Επιταχυντής υλικού για εφαρμογές σε εκτίμηση καναλιού

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 εισάγ...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Ζήκας, Αλέξανδρος
Άλλοι συγγραφείς: Zikas, Alexandros
Γλώσσα:Greek
Έκδοση: 2021
Θέματα:
Διαθέσιμο Online:http://hdl.handle.net/10889/14975
id nemertes-10889-14975
record_format dspace
spelling nemertes-10889-149752022-09-05T11:17:11Z Επιταχυντής υλικού για εφαρμογές σε εκτίμηση καναλιού Hardware accelerator for applications in channel estimation Ζήκας, Αλέξανδρος Zikas, Alexandros Εκτίμηση καναλιού Βαθιά μάθηση Channel estimation BPSK Reservoir computing Echo state network Vivado HLS FPGA 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. The purpose of this thesis is to point out the role that deep learning, implemented by a neural network, can play in the improvement of the operation of a communication system and in particular in channel estimation,which is the estimation of the introduced by the channel distortions in the transmitted information. The communication system that is examined is the transmission and reception of information modulated according to the principles of Binary Phase Shift Keyring through a wireless Rayleigh channel which describes a wireless channel in a real environment. The receiver end of such a system is modified properly so that it includes a type of recursive neural network, called Echo State Network, which functions based on the principles of Reservoir Computing demanding relatively few resources for its training and operation. The Echo State Network is trained in conditions of channel distortions and noise so that when the signal reaches at the receiver it goes through this neural network that tries to reverse the distortions that have been introduced by the channel, operating as equalizer. The Echo State Network is implemented and optimized at first in software with Python, where a number of parameters of the neural newtork is selected aiming at its best performance, and then it is developed in high level, using tools by Xilinx mainly Vivado HLS, on hardware and in particular on a FPGA making good use of its availabe resources as well as possible After that whole process a reduced bit error rate is achieved, which is a fundamental criterion of the performance of a communication system, with the introduction of a recursive neural network implemented on hardware at the receiver end. 2021-07-12T06:19:22Z 2021-07-12T06:19:22Z 2021-07-11 http://hdl.handle.net/10889/14975 gr winzip/winrar application/pdf
institution UPatras
collection Nemertes
language Greek
topic Εκτίμηση καναλιού
Βαθιά μάθηση
Channel estimation
BPSK
Reservoir computing
Echo state network
Vivado HLS
FPGA
spellingShingle Εκτίμηση καναλιού
Βαθιά μάθηση
Channel estimation
BPSK
Reservoir computing
Echo state network
Vivado HLS
FPGA
Ζήκας, Αλέξανδρος
Επιταχυντής υλικού για εφαρμογές σε εκτίμηση καναλιού
description 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.
author2 Zikas, Alexandros
author_facet Zikas, Alexandros
Ζήκας, Αλέξανδρος
author Ζήκας, Αλέξανδρος
author_sort Ζήκας, Αλέξανδρος
title Επιταχυντής υλικού για εφαρμογές σε εκτίμηση καναλιού
title_short Επιταχυντής υλικού για εφαρμογές σε εκτίμηση καναλιού
title_full Επιταχυντής υλικού για εφαρμογές σε εκτίμηση καναλιού
title_fullStr Επιταχυντής υλικού για εφαρμογές σε εκτίμηση καναλιού
title_full_unstemmed Επιταχυντής υλικού για εφαρμογές σε εκτίμηση καναλιού
title_sort επιταχυντής υλικού για εφαρμογές σε εκτίμηση καναλιού
publishDate 2021
url http://hdl.handle.net/10889/14975
work_keys_str_mv AT zēkasalexandros epitachyntēsylikougiaepharmogesseektimēsēkanaliou
AT zēkasalexandros hardwareacceleratorforapplicationsinchannelestimation
_version_ 1771297216048136192