Semua kelas Silabus Estimasi Kanal MIMO-OFDM Deep Learning · Episode 4 dari 6

Kelas Estimasi Kanal MIMO-OFDM Deep Learning #4: Estimasi Kanal dengan DNN/CNN pada Grid Pilot

0 kali dilihat

Kelas estimasi kanal massive MIMO-OFDM dengan CNN di PyTorch bahasa Indonesia: konvolusi berdilatasi, pembelajaran residual, hybrid LMMSE. Episode 4 seri estimasi kanal massive MIMO-OFDM deep learning.

Software: Python (NumPy, SciPy, PyTorch, Matplotlib)
Level: Mahir
Durasi: ± 11 menit
Total seri: 57 menit · 6 video
Terbit: 25 Oktober 2026

Episode 4 dari 6 · lihat silabus

Unduh PDF (6 halaman PDF)

0 kali diunduh

Unduh File Project· 380 KB Buka Semua Kelas Premium ▶ Tonton video praktik0 kali ditonton

▶ Video Praktik

Lihat semua langkah di atas dipraktikkan langsung, lengkap dengan narasi.

0 kali ditonton

Buku kelas

Halaman 1 / 6

Kelas Estimasi Kanal MIMO-OFDM Deep Learning #4: Estimasi Kanal dengan DNN/CNN pada Grid Pilot: Sampul: Kelas Estimasi Kanal MIMO-OFDM Deep Learning #4: Estimasi Kanal dengan DNN/CNN pada Grid Pilot

Kelas Estimasi Kanal MIMO-OFDM Deep Learning #4: Estimasi Kanal dengan DNN/CNN pada Grid Pilot: Sebelum mulai, daftar langkah, dan Langkah 1

Kelas Estimasi Kanal MIMO-OFDM Deep Learning #4: Estimasi Kanal dengan DNN/CNN pada Grid Pilot: Langkah 2: Pelatihan dengan augmentasi derau

Kelas Estimasi Kanal MIMO-OFDM Deep Learning #4: Estimasi Kanal dengan DNN/CNN pada Grid Pilot: Langkah 3: Melatih & membandingkan NMSE

Kelas Estimasi Kanal MIMO-OFDM Deep Learning #4: Estimasi Kanal dengan DNN/CNN pada Grid Pilot: Langkah 4: Loss & peta kanal hasil estimasi

Kelas Estimasi Kanal MIMO-OFDM Deep Learning #4: Estimasi Kanal dengan DNN/CNN pada Grid Pilot: Selesai: hasil akhir dan latihan lanjutan

Sampul: Kelas Estimasi Kanal MIMO-OFDM Deep Learning #4: Estimasi Kanal dengan DNN/CNN pada Grid Pilot

Klik halaman atau ◀ ▶ untuk membalik · geser di HP · untuk memperbesar

Ingin belajar lebih dalam?

Ikuti kursus kami atau tanyakan langsung lewat WhatsApp.

Unduh PDF· 0 kali diunduh Lihat silabus lengkap 6 episode Lihat Kursus Estimasi Kanal MIMO-OFDM Tanya via WhatsApp

Kelas yang direkomendasikan untuk Anda

Dipilih dari software, topik, dan level “Kelas Estimasi Kanal MIMO-OFDM Deep Learning #4: Estimasi Kanal dengan DNN/CNN pada Grid Pilot”.

Deep Learning CNN-LSTM Deteksi Pneumonia

6 episodeAda gratis

Python · Menengah–Mahir

Deep Learning CNN-LSTM Deteksi Pneumonia

6 episode video + PDF, total 57 menit. Dimulai dari: Dataset Rontgen Dada: Memuat, Eksplorasi & Pembagian Data.

57 menit 22 0

Lihat kelas

18 episodeAda gratis

Python · Pemula–Mahir

Machine Learning Python

18 episode video + PDF, total 3 jam 41 menit. Dimulai dari: Pengenalan Machine Learning & Model Pertama.

