נושא הפרוייקט
מספר פרוייקט
מחלקה
שמות סטודנטים
אימייל
שמות מנחים
התמודדות עם ערוצים דינאמיים על ידי מקלטים מבוססי למידה עמוקה
Coping with Dynamic Channels by Deep Receivers
תקציר בעיברית
מקלטים מבוססי למידה עמוקה מסוגלים לחלץ את הסימבולים המשודרים על ידי למידה של המיפוי הרצוי ישירות מתוך הנתונים. עם זאת, בפועל המקלטים פועלים בסביבה דינאמית בה ערוצי התקשורת משתנים לאורך הזמן באופן לא צפוי. השינויים הללו בפרמטרים הסטטיסטיים של הערוץ, הנקראים הסחת נושא, גורמים לירידה ביכולת החיזוי והדיוק של המודל לאורך זמן אם לא נתחשב בהם. בפרויקט זה אנו ננסה להתמודד עם ערוצים דינאמיים על ידי בחינת שיטות שונות למעקב וזיהוי הסחות נושא בערוץ ולעורר את המודל להתאמן מחדש באירוע בו האלגוריתם זיהה שהתרחשה הסחת נושא. בעבודה זו נטמיע אלגוריתמי זיהוי של הסחות נושא על גבי מקלטים מבוססי רשת עצבית עמוקה וערוצים שונים. התוצאות שקיבלנו מראות הפחתה משמעותית בכמות האימונים החוזרים שיש לבצע למודל תוך כדי שמירה על שגיאה ממוצעת נמוכה.
תקציר באנגלית
Deep learning-based receivers can successfully recover transmitted symbols by learning the mapping directly from the data. However, in practice receivers often operate in dynamic environments where the communication channels change over time in unpredictable ways. These variations in the statistical properties of the channel, defined as concept drift, cause degradation of the model’s accuracy if not addressed. In this project we try to cope with dynamic channel conditions by exploring different methods for concept drift detection to track the variations across the channel and trigger the model to retrain using recent data received once a concept drift is detected. We have simulated the incorporation of the detection algorithms across different deep neural network (DNN) based receivers and channels. Our results show that this method leads to a significant reduction in the number of retraining performed while maintaining low average error rates.