Kursus Estimasi Kanal Massive MIMO-OFDM dengan Deep Learning (PyTorch)
Perkirakan kanal massive MIMO-OFDM dengan deep learning: OFDM dari nol, kanal multipath, 32 antena dan dataset kanal, estimator least squares dan LMMSE, CNN hybrid yang menyempurnakan LMMSE, pengaruh jumlah pilot & SNR, sampai NMSE dan BER.
Materi mengikuti seri video Kursus Estimasi Kanal Massive MIMO-OFDM Berbasis Deep Neural Network (6 modul). Modul 1 bisa ditonton gratis.
Hasil yang Dicapai
- 2,5 dB — CNN lebih akurat dari LMMSE pada SNR 0 dB
- 2,4× — BER CNN lebih kecil dari LMMSE pada SNR -5 dB
- 32 antena — Massive MIMO dengan 64 subcarrier
- ½ pilot — CNN berpilot separuh menyamai LMMSE berpilot penuh
Apa yang Dipelajari
- Dasar OFDM: QPSK, IFFT, cyclic prefix, kanal multipath, dan BER vs teori.
- Dataset Massive MIMO: Antena ULA, kanal geometris, pilot comb, dan domain sudut-delay.
- LS & LMMSE: Interpolasi, kovarians frekuensi, dan dekomposisi eigen.
- CNN Estimasi Kanal: CNN residual berdilatasi yang menyempurnakan LMMSE.
- Pilot & SNR: Separuh pilot dan rentang SNR pelatihan.
- NMSE & BER: Evaluasi dengan maximum ratio combining 32 antena.
Untuk Siapa?
- Mahasiswa S1/S2 (skripsi & tesis) — Kerangka penelitian estimasi kanal lengkap: metode pembanding, metode usulan, eksperimen, dan evaluasi siap bab 4.
- Peneliti & dosen — Kode PyTorch yang rapi dan mudah diganti data, parameter, atau metodenya untuk publikasi.
- Praktisi & engineer — Memahami cara kerja estimasi kanal dari teori sampai implementasi yang bisa dicoba sendiri.
- Developer & data scientist — Praktik PyTorch pada studi kasus nyata, bukan sekadar contoh mainan.
Dataset dan file project tersedia khusus untuk pelanggan premium. Butuh pendampingan riset? Lihat jasa riset estimasi kanal & mimo.
