
To verify the functionality of the AE, constellation diagrams, Block Error Rate (BLER) and Bit Error Rate (BER) plots were obtained for each modulation scheme. These graphs were analy- zed and compared with the typical curves of the aforementioned digital modulations. The results of the autoencoder indicate greater precision and efficiency in reconstructing the transmitted data, consequently leading to a significant improvement in information transmission.
Resumen
Los sistemas de comunicación convencionales utilizan bloques de procesamiento para realizar tareas específicas, como la codificación o modulación de las señales de entrada. Recientemente, la teoría del aprendizaje profundo (DL) ha inspirado a programadores e investigadores, en el área de comunicaciones digitales, a aplicarla en estos sistemas tradiciones con el objetivo de que sean adaptables a diferentes entornos, reduciendo la complejidad en el diseño de bloques que ejecutan tareas específicas. En este contexto, el presente trabajo tiene como objetivo principal desarrollar un auto codificador, que es la aplicación de una red neuronal artificial de aprendizaje no supervisado, con una estructura de codificación-decodificación similar a la de un sistema de comunicación convencional.
El modelo que se presenta en los Capítulos 4 y 5 se desarrolla utilizando las librerías y API funcional de TensorFlow. La codificación implementada se hizo en función de los siguientes esquemas de modulación: BPSK, QPSK, 8-PSK, 16-PSK, 32-PSK, 4-QAM, 16-QAM, 32-QAM,64-QAM, and 128-QAM. Con el entrenamiento, el modelo busca reducir el error entre la información original y la reconstruida tras pasar por un canal ruidoso AWGN de manera eficiente.
Para optimizar el entrenamiento se incorpora la técnica de parada temprana, la cual detiene el entrenamiento cuando los valores de la función de pérdida dejan de mejorar.
Para verificar el funcionamiento del auto codificador (AE), se obtuvieron las gráficas del diagrama de constelación, las curvas de Tasa de error de Bloque (BLER) y Tasa de error de Bit (BER) para cada esquema de modulación. Estas gráficas fueron analizadas y comparadas con las curvas típicas de las modulaciones digitales mencionadas anteriormente. Los resultados del auto codificador reflejan una mayor precisión y eficiencia en la reconstrucción de los datos transmitidos y en consecuencia una mejora significativa en la transmisión de información.
Keywords
Electrónica, Telecomunicaciones, Redes neuronales, Inteligencuia artificial
Citation
Código de tesis
TET;158
Código de tesis
Grado Académico
Ingeniero en Telecomunicaciones