Investigación sobre el algoritmo de inteligencia computacional en la estimación de canales LTE

Debido a que el tráfico de datos está creciendo a un ritmo rápido gracias a los avances en el Internet de las Cosas, el modelado preciso y la anticipación exacta del Long-Term Evolution (LTE) es fundamental para una variedad de aplicaciones como el streaming de vídeo, el consumo efectivo de ancho de...

Full description

Autores:: Pathan, Siraj
Kumar Singh, Sanjay
Pathak, Sunil
Tamboli, Mujib

Tipo de recurso:: Article of investigation

Fecha de publicación:: 2022

Institución:: Universidad Autónoma de Bucaramanga - UNAB

Repositorio:: Repositorio UNAB

Idioma:: spa

id	UNAB2_c1b5868b4d18b92e28e48431602ad0c4
oai_identifier_str	oai:repository.unab.edu.co:20.500.12749/26593
network_acronym_str	UNAB2
network_name_str	Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv	Investigación sobre el algoritmo de inteligencia computacional en la estimación de canales LTE
dc.title.translated.eng.fl_str_mv	Research on Computational Intelligence Algorithm in LTE Channel Estimation
title	Investigación sobre el algoritmo de inteligencia computacional en la estimación de canales LTE
spellingShingle	Investigación sobre el algoritmo de inteligencia computacional en la estimación de canales LTE Algoritmo Genético Inteligencia de Enjambre de Partículas Canal de Evolución a Largo Plazo Error Cuadrático Medio Mínimo Mínimos Cuadrados Genetic Algorithm Particle swarm intelligence Long Term Evolution Minimum Mean Square Error Least Square
title_short	Investigación sobre el algoritmo de inteligencia computacional en la estimación de canales LTE
title_full	Investigación sobre el algoritmo de inteligencia computacional en la estimación de canales LTE
title_fullStr	Investigación sobre el algoritmo de inteligencia computacional en la estimación de canales LTE
title_full_unstemmed	Investigación sobre el algoritmo de inteligencia computacional en la estimación de canales LTE
title_sort	Investigación sobre el algoritmo de inteligencia computacional en la estimación de canales LTE
dc.creator.fl_str_mv	Pathan, Siraj Kumar Singh, Sanjay Pathak, Sunil Tamboli, Mujib
dc.contributor.author.none.fl_str_mv	Pathan, Siraj Kumar Singh, Sanjay Pathak, Sunil Tamboli, Mujib
dc.contributor.orcid.spa.fl_str_mv	Pathan, Siraj [0000-0002-1728-3030] Kumar Singh, Sanjay [0000-0002-4426-3895] Pathak, Sunil [0000-0001-7409-9814] Tamboli, Mujib [0000-0002-5891-3713]
dc.subject.spa.fl_str_mv	Algoritmo Genético Inteligencia de Enjambre de Partículas Canal de Evolución a Largo Plazo Error Cuadrático Medio Mínimo Mínimos Cuadrados
topic	Algoritmo Genético Inteligencia de Enjambre de Partículas Canal de Evolución a Largo Plazo Error Cuadrático Medio Mínimo Mínimos Cuadrados Genetic Algorithm Particle swarm intelligence Long Term Evolution Minimum Mean Square Error Least Square
dc.subject.keywords.eng.fl_str_mv	Genetic Algorithm Particle swarm intelligence Long Term Evolution Minimum Mean Square Error Least Square
description	Debido a que el tráfico de datos está creciendo a un ritmo rápido gracias a los avances en el Internet de las Cosas, el modelado preciso y la anticipación exacta del Long-Term Evolution (LTE) es fundamental para una variedad de aplicaciones como el streaming de vídeo, el consumo efectivo de ancho de banda, y la gestión de la energía. En esta investigación, proponemos un modelo basado en un Algoritmo de Inteligencia Computacional (IC) que puede mejorar la Estimación del Canal basado en la señal recibida. Se consideran dos algoritmos. A diferencia de los trabajos anteriores que se centraban únicamente en el diseño de modelos para estimar el canal utilizando los algoritmos tradicionales de Error Cuadrático Medio (MMSE) y de Mínimos Cuadrados (LS), nosotros utilizamos 1) GA (Algoritmo Genético) y 2) PSO (Algoritmo de Optimización de Enjambre de Partículas) para trabajar con datos de prueba de conducción discreta y