چکیده

اخیرا، برای رسیدن به  کارائی بالا در سناریوهایی که کانال ارتباطی ناشناس و یا کانال بسیار پیچیده ای برای یک تشریح تحلیلی وجود دارد، از تخمین کانال بر مبنای شبکه ی عصبی (NN) در سیستم های مدولاسیون فرکانس عمود بر هم (OFDM) استفاده میشود. البته این روش یادگیری برای NN های رایج را نمیتوان هم راستا با مدل های کانالی دانست که در گام آموزش مورد استفاده قرار میگیرند. علاوه بر این، NN های رایج نیاز به داده های زیاد و زمان زیادی برای آموزش دارند که نمیتوان آنرا برای ارتباطات OFDM که دارای کانال هایی با تغییر زمانی هستند مناسب دانست. برای غلبه بر این چالش ها، یک روش تخمین کانال را بر مبنای تکنیک فرا یادگیری ارائه نموده ایم که RoemNet نام دارد.  مشخصه ی متمایز این تکنیک این بوده که از یک فرا یادگیرنده استفاده نموده که میتواند یک محیط را از طریق کانال های مختلف مورد یادگیری قرار دهد. با بروز رسانی این یادگیرنده، RoemNet از قدرت کافی برای حل وظایف یادگیری در کانال و آنهم به وسیله ی تعداد کمی از پایلوت ها برخوردار میباشد. علاوه بر این، RoemNet میتواند  تأثیر ناشی از دراپر را کاهش داده و نسبت خطای بیتی (BER) را در سطح قابل ملاحظه ای تحت محیط های کانال مخلتف بهبود دهد. نتایج آزمایشی نشان میدهد که روش پیشنهادی از کارائی بهتری نسبت به روش های تخمین کانال و آنهم تحت سناریوهای مختلف برخوردار میباشد.

1-مقدمه

در طی چند سال اخیر، مدولاسیون فرکانس عمود بر هم (OFDM) به عنوان یک فناوری نوظهور و با توانایی محو شوندگی چند کاناله و بهره برداری از طیف کانال توانسته است مورد توجه تحقیقات گسترده ای قرار گیرد...