Suárez Fajardo , Carlos ArturoChacón Alonso , Andrés FelipeFuentes Ramírez, Miguel Angél2024-10-282024-10-282024-05-21http://hdl.handle.net/11349/42367En comunicaciones móviles, la estimación de canal es uno de los principales procesos para optimizar la comunicación entre el transmisor y el receptor. Conocer la respuesta del canal es un desafío porque existen múltiples fenómenos como atenuación, pérdidas multi-trayecto, ruido y retardos que afectan a las señales transmitidas. Métodos basados en la inserción de pilotos como Mínimos Cuadrados (LS) y Mínimo Error Cuadrático Medio (MMSE) son comúnmente usados para estimar el canal. Sin embargo, tienen inconvenientes relacionados con su desempeño y complejidad en escenarios variables. En este documento, se propone que diferentes modelos de Aprendizaje Profundo (DL) asistan a la estimación de canales con ayuda de señales piloto para un sistema de comunicaciones 5G que es afectado por el efecto Doppler debido al nivel de movilidad. A través del modelado en simulación, incluyendo condiciones Con Línea de Vista Directa (LoS) y Sín Línea de Vista Directa (NLoS) en un modelo Línea de Retardo en Pulsación (TDL), se mide el desempeño de los modelos con las métricas de Tasa de Error de Bit (BER), Magnitud del Vector Error (EVM), tiempo de estimación y Error Cuadrático Medio (MSE). Los resultados demuestran que los modelos DL superan a los estimadores de interpolación lineal y práctico con una Relación Señal a Ruido (SNR) entre 0 dB y 20 dB. Además, las técnicas propuestas de estimación tienen adaptabilidad ante las diferentes condiciones del canal.In mobile communications, the channel estimation process is one of the main keys to optimize the communication between the transmitter and the receiver. Knowing the channel response is a challenge because there are multiple phenomena like attenuation, multi-path loss, noise, and delays that affect the transmitted signals. Methods based on pilot insertion such as Least Squares (LS) and Minimal Mean Squared Error (MMSE) are commonly used to estimate the channel. Nevertheless, they have issues related with their performance and complexity in varying scenarios. In this document, it is proposed that different Deep Learning (DL) techniques assist a pilot-based channel estimation for a 5G communication system affected by Doppler shift due to the level of mobility. Through simulation modeling including Line-of-Sight (LoS) and Non-Line-of-Sight (NLoS) environments in a Tapped Delay Line (TDL) model, it is measured the performance based on the Bit Error Rate (BER), Error Vector Magnitude (EVM), estimation time, and Mean Squared Error (MSE). The results prove that the DL models outperform linear interpolation and practical estimators in a Signal-to-Noise Ratio between 0 dB and 20 dB. Furthermore, the proposed estimation techniques have adaptability to different channel conditions.pdfspaAttribution-NonCommercial-NoDerivatives 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/5GSeñales pilotoComunicaciones móvilesEstimación de canalAprendizaje profundobachelorThesisIngeniería Electrónica -- Tesis y disertaciones académicasEstimación de canal en comunicaciones móvilesAprendizaje profundo en sistemas 5GOptimización de señales en presencia de efecto DopplerSimulación de modelos de canal con TDLOpenAccess5GPilot signalsMobile communicationsChannel estimationDeep learningAbierto (Texto Completo)