continua de Long-Term Evolution (LTE). Nos fijamos en LTE en la banda de 5,8 GHz en particular. Al reducir el error cuadrático medio de LS y la complejidad de MMSE, el modelo de diseño intenta mejorar la estimación del canal. Los pilotos se colocan al azar y se envían con los datos para recopilar información sobre el canal, lo que ayuda al receptor a descodificar y estimar el canal mediante LS, MMSE, Taguchi GA y PSO. Se ha estimado la tasa de error de bits (BER), la relación señal/ruido y el error cuadrático medio de un modelo basado en IC. En comparación con los algoritmos MMSE y LS, el modelo BER propuesto alcanza la ganancia objetivo de 2,4 dB y 5,4 dB.
publishDate	2022
dc.date.issued.none.fl_str_mv	2022-11-17
dc.date.accessioned.none.fl_str_mv	2024-09-17T15:59:15Z
dc.date.available.none.fl_str_mv	2024-09-17T15:59:15Z
dc.type.coarversion.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.spa.fl_str_mv	Artículo
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.redcol.none.fl_str_mv	http://purl.org/redcol/resource_type/ART
format	http://purl.org/coar/resource_type/c_2df8fbb1
dc.identifier.issn.spa.fl_str_mv	ISSN: 1657-2831 e-ISSN: 2539-2115
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/20.500.12749/26593
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Autónoma de Bucaramanga UNAB
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repository.unab.edu.co
dc.identifier.doi.none.fl_str_mv	https://doi.org/10.29375/25392115.4308
identifier_str_mv	ISSN: 1657-2831 e-ISSN: 2539-2115 instname:Universidad Autónoma de Bucaramanga UNAB repourl:https://repository.unab.edu.co
url	http://hdl.handle.net/20.500.12749/26593 https://doi.org/10.29375/25392115.4308
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.spa.fl_str_mv	https://revistas.unab.edu.co/index.php/rcc/article/view/4308/3690
dc.relation.uri.spa.fl_str_mv	https://revistas.unab.edu.co/index.php/rcc/issue/view/285
dc.relation.references.none.fl_str_mv	3GPP. (2008, November). LTE. Evolved Universal Terrestrial Radio Access (E-UTRA); Physical channels and modulation. TS 36.211. Retrieved from https://www.etsi.org/deliver/etsi_ts/136200_136299/136211/08.03.00_60/ts_136211v080300p.pdf Dongming, W., Bing, H., Junhui, Z., Xiqi, G., & Xiaohu, Y. (2003, September). Channel estimation algorithms for broadband MIMO-OFDM sparse channel. 14th IEEE Proceedings on Personal, Indoor and Mobile Radio Communications, 2003. PIMRC 2003. (pp. 1929-1933). Beijing: IEEE. doi:10.1109/PIMRC.2003.1260454 Edfors, O., Sandell, M., van de Beek, J. J., Wilson, S. K., & Ola Borjesson, P. (1996, April 28). OFDM channel estimation by singular value decomposition. Proceedings of Vehicular Technology Conference - VTC (pp. 923-927). Atlanta, GA, USA: IEEE. doi:10.1109/VETEC.1996.501446 Khlifi, A., & Bouallegue, R. (2011, October). Performance Analysis of LS and LMMSE channel estimation techniques for LTE Downlink Systems. International Journal of Wireless & Mobile Networks (IJWMN), 3(5), 141-149. doi:10.5121/ijwmn.2011.3511 Li, Y., Seshadri, N., & Ariyavisitakul, S. (1999, March). Channel estimation for OFDM systems with transmitter diversity in mobile wireless channels. IEEE Journal on Selected Areas in Communications, 17(3), 461-471. doi:10.1109/49.753731 Masud Rana. (2010, December). Channel estimation techniques and LTE terminal implementation challenges. 2010 13th International Conference on Computer and Information Technology (ICCIT) (pp. 545-549). Dhaka: IEEE. doi:10.1109/ICCITECHN.2010.5723916 Muquet, B., Wang, Z., Giannakis, G. B., de Courville, M., & Duhamel, P. (2002). Cyclic prefixing or zero padding for wireless multicarrier transmissions? IEEE Transactions on Communications, 50(12), 2136-2148. doi:10.1109/TCOMM.2002.806518 Paulraj, A. J., Gore, D. A., Nabar, R. U., & Bolcskei, H. (2004, Feb.). An overview of MIMO communications—A key to gigabit wireless. Proceedings of the IEEE, 92(2), 198–218. doi:10.1109/JPROC.2003.821915 Rana, M. (2010, December). Channel estimation techniques and LTE terminal implementation challenges. 