CV


Mojtaba Hajiabadi

Mojtaba Hajiabadi

Assistant Professor

Faculty: Electrical and Computer Engineering

Department: Electronic

Degree: Ph.D

CV
Mojtaba Hajiabadi

Assistant Professor Mojtaba Hajiabadi

Faculty: Electrical and Computer Engineering - Department: Electronic Degree: Ph.D |

Dr. Mojtaba Hajiabadi, a graduate of Electrical Engineering with a focus on Telecommunication Systems, earned his Bachelor's degree in 2012 from the University of Birjand, his Master's degree in 2014, and his Ph.D. in 2018 from Ferdowsi University of Mashhad. He was an outstanding student, holding third rank in his Bachelor's, first in his Master's, and first in his Ph.D. In 2018, he completed a doctoral research opportunity at KU Leuven University in Belgium under the supervision of Professor Marc Moonen, a distinguished IEEE Fellow.

During his Ph.D., Dr. Hajiabadi received several awards from the National Elites Foundation, including research grants, teaching assistantships, and an international research opportunity grant. After completing his studies, he worked for five years in Iran's telecommunications industry, contributing to satellite communication transceivers in the aerospace sector and optical telecommunication systems at the Infrastructure Communications Company. Since 2022, he has been a full-time faculty member in the Communication Engineering Department, Faculty of Electrical and Computer Engineering, at the University of Birjand. His research interests include adaptive filters, machine learning, and AI in wireless communication systems.

If you are interested in collaborating on research in his field of expertise, you may contact him via the following email address:

Email: mhajiabadi@birjand.ac.ir

نمایش بیشتر

تخمین کانال مقاوم بر یادگیری عمیق و شکل دهی پرتو غیرفعال با مدل فاز گسسته برای سیستم های ارتباطی همراه با صفحات هوشمند قابل پیکربندی

Authorsمجتبی حاجی آبادی,امیر مرادبندطرقی,ناصر ندا
Conference Titleهفتمین کنفرانس ملی دستاوردهای نوین در برق، کامپیوتر و صنایع
Holding Date of Conference2025-11-10
Event Placeاسفراین
Page number0-0
PresentationSPEECH
Conference LevelInternal Conferences

Abstract

فناوری سطوح هوشمند قابل پیکربندی مجدد (RIS) پتانسیل قابل توجهی در بهبود ارتباطات بی‌سیم از طریق ارتقای کیفیت سیگنال و گسترش پوشش نشان داده است. با این حال، سیستم‌های مجهز به RIS با چالش‌های منحصر به فردی در تخمین کانال مواجه هستند که ناشی از ماهیت غیرفعال آنها و پیچیدگی محیط کانال است. روش‌های مبتنی بر یادگیری عمیق ابزارهای قدرتمندی برای مواجهه با پیچیدگی‌هایی مانند غیرخطی بودن و ابعاد بالا در این سیستم‌ها ارائه می‌دهند. این مقاله یک الگوریتم مبتنی بر یادگیری عمیق با استفاده از شبکه عصبی کاملاً متصل (FCNN) را برای تخمین کانال با خطای کمتر در سیستم‌های RIS توسعه داده‌ایم. مدل پیشنهادی با استفاده از الگوریتم حداقل مربعات (LS) پیشنهادی به صورت تکراری آموزش داده شده تا سرعت همگرایی و دقت آن بیشتر شود. بطور خاص، ما یک ساختار یادگیری عمیق طراحی و آموزش می‌دهیم تا با استفاده از سیگنال‌های دریافتی، تمامی کانال‌های بین فرستنده و گیرنده را همزمان تخمین بزند. به‌منظور ارزیابی عملکرد عملی سیستم، روش توسعه‌یافته در سناریوهای واقعی شکل‌دهی پرتو مورد آزمایش قرار گرفته و بر اساس دقت تخمین کانال و نمودارهای نرخ خطای بیت (BER) بررسی شده است. طبق شبیه سازی‌های انجام شده، این روش عملکرد بهتری نسبت به تکنیک‌های موجود مانند روش حداقل مربعات (LS)، گرادیان نزولی تصادفی (SGD) و حداقل میانگین مربعات(LMS) نشان داده است و منجر به خطای تخمین بسیار کمتر و بهبود در نرخ خطای بیت (BER) سیستم ارتباطی می‌شود. این یافته‌ها راه را برای عملکرد قابل اعتماد RIS در شبکه‌های آینده 6G هموار می‌کنند.

Paper URL