تطوير تقنية لتخمين القناة باستخدام الشبكات العصبونية في أنظمةCell-Free Massive MIMO

الملخص

يهدف هذا البحث إلى تطوير تقنية لتخمين القناة (Channel Estimation) في أنظمة الاتصال الخالية من الخلايا (Cell-Free Massive MIMO) باستخدام الشبكات العصبونية (Neural Networks)، ومقارنتها مع التقنيات التقليدية مثل المربعات الصغرى (Least Squares - LS) والحد الأدنى لمتوسط مربع الخطأ (Minimum Mean Square Error - MMSE).

تم إنشاء بيئة محاكاة واقعية تتضمن نموذج قناة يعتمد على خفوت رايلي (Rayleigh fading) مع أخذ كل من فقد المسار (Path Loss) والظلال (Shadowing) بالاعتبار وفق نموذج الانتشار المعتمد في هيكلية 3GPP. كما تم استخدام رموز دليلية متعامدة (Orthogonal Pilots) للحد من التداخل بين المستخدمين. حيث قمنا بتصميم شبكة عصبونية أمامية (Feedforward Neural Network) مكونة من طبقتين مخفيتين بـ 64 و 128 عقدة على التوالي، مع حجم إدخال يبلغ 51200 ميزة (ناتج من 20 مستخدم × 40 نقطة وصول × 64 حامل فرعي). تم تدريب الشبكة باستخدام 800 عينة تدريب، مع تقسيم البيانات بنسبة 80% تدريب، 10% تحقق، و10% اختبار.

أظهرت نتائج البحث أن الشبكة العصبونية المقترحة حققت تفوقاً كبيراً على تقنيتي LS و MMSE عبر جميع قيم SNR، حيث سجلت أقل قيم للخطأ المربع الأصغري المسوى NMSE وتميزت بمنحنى أكثر استقامة وانحدار أقل، مما يدل على مقاومة أفضل ضد الضجيج. كما حافظت الشبكة المقترحة على تفوقها من حيث الكفاءة الطيفية SE، مع فجوة أداء تتسع مع زيادة SNR, وتؤكد هذه النتائج جدوى استخدام الشبكات العصبونية في تخمين القناة لأنظمة CFMM. استغرقت عملية التدريب 4 دقائق و15 ثانية فقط، مع تدرج نهائي صغير جداً (^10-10x6.5) يشير إلى الوصول إلى الحد الأمثل.

تشير نتائج البحث إلى أن دمج تقنيات الذكاء الاصطناعي في تخمين القناة هو نهج واعد لتحسين أداء شبكات الجيل الخامس وما بعده، خاصةً في ظروف التشغيل الصعبة التي تتطلب دقة عالية.