Receptor OFDM Mejorado con CNN: Lograr Bajas Tasas de Error de Bits en Entornos de Alto Ruido

Resumen

Este estudio investiga la aplicación del aprendizaje profundo (DL) para mejorar los sistemas de multiplexación por división de frecuencia ortogonal (OFDM), centrándose en la recuperación de señales en entornos ruidosos. Se emplea una red neuronal convolucional (CNN) para reconstruir símbolos de modulación por desplazamiento de fase en cuadratura (QPSK) a partir de datos recibidos corruptos. La CNN aumenta su capacidad para extraer y aprender características espaciales, mitigando eficazmente el ruido y las distorsiones inherentes a los canales de ruido gaussiano blanco aditivo (AWGN). Dentro del marco MDFO, las señales transmitidas se dividen en subportadoras ortogonales, cada una modificada a través de QPSK. La CNN procesa estos símbolos recibidos, identificando patrones subyacentes para recuperar con precisión los datos originales a pesar de las deficiencias del canal. A través de un entrenamiento extenso en grandes conjuntos de datos, el modelo demuestra capacidades superiores de corrección de errores en comparación con los métodos tradicionales, logrando reducciones significativas en las tasas de error de bits (BER). Los resultados experimentales confirman que el enfoque basado en DL no solo mejora la calidad de la señal recibida, sino que también permite un mayor rendimiento de datos. Estos hallazgos subrayan el potencial de las CNN para revolucionar las estrategias de corrección de errores en los sistemas OFDM, ofreciendo una alternativa sólida a las técnicas convencionales para las redes de comunicación de próxima generación.