Estimadores de Canal con Redes Neuronales Convolucionales en Receptores OFDM

Abstract

Los sistemas de comunicación inalámbrica basados en multiplexación por división de frecuencias ortogonales (OFDM) enfrentan desafíos significativos en la estimación precisa del canal de transmisión, especialmente en entornos con desvanecimiento multicamino y condiciones variables de ruido. El objetivo de esta investigación fue desarrollar estimadores de canal de alto desempeño mediante la integración de redes neuronales convolucionales con filtros gaussianos, superando las limitaciones de los métodos tradicionales como mínimos cuadrados y error cuadrático medio mínimo. La metodología empleada consistió en la generación de conjuntos de datos exhaustivos de señales OFDM bajo diversas condiciones de modulación, relación señal-ruido y modelos de canal, seguida del diseño y entrenamiento de arquitecturas CNN optimizadas con preprocesamiento gaussiano. Los resultados principales demuestran una mejora del 56.9% en el error vectorial de magnitud comparado con estimadores tradicionales, convergencia acelerada en 33% durante el entrenamiento, y mantenimiento de desempeño robusto incluso con prefijos cíclicos reducidos o eliminados. La discusión revela que la incorporación de filtros gaussianos proporciona regularización implícita y mejora la generalización del modelo, mientras que la arquitectura CNN captura eficientemente las correlaciones espaciotemporales del canal inalámbrico. Las conclusiones establecen que el enfoque propuesto no solo supera significativamente a los métodos convencionales en precisión y eficiencia computacional, sino que también ofrece viabilidad práctica para implementación en sistemas 5G y futuros, con potencial para aumentar la eficiencia espectral hasta 25% mediante reducción del overhead de señalización.

Wireless communication systems based on orthogonal frequency division multiplexing

(OFDM) face significant challenges in accurate channel estimation, particularly in en- vironments with multipath fading and variable noise conditions. The objective of this

research was to develop high-performance channel estimators through the integration of

convolutional neural networks with Gaussian filters, overcoming the limitations of tradi- tional methods such as least squares and minimum mean square error. The methodology

consisted of generating comprehensive datasets of OFDM signals under various modu- lation conditions, signal-to-noise ratios, and channel models, followed by the design and

training of optimized CNN architectures with Gaussian preprocessing. The main results demonstrate a 56.9% improvement in error vector magnitude compared to traditional

estimators, 33% accelerated convergence during training, and maintenance of robust per- formance even with reduced or eliminated cyclic prefixes. The discussion reveals that

the incorporation of Gaussian filters provides implicit regularization and improves model

generalization, while the CNN architecture efficiently captures the spatiotemporal corre- lations of the wireless channel. The conclusions establish that the proposed approach not

only significantly outperforms conventional methods in accuracy and computational ef- ficiency but also offers practical viability for implementation in 5G and future systems,

with potential to increase spectral efficiency by up to 25% through signaling overhead reduction.