Impulsive Noise Detection in OFDM-based Systems: A Deep Learning Perspective

Abstract

Efficient removal of impulsive noise (IN) from received signal is essential in many communication applications. In this paper, we propose a two stage IN mitigation approach for orthogonal frequency-division multiplexing (OFDM)-based communication systems. In the first stage, a deep neural network (DNN) is used to detect the instances of impulsivity. Then, the detected IN is blanked in the suppression stage to alleviate the harmful effects of outliers. Simulation results demonstrate the superior bit error rate (BER) performance of this approach relative to classic approaches such as blanking and clipping that use threshold to detect the IN. We demonstrate the robustness of the DNN-based approach under (i) mismatch between IN models considered for training and testing, and (ii) bursty impulsive environment when the receiver is empowered with interleaving techniques.Index Terms-Impulsive noise (IN), machine learning, deep neural network (DNN), orthogonal frequency-division multiplexing (OFDM).

Proposta de uma Rede Neural Artificial para Detecção de Ruído Impulsivo

“…. , N , w i a i-ésima amostra de ruído aditivo Gaussiano Branco com média zero e variância 2 w , b i é uma variável aleatória de Bernoulli com probabilidade de sucesso p RI e v i é i-ésima amostra i.i.d. de RI proveniente de uma distribuição SαS com parâmetros λ = 0, γ = 1 e diferentes valores de α.…”

“…A rede neural proposta foi treinada a fim identificar uma amostra corrompida a partir do valor da amostra, da estatística MAD e da estatística ROAD, conforme anteriormente definido. A rede construída possui 3 neurônios na camada de entrada, duas camadas com 21 neurônios cada e apenas 1 neurônio na saída [2]. A função de ativação da primeira camada intermediária é a tangente hiperbólica, a segunda camada possui uma função linear do tipo f (x) = x e a terceira camada, a função sigmoid.…”

“…A função de ativação da primeira camada intermediária é a tangente hiperbólica, a segunda camada possui uma função linear do tipo f (x) = x e a terceira camada, a função sigmoid. As escolhas da quantidade de neurônios e das funções de ativação foram feitas baseadas em [2] e por meio do treinamento de diferentes estruturas para se encontrar a estrutura com melhor desempenho. A função de ativação da última camada foi escolhida por apresentar em sua saída valores entre 0 e 1, permitindo classificar a amostra com a adoção de um limiar.…”

“…É notável que, em se tratando da recepção e transmissão de dados, esse tipo de interferência atua de forma negativa, e nesse sentido, há uma diversidade de algoritmos e técnicas para a sua mitigação, por meio de estatísticas como o desvio padrão [1] ou com o uso da inteligência artificial [2]. Esta última vem ganhando destaque no campo das comunicações devido à sua capacidade de solucionar problemas complexos nos chamados modelos fim-a-fim [2]. Diante disso, este trabalho apresenta o desenvolvimento e a implementação de uma rede neural artificial para a detecção de amostras com RI.…”

Influence of impulsive noise from lifts on orthogonal frequency‐division multiplexing digital radio mondiale signals

“…Some studies present methods for detecting IN in OFDM-based systems, using deep neural network [13] or deducting the peak-to average power ratio [14]. Other works focus on mitigating the IN interference in the receiver with different techniques such as a decoding algorithm based on a cascade structure [15], an improving channel estimation based on composite-comparisonvalue scheme [16] or a non-parametric maximum likelihood channel estimation followed by a Viterby decoder whose branch metric is updated based on the distribution of residual error [17].…”