This paper offers a deep learning approximation to realize channel estimation and signal detection that creates the main communication structure skeleton for the orthogonal frequency-division multiplexing (OFDM) system known as an efficient modulation type on 5G. This letter offers an application of deep learning to handle the wireless OFDM channels' end-to-end conduct. First, channel state information (CSI) is predicted explicitly that differs from existing OFDM receivers, then detected the transmitted symbols utilizing the predicted CSI. In the end, CSI is predicted by the suggested deep learning approximation indirectly and transmitted symbols are directly recovered. The structure of the designed receiver occurs of a layer of DNN and soft decisions, which resolves the issues channel estimation error, time delay, and limitation of decoding between users in classic detection techniques. In the simulation results, it is observed that the receiver has powerful stability on the power distribution of user, not only convenient for the linear channel, but also for nonlinear channel when enhancement the number of users, also detection can be well on the receiver. Generally, the efficiency of the modulation system decreases with the features of the multipath channel utilized for transmission. Channel estimation and detection of symbols utilize to reduce the impacts of the channel, which needs high computation and bandwidth conventionally. This paper is used deep neural networks (DNN) for detecting the signal, in this way much effort in detecting the channel is prevented. The proposed method saves priceless bandwidth via used CP in OFDM with a big increase in SNR.

No abstract

No abstract

Satellite communications (SatComs) recently, have admitted as a new technological advances that attracted and raised special investment and ventures. Space communication technology has found many application areas from costly, one-of-a-sort structures, to utilize again of technology on sequential tasks, to the progress of canonical protocols accepted by space agencies of lots of countries. Satellite communication has accepted as one of the important technologies for 5G backhauling, particularly on bandwidth request increased in 5G mobile broad band (eMBB) applications. This paper presents the efficiency of the satellite communication system using 16 QAM digital modulation technique for the X band. This digital modulation method presents high data rate in transmission without raising the bandwidth compared with other digital modulation methods. Applications are realized in Matlab environment and obtained conclusions are discussed such as power spectrum diagrams, constellation schemas and BER ratio for several bands such as 4, 8, 12, 16 GHz.

Bu çalışmada, radyo iletişim sinyalleri için modülasyon tipi sınıflandırması amaçlanmış ve derin öğrenmenin sınıflandırma performansı üzerindeki etkisi incelenmiştir. Ayrıca bu çalışmada, modülasyon sınıflandırmasında bir evrişimsel sinir ağının (Convolutional Neural Network-CNN) nasıl kullanılacağı araştırılmaktadır. İlk olarak, sentetik, kanal-bozulmuş dalga biçimleri oluşturulur. Üretilen dalga formlarını veri olarak kullanan bir CNN eğitilir, ardından modülasyon sınıflandırması yapılır. Sonunda, CNN'yi test etmek için Yazılım Tanımlı Radyo (SDR) donanımı ve havadan sinyaller kullanılır. Simülasyonda taşıyıcı frekans kayması, sembol hızı, çok yollu sönümleme, gecikme yayılımı ve termal gürültünün farklı etkileri göz önünde bulundurulmaktadır. Tüm bu etkiler tam olarak uygun bir şekilde modellenebilir ve ayrıca burada çalışmamızın kapsamı dışında sentetik olarak modellenebilecek birçok ek yayılma etkisi vardır. Bu çalışmada eğitilen CNN; İkili faz kaydırmalı anahtarlama (BPSK), Dörtlü faz kaydırmalı anahtarlama (QPSK), (8-PSK), 16 dörtlü genlik modülasyonu (QAM), 64 QAM, 4 darbeli genlik modülasyonu (PAM4), Gauss frekans kaydırmalı anahtarlama (GFSK), Sürekli faz frekans kaydırmalı anahtarlama (CPFSK), Yayın FM (B-FM), Çift yan bant genlik modülasyonu (DSB-AM), Tek yan bant genlik modülasyonu (SSB-AM) şeklindeki modülasyon tiplerini tanımlar. Eğitilmiş CNN, 1024 ve 512 örnek için her bir çerçevenin modülasyon tipi hakkında tahminde bulunur ve karşılaştırmalar yapar. Bu araştırmada gösterilen performans ödünleşimleri, veri sembolleri ve eğitim sembolleri üretimindeki temel parametreleri dikkate alır, algılamayı geliştirir ve bu tür sistemlerin optimizasyonu üzerine gelecekteki çalışmalara odaklanır.