Artificial neural network based sparse channel estimation for OFDM systems

Abstract

Frekans seçici sönümlemeli kanal ortamında, haberleşme kalitesini arttırmak için dik frekans bölmeli çoğullama (OFDM) sistemleri semboller arası girişimle baş edebilmek için kullanılmaktadır. Bu tezde, seyrek çok-yollu kanalın bulunması durumunda, OFDM sistemlerinde kanal kestirimi çalışılmıştır. Kanal kestirimi, Esnek Geri Yayılım eğitim algoritması kullanan yapay sinir ağları (YSA) ile gerçekleştirilmiştir. Bu teknik yapay sinir ağlarının öğrenme yetisini kullanmaktadır. Bu özellik sayesinde, kanal kestiriminin nasıl yapıldığı ve önerilen yöntemin herhangi bir matris tersine ihtiyaç duymadan daha az hesaplama karmaşıklığına nasıl sahip olabildiği gösterilmektedir. Önerilen bu yöntem, en uyguna yakın Eşleştirme Arama (MP) algoritması ile karşılaştırılmıştır. Sonuçlar, özellikle düşük SNR seviyelerinde daha iyi kanal kestirimi elde edebilmek için, YSA tabanlı kanal kestiriminin hesaplama kolaylığı sağladığını ve daha az sayıda pilot veriye ihtiyaç duyulduğunu göstermiştir. Böylece, önerilen yöntemin daha iyi bir sistem çıkışına olanak sağladığı gösterilmiştir.

In order to increase the communication quality in frequency selective fading channel environment, orthogonal frequency division multiplexing (OFDM) systems are used to combat inter-symbol-interference (ISI). In this thesis, a channel estimation scheme for the OFDM system in the presence of sparse multipath channel is studied. The channel estimation is done by using the artificial neural networks (ANNs) with Resilient Backpropagation training algorithm. This technique uses the learning capability of artificial neural networks. By means of this feature we show how to obtain a channel estimate and how it allows the proposed technique to be less computationally complex; as there is no need for any matrix inversions. This proposed method is compared with the Matching Pursuit (MP) algorithm that is well known estimation technique for sparse channels. The results show that the ANN based channel estimate is computationally simpler and a small number of pilots are required to get a better estimate of the channel especially in low SNR levels. With this setting, the proposed algorithm leads to a better system throughput.