Estimación de canal mediante “deep learning” en sistemas 5g con mimo masivo

Abstract

Los datos y pronósticos de las grandes empresas confirman el dominio de las redes inalámbricas en los sistemas de telecomunicaciones actuales y futuros. Además, la necesidad de una sociedad moderna cada vez más conectada exige un mayor rendimiento de los sistemas de comunicaciones y una mejor experiencia de usuario. Por ello, los ojos están puestos en la quinta generación de tecnología móvil (5G) que promete tres servicios fundamentales: eMBB (enhanced Mobile Broadband), mMTC (massive Machine-Type Communications) y URLLC (Ultra Reliable Low Latency Communications). Este TFG se centra en Massive MU MIMO, una de las herramientas determinantes para satisfacer el requisito eMBB de las redes 5G. Concretamente se abordará el estudio de la estimación de canal en sistemas Massive MIMO, tan necesaria para lograr el correcto cálculo, mediante distintos algoritmos, de la matriz de precodificación que permite servir a distintos usuarios en el mismo recurso tiempo-frecuencia gracias a la técnica SDMA (Space Division Multiple Access). Se simulará en MATLAB canales de un sistema 5G con Massive MIMO y mediante la inserción de pilotos se estimarán los coeficientes de canal desconocidos con un interpolador lineal. Finalmente, debido al buen funcionamiento de las redes neuronales en la detección de características relevantes de los datos y a su aporte de soluciones a problemas tanto de clasificación como de regresión, se propondrá deep learning como técnica avanzada de estimación de canal. Se mostrará una comparativa entre los resultados obtenidos con un interpolador lineal de orden uno desarrollado en MATLAB y los obtenidos mediante modelos de deep learning desarrollados con la librería Keras en Python, uno de los lenguajes de programación más populares en data science.