Estymacja Kanału 5G
Porównanie algorytmów klasycznych z modelami SRCNN w czasie rzeczywistym.
🖼️ Magnituda Kanału
📉 Mapy Błędu (Residuals)
📊 Ilościowa Ocena Estymacji
Wpływ liczby pilotów na MSE (Mean Squared Error) dla różnych wartości SNR.
MSE vs Liczba Pilotów — SNR = 0 dB
🗄️ O Datasecie
Zbiór danych wygenerowano syntetycznie przy użyciu biblioteki Sionna (NVIDIA), symulując kanał radiowy zgodny ze standardem 3GPP TR 38.901 — model TDL-A (Tapped Delay Line, profil środowiska miejskiego, delay spread 30 ns).
Parametry symulacji:
Siatka zasobów OFDM: 72 podnośne × 14 symboli (odstęp 15 kHz) •
Częstotliwość nośna: 2.1 GHz •
Prędkość UE: 50 km/h •
System: SISO
Generowanie próbek:
Dla każdej z 40 000 próbek biblioteka Sionna symuluje fizyczną propagację sygnału przez kanał TDL-A
i wyznacza idealną odpowiedź kanału Hperfect — macierz
zespoloną
o wymiarach 72 × 14 reprezentującą rzeczywiste zniekształcenia na każdej podnośnej i w każdym
symbolu OFDM.
Następnie do każdej próbki dodawany jest losowy szum AWGN (Additive White Gaussian Noise). Szum jest generowany niezależnie dla każdej próbki jako zespolony szum Gaussa (oddzielnie dla części rzeczywistej i urojonej), a jego wariancja jest obliczana na podstawie przypisanego poziomu SNR według wzoru: σ² = 1 / (2 · SNRlinear). Wynikowa zaszumiona macierz Hnoisy = Hperfect + n stanowi wejście do estymacji kanału.
Poziomy SNR przypisywane są metodą grid-balanced: siatka {0, 5, 10, 15, 20, 25, 30} dB jest wypełniana równomiernie, tak aby każdy poziom był reprezentowany przez tę samą liczbę próbek, a następnie kolejność jest losowo tasowana. Dzięki temu model trenowany jest na zrównoważonym rozkładzie warunków SNR, bez preferowania żadnego scenariusza szumowego.
🏗️ O Modelach
Aplikacja implementuje dwa modele głębokiego uczenia do estymacji kanału radiowego 5G NR w systemie SISO (TDL-A).
Model V1 – SRCNN + ResNet
Trójblokowa sieć splotowa (Conv2D: 9×9/64, 5×5/32, 5×5/2) z aktywacją ReLU oraz globalnym
połączeniem resztkowym (residual connection). Model uczy się reszty między interpolowaną a doskonałą
macierzą kanału H.
Model V2 – SRCNN + ResNet + Huber Loss
Rozszerzona architektura czteroetapowa (Conv2D: 9×9/64, 5×5/64, 5×5/32, 5×5/2) z aktywacją PReLU i
normalizacją wsadową (BatchNorm) po każdej warstwie. Trening z funkcją straty Hubera zapewnia
większą odporność na wartości odstające w szumie kanałowym.
Wejście: macierz Hnoisy po interpolacji RBF z pilotów • Wyjście: zrekonstruowane Hest (72 × 14 × 2)
🧠 Proces Uczenia Modeli
Wykresy z procesu treningu obu modeli głębokiego uczenia: krzywa strat, krzywa REC (generalizacja AUC), MSE względem SNR oraz histogram błędów predykcji.
📉 Krzywa Strat (Training Loss)
📈 Krzywa REC (Generalizacja)
📊 MSE vs SNR