2010 13th International Conference on Computer and Information Technology (ICCIT), (pp. 545-549). Dhaka. doi:10.1109/ICCITECHN.2010.5723916 Shaodan, M., & Tung-Sang, N. (2006, December). Semi-Blind Time Domain Equalization for MIMO-OFDM Systems. 2006 IEEE Asia Pacific Conference on Circuits and Systems, (pp. 2219-2227). Singapore. doi:10.1109/APCCAS.2006.342329 Shaodan, M., & Tung-Sang, N. (2007, February 2007). Time domain signal detection based on second-order statistics for MIMO-OFDM Systems. IEEE Transactions on Signal Processing, 55(3), 1150-1158. doi:10.1109/TSP.2006.888063 Simko, M., Wu, D., Mehlfuerer, C., Eilert, J., & Liu, D. (2011, April). Implementation Aspects of Channel Estimation for 3GPP LTE Terminals. 17th European Wireless 2011 - Sustainable Wireless Technologies (pp. 17th European Wireless 2011 - Sustainable Wireless Technologies). Vienna: VDE. Retrieved from https://ieeexplore.ieee.org/document/5897996/ van de Beek, J. J., Edfors, O., Sandell, M., Wilson, S. K., & Borjesson, P. O. (1995, July). On channel estimation in OFDM systems. 1995 IEEE 45th Vehicular Technology Conference. Countdown to the Wireless Twenty-First Century (pp. 815-819). Chicago, IL, USA: IEEE. doi:10.1109/VETEC.1995.504981 Wang, D., Han, B., Zhao, J., Gao, X., & You, X. (2003, September). Channel estimation algorithms for broadband MIMO-OFDM sparse channel. 14th IEEE Proceedings on Personal, Indoor and Mobile Radio Communications, 2003. PIMRC 2003. 2, pp. 1929-1933. Beijing, China: IEEE. doi:10.1109/PIMRC.2003.1260454
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Universidad Autónoma de Bucaramanga UNAB
dc.source.spa.fl_str_mv	Vol. 23 Núm. 2 (2022): Revista Colombiana de Computación (Julio-Diciembre); 17-28
institution	Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv	https://repository.unab.edu.co/bitstream/20.500.12749/26593/1/Art%c3%adculo.pdf https://repository.unab.edu.co/bitstream/20.500.12749/26593/3/Art%c3%adculo.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/26593/2/license.txt
bitstream.checksum.fl_str_mv	4d3dc2528c5cd4212cc7906fd0788666 cdda4e2fe62d9b8b20dc852590cd8a4a 855f7d18ea80f5df821f7004dff2f316
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional \| Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv	repositorio@unab.edu.co
_version_	1812205469568073728
spelling	Pathan, Siraj470d43e3-0d80-4a16-8af0-657ec09345b2Kumar Singh, Sanjay66f0486c-bc5f-4058-9db0-d5dc0d12372ePathak, Sunil13a99c67-310d-42f2-9fda-7866e50a2157Tamboli, Mujib8cef0698-1f7d-4f46-9841-c508f4f8575fPathan, Siraj [0000-0002-1728-3030]Kumar Singh, Sanjay [0000-0002-4426-3895]Pathak, Sunil [0000-0001-7409-9814]Tamboli, Mujib [0000-0002-5891-3713]2024-09-17T15:59:15Z2024-09-17T15:59:15Z2022-11-17ISSN: 1657-2831e-ISSN: 2539-2115http://hdl.handle.net/20.500.12749/26593instname:Universidad Autónoma de Bucaramanga UNABrepourl:https://repository.unab.edu.cohttps://doi.org/10.29375/25392115.4308Debido a que el tráfico de datos está creciendo a un ritmo rápido gracias a los avances en el Internet de las Cosas, el modelado preciso y la anticipación exacta del Long-Term Evolution (LTE) es fundamental para una variedad de aplicaciones como el streaming de vídeo, el consumo efectivo de ancho de banda, y la gestión de la energía. En esta investigación, proponemos un modelo basado en un Algoritmo de Inteligencia Computacional (IC) que puede mejorar la Estimación del Canal basado en la señal recibida. Se consideran dos algoritmos. A diferencia de los trabajos anteriores que se centraban únicamente en el diseño de modelos para estimar el canal utilizando los algoritmos tradicionales de Error Cuadrático Medio (MMSE) y de Mínimos Cuadrados (LS), nosotros utilizamos 1) GA (Algoritmo Genético) y 2) PSO (Algoritmo de Optimización de Enjambre de Partículas) para trabajar con datos de prueba de