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, dua eksperimen penting untuk penelitian. Dengan separuh pilot, CNN di SNR rendah menyamai LMMSI berpilot penuh. Dan model yang hanya dilatih pada SNR tinggi justru gagal saat sinyal lemah. Ayo kita mulai. Halo, selamat datang di episode kelima seri estimasi kanal masif MIMO FDM dengan Deep Neural Network. Setiap sub-career pilot adalah sub-career yang tidak membawa data, jadi mengurangi pilot berarti menaikkan kecepatan. Di sisi lain, model deep learning hanya sebaik data latihnya. Hari ini kita meneliti keduanya.
Langkah 1: Dua model eksperimen
Buat file pengaruh underscore pilot dot pay. Kita muat CNN pilot 4 dari episode lalu, lalu latih dua model baru. Model pertama memakai pilot setiap 8 sub-career, hanya 8 pilot atau 12,5% overhead, separuh dari sebelumnya. Model kedua memakai pilot 4, tetapi hanya pernah melihat SNR 15 sampai 20dB. Lalu kita uji kelima estimator pada SNR minus 10 sampai 20dB dan menggambar dua grafik perbandingan.
Langkah 2: Melatih & membandingkan
Jalankan. Pelatihan dua model memakan sekitar 2 menit. Dengan separuh pilot, LMMSI turun drastis, mentok di sekitar minus 10dB karena pilot terlalu jarang untuk delay kanal sampai 8 tab. CNN pilot 8 tetap lebih baik 2dB dari LMMSI pilot 8, dan pada 0dB, minus 5,03, bahkan lebih baik dari LMMSI berpilot penuh, minus 4,58. Model yang dilatih hanya di SNR tinggi sedikit lebih baik di 20dB, minus 21,66, tetapi di 0dB hanya minus 4,91, jauh di bawah CNN SNR campuran, minus 7,07. Mari lihat grafiknya. Grafik kiri memperlihatkan jarak antara kurva pilot 4 dan pilot 8, dan CNN mempersempit jarak itu. Grafik kanan memperlihatkan model SNR tinggi unggul tipis di ria abu-abu tempat ia dilatih, tetapi tertinggal di luar ria itu. Pelajarannya, latih model pada seluruh rentang kondisi yang akan dihadapinya. Selesai
na Selesai!
Kita sudah meneliti kompromi jumlah pilot dan pentingnya rentang SNR pelatihan. CNN memungkinkan pilot lebih sedikit dengan akurasi yang masih bersaing. Di episode terakhir kita mengevaluasi semua estimator dari sisi yang paling penting bagi pengguna, Bit Error Rate. 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 cerdas inovasi digital.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.