3 jam 41 menit 61 0

Lihat kelas

Klasifikasi Aritmia EKG Wavelet Deep Learning

6 episodeAda gratis

Python · Menengah–Mahir

Klasifikasi Aritmia EKG Wavelet Deep Learning

6 episode video + PDF, total 56 menit. Dimulai dari: Sinyal EKG & EEG: Karakteristik dan Dataset Publik (MIT-BIH).

56 menit 2 0

Lihat kelas

50 episodeAda gratis

Agentic AI · Pemula–Menengah

Agentic AI Tanpa Coding

50 episode video + PDF, total 14 jam 29 menit. Dimulai dari: Chatbot, Otomasi, dan AI Agent: Apa Bedanya?.

14 jam 29 menit 66 0

Lihat kelas

100 episodeAda gratis

Claude · Pemula–Mahir

Claude dari Nol sampai Mahir

100 episode video + PDF, total 15 jam 1 menit. Dimulai dari: Apa Itu Claude dan Bedanya dengan ChatGPT serta Gemini.

15 jam 1 menit 62 0

Lihat kelas

6 episodeAda gratis

Python · Menengah–Mahir

Transfer Learning Penyakit Daun

6 episode video + PDF, total 1 jam 5 menit. Dimulai dari: Dataset PlantVillage: Struktur Folder, Distribusi Kelas & Pembagian Data.

1 jam 5 menit 9 0

Lihat kelas

6 episodeAda gratis

Python · Menengah–Mahir

Alokasi Sumber Daya 5G Deep RL

6 episode video + PDF, total 1 jam 1 menit. Dimulai dari: Konsep Alokasi Sumber Daya 5G/6G: Resource Block, Daya, User.

1 jam 1 menit 0 0

Lihat kelas

6 episodeAda gratis

Python · Menengah–Mahir

Segmentasi Tumor Otak U-Net

6 episode video + PDF, total 1 jam 10 menit. Dimulai dari: Dataset MRI Otak & Mask Tumor: Memuat, Visualisasi & Pembagian per Pasien.

1 jam 10 menit 28 0

Lihat kelas

Butuh lebih dari video?

Pilihan lain dari kami untuk Python.

Belajar bareng mentor

Kursus AI & Kecerdasan Buatan terjadwal, dibimbing langsung, bersertifikat.

Kursus

Kursus Optimasi Multi-Objektif: NSGA-II, MOPSO & Algoritma Hybrid (Python)

Kursus

Kursus Klasifikasi Aritmia EKG dengan Wavelet & Deep Learning (PyTorch)

Kursus

Kursus ANFIS + PSO/GA untuk Peramalan Deret Waktu Non-Linear (Python)

Lihat semua AI & Kecerdasan Buatan →

Minta dibuatkan

Tidak sempat belajar Python? Tim kami bisa mengerjakan proyeknya.

Jasa

Jasa Machine Learning Python — Model Prediksi, Segmentasi Pelanggan, Deteksi Fraud & Aplikasi AI

Jasa

Jasa Pembuatan Gambar AI dengan Stable Diffusion — Produksi Visual Custom Tanpa Batas

★ 4.9

Jasa

Jasa Pembuatan Gambar & Video AI dengan Leonardo AI — Visual All-in-One untuk Bisnis

★ 4.9

Lihat semua AI & Kecerdasan Buatan →

Kabari saya kalau ada kelas Python baru

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, CNN yang melihat seluruh grid 32 antena x 64 subkrier sebagai gambar, lalu menyempurnakan estimasi LMMSI. Pada SNR 0dB, NMSE-nya 2,5dB lebih baik dari LMMSI. Ayo kita mulai. Selamat datang di episode keempat seri estimasi kanal masif MIMO FDM dengan Deep Neural Network. LMMSI kita hanya memanfaatkan korelasi antar subkrier di setiap antena secara terpisah. Padahal kanal masif MIMO juga sangat berkorelasi antar antena karena hanya ada beberapa lintasan. Hari ini kita membuat CNN yang memanfaatkan keduanya.