conducción discreta y continua de Long-Term Evolution (LTE). Nos fijamos en LTE en la banda de 5,8 GHz en particular. Al reducir el error cuadrático medio de LS y la complejidad de MMSE, el modelo de diseño intenta mejorar la estimación del canal. Los pilotos se colocan al azar y se envían con los datos para recopilar información sobre el canal, lo que ayuda al receptor a descodificar y estimar el canal mediante LS, MMSE, Taguchi GA y PSO. Se ha estimado la tasa de error de bits (BER), la relación señal/ruido y el error cuadrático medio de un modelo basado en IC. En comparación con los algoritmos MMSE y LS, el modelo BER propuesto alcanza la ganancia objetivo de 2,4 dB y 5,4 dB.Because data traffic is growing at a rapid pace thanks to advancements in the Internet of Things, precise modelling and precisely anticipating Long-Term Evolution (LTE) Channel is critical for a variety of applications like as video streaming, effective bandwidth consumption, and power management. In this research, we propose a model based on a Computational Intelligence (CI) Algorithm that may enhance Channel Estimation based on received signal. Two Algorithms are considered. In contrast to previous work that focused solely on designing models to estimate channel using traditional Minimum Mean Square Error (MMSE) and Least Square (LS) algorithms, we used 1) GA (Genetic Algorithm) and 2) PSO (Particle Swarm Optimization Algorithm) to work on Discrete and Continuous Long-Term Evolution (LTE) drive test data. We're looking at LTE in the 5.8 GHz band in particular. By lowering the mean square error of LS and the complexity of MMSE, the design model attempts to improve channel estimation. Pilots are put at random and sent with data to gather channel information, which aids the receiver in decoding and estimating the channel using LS, MMSE, Taguchi GA, and PSO. The Bit Error Rate (BER), Signal to Noise Ratio, and Mean Square Error of a CI-based model have all been estimated. In comparison to the MMSE and LS algorithms, the proposed model BER achieves the target gain of 2.4 dB and 5.4 dB.application/pdfspaUniversidad Autónoma de Bucaramanga UNABhttps://revistas.unab.edu.co/index.php/rcc/article/view/4308/3690https://revistas.unab.edu.co/index.php/rcc/issue/view/2853GPP. (2008, November). LTE. Evolved Universal Terrestrial Radio Access (E-UTRA); Physical channels and modulation. TS 36.211. Retrieved from https://www.etsi.org/deliver/etsi_ts/136200_136299/136211/08.03.00_60/ts_136211v080300p.pdfDongming, W., Bing, H., Junhui, Z., Xiqi, G., & Xiaohu, Y. (2003, September). Channel estimation algorithms for broadband MIMO-OFDM sparse channel. 14th IEEE Proceedings on Personal, Indoor and Mobile Radio Communications, 2003. PIMRC 2003. (pp. 1929-1933). Beijing: IEEE. doi:10.1109/PIMRC.2003.1260454Edfors, O., Sandell, M., van de Beek, J. J., Wilson, S. K., & Ola Borjesson, P. (1996, April 28). OFDM channel estimation by singular value decomposition. Proceedings of Vehicular Technology Conference - VTC (pp. 923-927). Atlanta, GA, USA: IEEE. doi:10.1109/VETEC.1996.501446Khlifi, A., & Bouallegue, R. (2011, October). Performance Analysis of LS and LMMSE channel estimation techniques for LTE Downlink Systems. International Journal of Wireless & Mobile Networks (IJWMN), 3(5), 141-149. doi:10.5121/ijwmn.2011.3511Li, Y., Seshadri, N., & Ariyavisitakul, S. (1999, March). Channel estimation for OFDM systems with transmitter diversity in mobile wireless channels. IEEE Journal on Selected Areas in Communications, 17(3), 461-471. doi:10.1109/49.753731Masud Rana. (2010, December). Channel estimation techniques and LTE terminal implementation challenges. 