| Summary: | Στόχος αυτής της διπλωματικής εργασίας είναι να αναδείξει το ρόλο που μπορεί να διαδραματίσει η βαθιά μάθηση, που υλοποιείται με ένα νευρωνικό δίκτυο, στη βελτίωση της λειτουργίας ενός επικοινωνιακού συστήματος και συγκεκριμένα στην εκτίμηση καναλιού, δηλαδή στην εκτίμηση των παραμορφώσεων που εισάγει το ασύρματο κανάλι μετάδοσης στην μεταδιδόμενη πληροφορία.
Το επικοινωνιακό σύστημα που εξετάζεται είναι η μετάδοση και λήψη πληροφορίας διαμορφωμένη σύμφωνα με τους κανόνες του Binary Phase Shift Keyring μέσω ενός ασύρματου Rayleigh καναλιού που περιγράφει ένα ασύρματο κανάλι σε πραγματικό περιβάλλον. Ο δέκτης ενός τέτοιου συστήματος τροποποιείται κατάλληλα ώστε να συμπεριλαμβάνει ένα τύπο αναδρομικού νευρωνικού δικτύου, το Echo State Network, που λειτουργεί με βάσει τις αρχές του Reservoir Computing, που απαιτεί σχετικά λίγους πόρους για την εκπαίδευση και τη λειτουργία του. Το Echo State Network εκπαιδεύεται σε συνθήκες παραμόρφωσης καναλιού και θορύβου, ώστε όταν το σήμα φτάνει στο δέκτη, να εισέρχεται στο αναδρομικό αυτό νευρωνικό δίκτυο που επιχειρεί να αναιρέσει τις παραμορφώσεις που έχει υποστεί, λειτουργώντας ως ισοσταθμιστής. Το Echo State Network υλοποιείται και βελτιστοποιείται αρχικά σε επίπεδο λογισμικού με Python, όπου επιλέγεται μια σειρά παραμέτρων του νευρωνικού δικτύου με στόχο την καλύτερη απόδοση του και στη συνέχεια αναπτύσσεται σε υψηλό επίπεδο, με τη χρήση των εργαλείων της Xilinx και κυρίως του Vivado HLS, σε υλικό και συγκεκριμένα σε ένα FPGA αξιοποιώντας τους διαθέσιμους πόρους του όσο το δυνατόν καλύτερα.
Με αυτή τη διαδικασία επιτυγχάνεται η μείωση του ποσοστού εσφαλμένων bits, που είναι βασικό κριτήριο απόδοσης ενός επικοινωνιακού συστήματος με την εισαγωγή ενός αναδρομικού νευρωνικού δικτύου υλοποιημένο σε υλικό στη μεριά του δέκτη.
|
|---|
