امروزه در سیستم های نوین مخابراتی، بخصوص در سیستم های مبتنی بر نسل سوم مخابرات سیار، مدیریت منابع رادیویی به صورت پویا انجام می شود، به این ترتیب که پارامترهای اساسی طراحی سیستم، نظیر پارامترهای مربوط به مدوله سازی و کدکردن یا پارامترهای مربوط به کنترل توان، متناسب با وضعیت پویای کانال مخابراتی تعیین می شوند و تغییر می کنند. این رویکرد در طراحی سیستم های مخابراتی که در پژوهش های اخیر از آن با عنوان های “تطبیق پیوند” یا “مدوله سازی و کدکردن وفقی” (AMC) یاد می شود، باعث افزایش کارایی سیستم در مقایسه با سیستم های ایستا و کلاسیک مخابراتی شده، امکان دست یابی به ظرفیت های مخابراتی بالاتر را در یک ارتباط رادیویی فراهم می سازد. این افزایش کارایی، بخصوص در ارتباط های سلولی چندکاربره، با توجه به ملاحظه ی لحظه ای حضور دیگر کاربران در ارتباط مخابراتی و تصمیم گیری پویا برای کاهش اثر تداخل آن ها، چشم گیر و غیر قابل صرف نظر است.
با این حال، استفاده از مزیت های مربوط به این روش تنها در صورتی ممکن است که شناخت مناسبی از وضعیت فعلی کانال در دسترس باشد. همچنین، لازم است که برمبنای پارامترهای فعلی کانال، نسبت به پیش گویی وضعیت کانال در لحظه های آینده اقدام شود، تا پارامترهای مربوط به طراحی سیستم (نظیر پارامترهای مدوله سازی و کدکردن) متناسب با این پیش گویی تعیین و تنظیم شوند.
تخمین کانال های مخابراتی در حالت های غیرخطی و متغیر با زمان، با پیچیدگی های تحلیلی و سخت افزاری بسیاری همراه است و تکنیک های کلاسیک مطرح شده در کتاب ها و مقالات مختلف برای همسان سازی کانال، اغلب از غیرخطی بودن و متغیر با زمان بودن کانال ها صرف نظر می کنند. از سوی دیگر، با فرض این که به پارامترهای فعلی کانال بتوان دسترسی داشت، برای پیش گویی کانال در لحظه های آینده، تنها چند روش محدود در مقاله ها و منابع کلاسیک مخابرات سیار ذکر شده که اغلب مبتنی بر پیش گویی خطی کانال هستند. استفاده از شبکه های عصبی، با توجه به ماهیت غیرخطی این شبکه ها و توانایی تعمیم آن ها پس از طی یک دوره ی آموزشی مناسب، می تواند راهکار تازه ای برای تخمین و پیش گویی کانال باشد. این پایان نامه به تحقیق درباره ی همین موضوع می پردازد.
در فصل اول این پایان نامه، ویژگی های اصلی کانال های سیار مخابراتی با محوشدگی باند باریک می شوند. بحث درباره ی نویز سفید جمع شونده ی گوسی و مطالعه ی مدل رایلی از مباحث مطرح شده در این فصل هستند.
در فصل دوم، پس از بحث درباره ی اهمیت و مزیت های مدوله سازی تطبیقی، نشان داده می شود که با پیشگویی رفتار کانال می توان کارایی سیستمی را که از مدوله سازی تطبیقی استفاده می کند افزایش داد.
در فصل سوم، فرایند محاسبه ی سیگنال به نویز (SNR) به دو بخش تخمین نسبت سیگنال به نویز محض کانال (SNR0) و پیش گویی توان محوشدگی (α) تقسیم شده، سیستم پیشنهادشده ی مبتنی بر شبکه های عصبی برای محاسبه ی این دو پارامتر، معرفی و ارزیابی می شود.
فصل چهارم نیز به جمع بندی و ارائه ی چند پیشنهاد اختصاص یافته است.