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, detaset kanal masif MIMO-FDM dengan 32 antena dan 64 sub-career. Di balik 2048 angka kompleks per kanal, hanya ada 4 lintasan, terlihat jelas di domain sudut delay. Struktur inilah yang nanti dimanfaatkan deep learning. Ayo kita mulai. Halo, selamat datang di episode kedua seri estimasi kanal masif MIMO-FDM dengan Deep Neural Network. Pada masif MIMO, stasiun pangkalan memakai puluhan antena untuk melayani user dengan penguatan area yang besar, tetapi kanal setiap antena di setiap sub-career harus diketahui. Hari ini kita membangun model kanal dan detaset untuk melatih estimator.
Langkah 1: Array antena & kanal geometris
Buat file kanal.py Stasiun pangkalan punya 32 antena yang tersusun sebagai uniform linear area, user punya 1 antena. Fungsi pilot IDX menentukan sub-career pilot dengan pola kom, 1 pilot setiap 4 sub-career, jadi 16 pilot. Fungsi bangkit kanal membuat kanal geometris. Setiap kanal terdiri dari 4 lintasan, masing-masing dengan sudut datang, delay E, dan gain rally. Steering vektor ULA memberi pergeseran fase antar antena sesuai sudut, dan delay E memberi pergeseran fase antar sub-career.
Langkah 2: Dataset, pilot berderau & NMSE
Fungsi detaset membangkitkan 12.000 kanal latih dan 2.000 kanal uji dengan SID tetap, sehingga hasilnya selalu sama dan tidak perlu menyimpan file ratusan megabit. SNR latih diacak antara minus 10 sampai 20 desibel. SNR per antena masif Maimo memang rendah karena 32 antena memberi penguatan arei sekitar 15 desibel. Fungsi terima pilot menambahkan derau ke kanal di sub-career pilot, dan fungsi nemcdb menghitung normalisat min square error dalam desibel, metrik utama estimasi kanal. Buat file buat underscore detaset.py dan jalankan.
Langkah 3: Membangkitkan dataset
Detaset latih berukuran 12.000 x 32 antena x 64 sub-career, dengan daya kanal rata-rata tepat 1. Untuk satu sampel, penerima hanya melihat 32 x 16 nilai pilot berderau. Saat kanal diubah ke domain sudut delay dengan FFT di sumbu antena dan IFFT di sumbu sub-career, 5% koefisien terbesar sudah memuat 97,4% energi. Kanal ini jarang atau spare.
Langkah 4: Domain antena-frekuensi & sudut-delay
Mari lihat grafiknya. Magnitudo kanal di grid antena x sub-career membentuk pola garis-garis miring, hasil interferensi 4 lintasan, dan segitiga merah menandai sub-career pilot. Di domain sudut delay, energinya terkumpul di beberapa titik terang, satu untuk setiap lintasan. Estimator klasik per antena tidak memanfaatkan struktur ini, tetapi CNN bisa.
Selesai!
Selesai. Kita sudah memodelkan kanal masif MIMO OFDM dengan area antena dan kanal geometris, pola pilot kom, sinyal pilot berderau, NMSI, serta dataset deterministik. Di episode berikutnya kita membangun estimator klasik list scores dan LMMSI. 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 MIMO, 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
53 kelas video1.290 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.