2010 13th International Conference on Computer and Information Technology (ICCIT) (pp. 545-549). Dhaka: IEEE. doi:10.1109/ICCITECHN.2010.5723916Muquet, B., Wang, Z., Giannakis, G. B., de Courville, M., & Duhamel, P. (2002). Cyclic prefixing or zero padding for wireless multicarrier transmissions? IEEE Transactions on Communications, 50(12), 2136-2148. doi:10.1109/TCOMM.2002.806518Paulraj, A. J., Gore, D. A., Nabar, R. U., & Bolcskei, H. (2004, Feb.). An overview of MIMO communications—A key to gigabit wireless. Proceedings of the IEEE, 92(2), 198–218. doi:10.1109/JPROC.2003.821915Rana, M. (2010, December). Channel estimation techniques and LTE terminal implementation challenges. 2010 13th International Conference on Computer and Information Technology (ICCIT), (pp. 545-549). Dhaka. doi:10.1109/ICCITECHN.2010.5723916Shaodan, M., & Tung-Sang, N. (2006, December). Semi-Blind Time Domain Equalization for MIMO-OFDM Systems. 2006 IEEE Asia Pacific Conference on Circuits and Systems, (pp. 2219-2227). Singapore. doi:10.1109/APCCAS.2006.342329Shaodan, M., & Tung-Sang, N. (2007, February 2007). Time domain signal detection based on second-order statistics for MIMO-OFDM Systems. IEEE Transactions on Signal Processing, 55(3), 1150-1158. doi:10.1109/TSP.2006.888063Simko, M., Wu, D., Mehlfuerer, C., Eilert, J., & Liu, D. (2011, April). Implementation Aspects of Channel Estimation for 3GPP LTE Terminals. 17th European Wireless 2011 - Sustainable Wireless Technologies (pp. 17th European Wireless 2011 - Sustainable Wireless Technologies). Vienna: VDE. Retrieved from https://ieeexplore.ieee.org/document/5897996/van de Beek, J. J., Edfors, O., Sandell, M., Wilson, S. K., & Borjesson, P. O. (1995, July). On channel estimation in OFDM systems. 1995 IEEE 45th Vehicular Technology Conference. Countdown to the Wireless Twenty-First Century (pp. 815-819). Chicago, IL, USA: IEEE. doi:10.1109/VETEC.1995.504981Wang, D., Han, B., Zhao, J., Gao, X., & You, X. (2003, September). Channel estimation algorithms for broadband MIMO-OFDM sparse channel. 14th IEEE Proceedings on Personal, Indoor and Mobile Radio Communications, 2003. PIMRC 2003. 2, pp. 1929-1933. Beijing, China: IEEE. doi:10.1109/PIMRC.2003.1260454Vol. 23 Núm. 2 (2022): Revista Colombiana de Computación (Julio-Diciembre); 17-28Algoritmo GenéticoInteligencia de Enjambre de PartículasCanal de Evolución a Largo PlazoError Cuadrático Medio MínimoMínimos CuadradosGenetic AlgorithmParticle swarm intelligenceLong Term EvolutionMinimum Mean Square ErrorLeast SquareInvestigación sobre el algoritmo de inteligencia computacional en la estimación de canales LTEResearch on Computational Intelligence Algorithm in LTE Channel Estimationinfo:eu-repo/semantics/articleArtículohttp://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/redcol/resource_type/ARThttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/access_right/c_abf2ORIGINALArtículo.pdfArtículo.pdfArtículoapplication/pdf815784https://repository.unab.edu.co/bitstream/20.500.12749/26593/1/Art%c3%adculo.pdf4d3dc2528c5cd4212cc7906fd0788666MD51open accessTHUMBNAILArtículo.pdf.jpgArtículo.pdf.jpgIM Thumbnailimage/jpeg9353https://repository.unab.edu.co/bitstream/20.500.12749/26593/3/Art%c3%adculo.pdf.jpgcdda4e2fe62d9b8b20dc852590cd8a4aMD53open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8347https://repository.unab.edu.co/bitstream/20.500.12749/26593/2/license.txt855f7d18ea80f5df821f7004dff2f316MD52open access20.500.12749/26593oai:repository.unab.edu.co:20.500.12749/265932024-09-17 22:00:52.086open accessRepositorio Institucional \| Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.coTGEgUmV2aXN0YSBDb2xvbWJpYW5hIGRlIENvbXB1dGFjacOzbiBlcyBmaW5hbmNpYWRhIHBvciBsYSBVbml2ZXJzaWRhZCBBdXTDs25vbWEgZGUgQnVjYXJhbWFuZ2EuIEVzdGEgUmV2aXN0YSBubyBjb2JyYSB0YXNhIGRlIHN1bWlzacOzbiB5IHB1YmxpY2FjacOzbiBkZSBhcnTDrWN1bG9zLiBQcm92ZWUgYWNjZXNvIGxpYnJlIGlubWVkaWF0byBhIHN1IGNvbnRlbmlkbyBiYWpvIGVsIHByaW5jaXBpbyBkZSBxdWUgaGFjZXIgZGlzcG9uaWJsZSBncmF0dWl0YW1lbnRlIGludmVzdGlnYWNpw7NuIGFsIHDDumJsaWNvIGFwb3lhIGEgdW4gbWF5b3IgaW50ZXJjYW1iaW8gZGUgY29ub2NpbWllbnRvIGdsb2JhbC4=

Investigación sobre el algoritmo de inteligencia computacional en la estimación de canales LTE

Publicaciones similares