Estimation du canal basée sur les techniques d'apprentissage pour les communications véhiculaires à haute mobilité

par Abdul karim Gizzini

Projet de thèse en Stic - ed em2psi

Sous la direction de Aymeric Histace.

Thèses en préparation à CY Cergy Paris Université , dans le cadre de Ecole doctorale Économie, Management, Mathématiques , Physique et Sciences Informatiques (EM2PSI) , en partenariat avec ETIS - Equipes Traitement de l'Information et Systèmes (laboratoire) depuis le 29-11-2018 .


  • Résumé

    La station de base peut facilement accéder aux informations de localisation de tous les véhicules circulant sous sa couverture. Elle peut gérer une base de données dynamique pour stocker l'historique des estimations du canal de communication pour toutes les liaisons de véhicules, ainsi que des informations pertinentes, telles que l'emplacement des émetteurs et des récepteurs et le trafic. Sur la base du signal reçu et des données historiques, nous pouvons apprendre la dynamique des réseaux de véhicules en prévoyant des canaux sans fil et en estimant le canal sans fil à haute dimension et à variation rapide. Les outils d'apprentissage automatique sont puissants pour modéliser et analyser un grand volume de données afin de prendre des décisions, en utilisant des conditions réelles au lieu des hypothèses simplificatrices, telles que des hypothèses statiques, et des hypothèses de faibles mobilités. L'objectif de cette thèse est d'étudier comment les réseaux de neurones profonds peuvent aider, voire remplacer, le mécanisme d'estimation de canal existant, dans lequel un grand nombre de symboles pilotes sont utilisés pour suivre la variation de canal.

  • Titre traduit

    Machine learning based channel estimation for high mobility vehicular communications


  • Résumé

    Base station can easily access accurate location information of all the vehicles traveling under its coverage. It can maintain a dynamic database to store historical estimates of communications channels for all vehicular links along with relevant context information, such as locations of the transmitters and receivers and traffics patterns. Based on the received signal and historical data, we can learn dynamics of vehicular networks by predicting wireless channels and estimating the high dimensional fast-varying wireless channel. Machine Learning tools are powerful in modeling and analyzing large volume of data to take decisions, using real conditions instead of simplifying assumptions, such as static, low mobility, environment assumption. The objective of this thesis is to investigate how deep neural networks can assist or even replace the existing channel estimation mechanism, where a large number of pilot symbols are expended to track channel variation.