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, 2 estimator kanal klasik. List scores mentok di NMSI minus 9 dB berapapun SNR-nya, sedangkan LMMSI terus membaik sampai minus 21 dB. Rata-rata LMMSI hampir 7 dB lebih akurat. Ayo kita mulai. Halo, selamat datang di episode ketiga seri estimasi kanal masif MIMO FDM dengan Deep Neural Network. Sebelum memakai Deep Learning, kita butuh pembanding klasik yang kuat. List scores adalah yang paling sederhana, dan LMMSI adalah yang optimal untuk estimator linier bila statistik kanal diketahui.
Langkah 1: Least sguares & interpolasi
Buat file estimator.py List scores di subquerier pilot cukup membagi sinyal terima dengan pilot yang diketahui. Karena pilot bernilai 1, estimasinya sama dengan sinyal terima. Subquerier di antara pilot diisi dengan interpolasi linier, dan subquerier setelah pilot terakhir diekstrapolasi. Fungsi covariance frekuensi menghitung matriks korelasi antar 64 subquerier dari data latih, yaitu rata-rata H kali H hermitian.
Langkah 2: LMMSE dengan dekomposisi eigen
Fungsi LMMC menghitung RHP dikali inverse RPP ditambah sigma kuadrat I, dikali estimasi LS. Matriks ini menimbang setiap pilot sesuai korelasinya dengan subquerier tujuan dan tingkat draw. Karena setiap sampel bisa punya SNR berbeda, kita pakai dekomposisi Agen, RPP sama dengan U lambda U hermitian, sehingga inverse untuk sigma berapapun cukup 1 per lambda ditambah sigma kuadrat, dan 12.000 sampel bisa dihitung sekaligus dalam setengah detik.
Langkah 3: NMSE terhadap SNR
Buat file uji underscore estimator.py dan jalankan. Pada minus 10 desibel, LS sangat buruk, NMSI plus 9 desibel, artinya galatnya lebih besar dari kanalnya, sedangkan LMMSI minus 0,8. Pada 0 desibel, LS minus 0,5 dan LMMSI minus 4,6. Pada 20 desibel, LS mentok di minus 9,2 karena galat interpolasi linier, sedangkan LMMSI mencapai minus 21 desibel. Rata-rata LMMSI unggul 6,96 desibel.
Langkah 4: Kurva NMSE & contoh estimasi
Mari lihat grafiknya. Kurva LS mendatar di SNR tinggi, karena galat interpolasi tidak bisa dihilangkan dengan menambah daya. Kurva LMMSI terus turun. Grafik kanan memperlihatkan satu antena di SNR 10 desibel, titik merah LS di pilot berderau, garis interpolasinya kaku, sedangkan LMMSI mengikuti kanal sebenarnya dengan mulus. Namun LMMSI hanya memakai korelasi antar sub-career, belum memanfaatkan korelasi antar 32 antena.
Selesai!
Selesai. Kita sudah membangun estimator list-squares dengan interpolasi dan LMMSI dengan covariance frekuensi serta dekomposisi agen, dan membandingkan NMSE-nya. Di episode berikutnya kita membangun CNN yang memanfaatkan korelasi antena dan sub-career sekaligus. 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-squares 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 CerdasInnovasiDigital.com Hubungi WhatsApp kami, atau kunjungi CerdasInnovasiDigital.com Terima kasih telah menonton, sampai jumpa di episode berikutnya. 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.
