Tytuł pozycji:
Głębokie uczenie do korekcji fazy sygnałów GMSK w rzeczywistym środowisku wewnątrzbudynkowym
Niniejszy artykuł prezentuje zastosowanie modelu głębokiej sieci neuronowej do estymacji średniego odchylenia fazy sygnałów odebranych i jest elementem badań obejmujących szersze zagadnienie, jakim jest odbiór sygnałów GMSK wspomagany uczeniem maszynowym. Analiza pozwoliła potwierdzić wysoką skuteczność sieci neuronowej, a wyniki obejmowały kanały ETU i EPA oraz dane pomiarowe zebrane w rzeczywistym środowisku wewnątrzbudynkowym. Rozwiązanie porównano z klasycznymi metodami estymacji średniego odchylenia fazy.
The given paper presents the application of a deep neural network for phase rotation estimation and is part of a study covering the wider issue of GMSK signal reception based on machine learning. The analysis confirmed the high efficiency of the neural network, including ETU and EPA channels and measurement data collected in a real indoor environment. The proposed solution was compared with classical methods for the estimation of mean phase rotation.
Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).
