Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, sistem OFDM yang kita tulis sendiri dengan Python. Kanal multipass yang rumit berubah menjadi perkalian sederhana di setiap sub-career, dan BER simulasi kita berimpi tepat dengan rumus teori. Ayo kita mulai. Halo, selamat datang di seri tutorial riset, estimasi kanal masif MIMO OFDM berbasis Deep Neural Network. Untuk menerima data dengan benar, penerima harus tahu kondisi kanal, dan pada masif MIMO dengan puluhan antena, estimasinya makin sulit sekaligus makin penting. Di seri 6 episode ini kita membangun semuanya dari 0, OFDM, simulasi masif MIMO, estimator list squares dan LMMSI, CNN estimasi kanal, pengaruh pilot dan SNR, sampai evaluasi NMSI dan BER. Di episode pertama kita membangun OFDM.
Langkah 1: Memasang library
Kita buka terminal lewat menu terminal, new terminal, lalu pasang NAMPY, SKIPI, TORC, dan MATPLOTLIB. PYTORCH nanti kita pakai untuk CNN estimasi kanal, dan bila ada GPU NVIDIA pelatihannya otomatis memakai GPU.
Langkah 2: OPSK, IFFT & cyclic prefix
Buat file OFDM.py. Kita pakai 64 sub-career dan siklik prefix 16 sampel. Fungsi QIP-SK memetakan setiap pasangan bit menjadi satu simbol kompleks berenergi 1 dengan kode grey. Fungsi OFM mengubah simbol di domain frekuensi menjadi sinyal waktu dengan IFFT, lalu menyalin 16 sampel terakhir ke depan sebagai siklik prefix. Prefix inilah yang membuat konvolusi kanal menjadi konvolusi sirkular.
Langkah 3: Kanal multipath & derau
Fungsi OFM demod membuang siklik prefix lalu melakukan FFT. Fungsi kanal multipass membangkitkan respons impuls 8 tab dengan profil daya menurun eksponensial, setiap tab berdistribusi rally, dengan total daya 1. Fungsi lewat kanal mengonvolusikan sinyal dengan kanal lalu menambahkan derau AWGN sesuai SNR.
Langkah 4: Validasi OFDM & BER
Buat file uji underscore OFM.py dan jalankan. Tanpa derau, pembagian sinyal terima dengan simbol kirim sama persis dengan respons frekuensi kanal H, galatnya hanya 10 pangkat minus 5. Artinya kanal multipass 8 tab menjadi 1 perkalian kompleks per sub-career, karena siklik prefix 16 lebih panjang dari kanal. Pada kanal AWGN, BER di 0dB 0,159, persis teori, dan sudah 0 di 12dB. Pada kanal multipass Rayleigh dengan equalizer zero-forcing, BER turun jauh lebih lambat, masih 0,03 di 12dB dan 6 x 10 pangkat minus 4 di 30dB, karena sebagian sub-career jatuh di lembah fading. Mari lihat grafiknya.
: Langkah 5: Fading, konstelasi & kurva BER
Respons frekuensi kanal naik turun puluhan desibel antar sub-career, inilah fading selektif frekuensi. Konstelasi yang diterima berputar dan berskala acak, tetapi setelah dibagi H kembali menjadi 4.QPSK. Grafik BER memperlihatkan simulasi AWGN berimpit dengan teori, dan jarak besar ke kurva Rayleigh. Semua ini mengandaikan H diketahui sempurna, padahal di dunia nyata H harus diestimasi.
Selesai!
Selesai. Kita sudah membangun OFDM lengkap, KPSK, IFFT, cyclic prefix, kanal multipass, FFT, dan equalizer 1-tab, serta memvalidasi BER terhadap teori. Di episode berikutnya, kita memperluasnya kemasif Maimo dengan 32 antena dan membangkitkan data set kanal. Sedang menyusun skripsi, tesis, atau riset di bidang telekomunikasi dan kecerdasan buatan? Cerdas inovasi digital membantu implementasi riset sistem komunikasi, dari OFDM dan kanal multipass, simulasi masif Maimo, estimator list scores dan LMMSI, sampai estimasi kanal berbasis deep learning dengan PyTorch, serta membuka kursus pemrograman Python untuk teknik elektro dan telekomunikasi. Ingin menguasai seluruh seri ini, dari dasar OFDM sampai evaluasi NMSI dan BER? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com. Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com. Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
52 kelas video1.277 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
