Motivation:

Aufgrund der großen Durchbrüche von Deep Learning im Bereich der Mustererkennung zu Anfang des Jahrzehnts ist Machine Learning in verschiedenen Forschungsbereichen wieder in den Mittelpunkt des Interesses gerückt. So auch in der Nachrichtentechnik, wo mit dem Autoencoder ein innovatives Konzept zur optimalen Auslegung eines Kommunikationssystems vorgeschlagen wurde. Hier werden Sender, Kanal und Empfänger als neuronales Netz aufgefasst und trainiert bzw. optimiert. Insbesondere für Kanäle, die nichtlinear sind und nicht-gaußförmige Statistiken aufweisen, stellt dieser Ansatz eine Möglichkeit dar, ein System optimal zu designen.

Goal:

Diese Arbeit stellt einen Einstieg in die Nachrichtentechnik und in Machine Learning dar. Folglich sollen grundlegende Konzepte der Nachrichtentechnik wie z.B. Modulation und Kodierung mit dem Autoencoder-Ansatz verglichen werden. Dabei wird zunächst das Ziel verfolgt eine 8-PSK-Übertragung mithilfe des Autoencoders in der Symbolfehlerrate zu übertreffen. Daraufhin sind beliebige spannende Erweiterungen aus der neuesten Literatur denkbar.

Requirements:

Eine erfolgreiche Teilnahme an den Vorlesungen Lineare und Stochastische Systeme und grundlegende Programmierkenntnisse werden vorausgesetzt. Kenntisse in Python sind vorteilhaft, aber nicht zwingend notwendig.