Advanced Linear and Deep Learning based Channel Estimation Techniques in Doubly Dispersive Environments - Archive ouverte HAL
Thèse Année : 2021

Advanced Linear and Deep Learning based Channel Estimation Techniques in Doubly Dispersive Environments

Techniques avancées d'estimation linéaire et d'apprentissage profond du canal dans des environnements doublement dispersifs

Résumé

Wireless communications revolution plays a significant role in facilitating several mobile applications like unmanned aerial vehicles, high-speed railway, and vehicular communications. Particularly, the concept of connected vehicles brings a new level of connectivity to vehicles. Along with novel on board computing and sensing technologies, vehicular networks serve as a key enabler of intelligent transportation systems and smart cities. This new generation of networks have a profound impact on the society, making every day traveling safer, greener, and more efficient and comfortable. However, in vehicular environments, the propagation medium between the network nodes is highly time-varying leading to considerable reliability challenges. In fact, transmitted signals propagate through multiple paths, each with a different delay, attenuation, in addition to Doppler shift effect resulting from the motion of vehicles and the surrounding environment. Ensuring communication reliability by the means of accurate channel estimation in such environments is very important. Therefore, the accuracy of the channel estimation influences the system performance, since a precisely estimated channel response influences the follow-up equalization, demodulation, and decoding operations at the receiver. In literature, there exists an extensive work on conventional channel estimation for vehicular communications. However, these conventional estimators rely on many assumptions that limit their performance in highly dynamic time-varying channels. Moreover, linear conventional estimators are impractical solutions in real case scenarios as they rely on statistical models and require high implementation complexity. Although there exists simple linear estimation with affordable complexity, they lack robustness in highly dynamic environments. Therefore, investigating estimators with a good trade-off complexity vs. performance is a significant task. As a prevailing approach to AI, deep learning (DL) develops efficient methods to analyze data by finding patterns and learning underlying structures and represents an effective data driven approach to problems encountered in various scientific fields. The main reason behind integrating DL in wireless communications is to find solutions to communication problems where analytical solutions are intractable or highly complex. DL has a strong ability to overcome this challenge via low-complexity and robust solutions that improve the performance of wireless systems. Additionally, the GPU-based distributed processing enables the DL employment in real-time applications. As a result, DL can be leveraged to exploit the data generated in vehicular networks. In this context, this thesis aims to investigate how to adapt such tools to account for the characteristics of high mobility vehicular networks. We show that integrating optimized DL architectures brings low-complexity solutions for vehicular channel estimation either by improving the performance compared to the simplified linear channel estimators, or by approaching the performance of complex robust model-based estimators with feasible implementation. Therefore, unlike conventional estimators, DL-based estimators provide a good trade-off between the computational complexity and the system performance. Moreover, the generalization ability gives robustness to the system when deployed in highly dynamic environments.
La révolution des communications sans fil joue un rôle important dans la facilitation de plusieurs applications mobiles telles que les drones, les trains à grande vitesse et les communications entre véhicules. En particulier, le concept de véhicules connectés apporte une bonne connectivité aux véhicules. En plus des nouvelles technologies de calcul et de détection embarquées, les réseaux de véhicules servent de catalyseur clé aux systèmes de transport intelligents et aux villes intelligentes. Cette nouvelle génération de réseaux a un impact profond sur la société, rendant chaque jour les déplacements plus sûrs, plus écologiques, plus efficaces et plus confortables. Cependant, dans les environnements véhiculaires, le milieu de propagation entre les nœuds du réseau varie fortement dans le temps, ce qui pose des problèmes de fiabilité. En fait, les signaux transmis se propagent sur plusieurs chemins, chacun avec un retard et une atténuation différente, en plus de l’effet de décalage Doppler résultant du mouvement des véhicules et de l’environnement. Il est très important de garantir la fiabilité de la communication au moyen d’une estimation précise des canaux dans de tels environnements. Par conséquent, la précision de l’estimation de canal influence les performances du système, car une réponse de canal estimée avec précision influence les opérations d’égalisation, de démodulation et de décodage au niveau du récepteur. Dans la littérature, il existe plusieurs travaux sur les méthodes classiques d’estimation du canal pour les communications véhiculaires. Cependant, ces estimateurs conventionnels reposent sur de nombreuses hypothèses qui limitent leurs performances dans les canaux hautement dynamiques variant dans le temps. De plus, les estimateurs linéaires conventionnels sont des solutions peu pratiques dans des scénarios de cas réels car ils reposent sur des modèles statistiques qui nécessitent une complexité élevée. Bien qu’il existe des estimateurs linéaires simples avec une complexité abordable, ils manquent de robustesse dans les environnements très dynamiques. Par conséquent, étudier des estimateurs avec un bon compromis complexité/performance est une problématique importante à investir. En tant qu’approche dominante de l’IA, l’apprentissage profond développe des méthodes efficaces pour analyser des données en apprenant efficacement les structures pour plusieurs problèmes rencontrés dans divers domaines scientifiques. La principale raison de l’intégration de l’apprentissage profond dans les communications sans fil est de trouver des solutions aux problèmes de communication lorsque les solutions analytiques sont insolubles ou très complexes. L’apprentissage profond a une forte capacité à relever ce défi grâce à des solutions peu complexes et robustes qui améliorent les performances des systèmes sans fil. De plus, le traitement distribué basé sur GPU permet l’utilisation de l’apprentissage profond dans des applications à temps réel. En conséquence, l’apprentissage automatique s’exploite pour les différentes données générées dans les réseaux véhiculaires. Dans ce contexte, cette thèse vise à étudier comment adapter de tels outils pour tenir compte des caractéristiques des réseaux de véhicules à haute mobilité. Nous montrons que l’intégration d’architectures optimisées d’apprentissage profond apporte des solutions de faible complexité pour l’estimation de canaux des réseaux véhiculaires soit en améliorant les performances par rapport aux estimateurs de canaux linéaires, soit en approchant les performances d’estimateurs robustes tout en réduisant la complexité d’implémentation. Par conséquent, contrairement aux estimateurs conventionnels, les estimateurs basés sur l’apprentissage profond offrent un bon compromis entre la complexité de calcul et les performances du système. De plus, la capacité de généralisation rend le système plus robuste surtout quand il est déployé dans des environnements hautement dynamiques.
Fichier principal
Vignette du fichier
20211214_Abdulkarim_GIZZINI_PhD_Thesis.pdf (6.32 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-03482053 , version 1 (15-12-2021)

Identifiants

  • HAL Id : tel-03482053 , version 1

Citer

Abdul Karim Gizzini. Advanced Linear and Deep Learning based Channel Estimation Techniques in Doubly Dispersive Environments. Information Theory [cs.IT]. Cergy Paris CY Université, 2021. English. ⟨NNT : ⟩. ⟨tel-03482053⟩
300 Consultations
231 Téléchargements

Partager

More