Blind synchronization using neural networks

On the one hand, knowledge of symbol timing and frequency offset is required for demodulation in digital communication systems. On the other hand, capabilities of machine learning in the communications domain have not yet been developed so to be able to have an impact in the actual systems and technologies. The goal is to realize a computationally efficient synchronization algorithm based on Neural Networks (NN). The main attractive of NN is the fact that given a structure which is known to be able to converge, it will give the capability to be easily implemented and trained on the concrete type of conditions given in each environment so that it will lead to the best estimator for each case. Also, despite the possibility of designing your own activation functions has already been exploded, it is important that the NN structure to be found is made of Dense feedforward hidden layers with the usual activation functions found on Keras library (those being for instance Linear, Relu, Sigmoid, etc).
Por un lado, el conocimiento del tiempo del símbolo y el desplazamiento de frecuencia es necesario para la demodulación en los sistemas de comunicación digital. Por otro lado, las capacidades de Machine Learning en el dominio de las comunicaciones aún no se han desarrollado para poder tener un impacto en los sistemas y tecnologías actuales. El objetivo es realizar un algoritmo de sincronización computacionalmente eficiente basado en redes neuronales (NN). El principal atractivo de las NN es el hecho que, dada una estructura la cual es sabido que puede converger, se da la capacidad de implementarla fácilmente y entrenarla sobre el tipo concreto de condiciones que se dan en cada entorno para que de lugar al mejor estimador en cada caso Además, a pesar de que ya se ha explotado la posibilidad de diseñar funciones de activación propias, es importante que la estructura NN que se encuentre esté compuesta de feedforward hidden layers con las funciones de activación habituales que se encuentran en la biblioteca Keras (por ejemplo Linear, Relu) , Sigmoid, etc.).
D'una banda, el coneixement del temps del símbol i el desplaçament de freqüència és necessari per a la desmodulació en els sistemes de comunicació digital. D'altra banda, les capacitats de Machine Learning en el domini de les comunicacions encara no s'han desenvolupat per poder tenir un impacte en els sistemes i tecnologies actuals. L'objectiu és realitzar un algoritme de sincronització computacionalment eficient basat en xarxes neuronals (NN). El principal atractiu de les NN és el fet que, donada una estructura la qual és sabut que pot convergir, es dóna la capacitat d'implementar-se fàcilment i entrenar-la sobre el tipus concret de condicions que es donen en cada entorn per a que doni lloc al millor estimador en cada cas A més, tot i que ja s'ha explotat la possibilitat de dissenyar funcions d'activació pròpies, és important que l'estructura NN que es trobi estigui composta de feedforward hidden layers amb les funcions d'activació habituals que es troben a la biblioteca Keras (per exemple linear, Relu), Sigmoid, etc.).