Langkah 1: Masukan & arsitektur CNN

Buat file model underscore cnn.py. Fungsi siapkan input mengubah estimasi LMMSI menjadi tensor 3 kanal, seperti gambar berwarna, bagian real, bagian imajiner, dan bidang SNR, agar CNN tahu seberapa besar derau yang harus dibersihkan. Kelas CNN kanal memakai konvolusi 3x3 berdilatasi 1, 2, 4, dan 8, sehingga medan pandangnya mencakup hampir seluruh antena dan subkrier dengan back normalization. Keluarannya residual, masukkan LMMSI ditambah koreksi, jadi CNN cukup mempelajari apa yang belum ditangkap LMMSI. Fungsi latih membangkitkan derau pilot baru di setiap epoch sebagai augmentasi data, sehingga model tidak menghafal derau tertentu.

Langkah 2: Pelatihan dengan augmentasi derau

Optimizer Adam dengan learning rate yang turun mengikuti kurva kosinus, loss-means-quared error terhadap kanal sebenarnya, dan back-64. Fungsi estimasi menjalankan model dalam potongan 500 sampel dan mengembalikan kanal kompleks. Buat file latih underscore cnn.py dan jalankan.

Langkah 3: Melatih & membandingkan NMSE

Model ini hanya punya sekitar 48.000 parameter dan dilatih 15 epoch di GPU, sekitar 1 menit. Lalu kita bandingkan pada data uji. Pada minus 10dB, CNN minus 1,6dB dibanding LMMSI minus 0,8. Pada 0dB, CNN minus 7,07 dibanding LMMSI minus 4,58, unggul 2,5dB. Pada 10dB CNN masih unggul 1,2dB, dan pada 20dB keduanya setara, karena saat derau kecil LMMSI sudah hampir sempurna.

Langkah 4: Loss & peta kanal hasil estimasi

Mari lihat grafiknya. Los pelatihan turun stabil berkat jadwal kosinus. Tiga gambar berikutnya memperlihatkan kanal sebenarnya. Estimasi LMMSI pada SNR 0dB yang masih berbintik derau, dan estimasi CNN yang jauh lebih bersih dan memperlihatkan pola garis miring kanal dengan jelas. CNN berhasil memakai korelasi antar antena untuk membersihkan derau.

Selesai!

Selesai. Kita sudah merancang CNN residual berdilatasi yang menyempurnakan LMMSI. Melatihnya dengan augmentasi derau di GPU, dan membuktikan keunggulannya di SNR rendah dan menengah. Di episode berikutnya kita meneliti pengaruh jumlah pilot dan rentang SNR pelatihan. 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. 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 video1.296 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.

Lihat klien kami →

Memuat

▶ Video Praktik

Kelas yang direkomendasikan untuk Anda

Butuh lebih dari video?

Transkrip

0:03Pembuka

0:46Langkah 1: Masukan & arsitektur CNN

3:36Langkah 2: Pelatihan dengan augmentasi derau

5:40Langkah 3: Melatih & membandingkan NMSE

7:57Langkah 4: Loss & peta kanal hasil estimasi

9:23Selesai!

Tanya materi kelas

Catatan saya

Tanya jawab

Pengajar

▶ Video Praktik

Kelas yang direkomendasikan untuk Anda

Butuh lebih dari video?

Transkrip

0:03Pembuka

0:46Langkah 1: Masukan & arsitektur CNN

3:36Langkah 2: Pelatihan dengan augmentasi derau

5:40Langkah 3: Melatih & membandingkan NMSE

7:57Langkah 4: Loss & peta kanal hasil estimasi

9:23Selesai!

Tanya materi kelas

Catatan saya

Tanya jawab

Pengajar

Pembuka

Langkah 1: Masukan & arsitektur CNN

Langkah 2: Pelatihan dengan augmentasi derau

Langkah 3: Melatih & membandingkan NMSE

Langkah 4: Loss & peta kanal hasil estimasi

Selesai!

Pembuka

Langkah 1: Masukan & arsitektur CNN

Langkah 2: Pelatihan dengan augmentasi derau

Langkah 3: Melatih & membandingkan NMSE

Langkah 4: Loss & peta kanal hasil estimasi

Selesai!