Geri Dön

YENİ YAKLAŞIMLAR KULLANILARAK İNDİS MODÜLASYONLU DİKGEN FREKANS BÖLMELİ ÇOĞULLAMA (OFDM-IM) SİSTEMLERİNDE KANAL KESTİRİMİ

CHANNEL ESTIMATION IN ORTHOGONAL FREQUENCY DIVISION MULTIPLEXING WITH INDEX MODULATION (OFDM-IM) SYSTEMS USING NEW APPROACHES

  1. Tez No: 1021639
  2. Yazar: ÖMER ADIGÜZEL
  3. Danışmanlar: PROF. DR. İBRAHİM DEVELİ
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Derin öğrenme, Kablosuz iletişim, Kablosuz sistemler, Kanal kestirimi, Yapay sinir ağları, Yapay zeka, Deep learning, Wireless communication, Wireless systems, Channel estimation, Artificial neural networks, Artificial intelligence
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Telekomünikasyon Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Beşinci nesil (5G) ve ötesi (B5G) kablosuz haberleşme sistemlerinin yüksek spektral ve enerji verimliliği taleplerini karşılamak üzere, geleneksel Dikgen Frekans Bölmeli Çoğullama (OFDM) tekniğine güçlü bir alternatif olarak İndis Modülasyonlu OFDM (OFDM-IM) teknolojisi ön plana çıkmaktadır. OFDM-IM, veriyi yalnızca aktif alt taşıyıcıların takımyıldız sembolleri üzerinden değil, aynı zamanda bu alt taşıyıcıların aktiflik durumlarını belirleyen indis kombinasyonlarıyla da ileterek sistem başarımını artırır. Ancak bu seyrek alt taşıyıcı yapısı, alıcıda Kanal Durum Bilgisinin (CSI) kestirilmesini klasik OFDM sistemlerine kıyasla çok daha zorlu bir probleme dönüştürmektedir. Literatürde sıklıkla başvurulan En Küçük Kareler (LS) ve Minimum Ortalama Karesel Hata (MMSE) gibi geleneksel kanal kestirim algoritmaları, sırasıyla düşük kestirim doğruluğu ve pratik uygulamayı zorlaştıran yüksek hesaplama karmaşıklığı gibi temel kısıtlamalara sahiptir. Beşinci nesil (5G) ve ötesi kablosuz haberleşme için yüksek spektral verimlilik sunan indis modülasyonlu dikgen frekans bölmeli çoğullama (OFDM-IM) tekniğinde, alıcıda hassas kanal durum bilgisi (CSI) kestirimi kritik öneme sahiptir. Geleneksel en küçük kareler (LS) yöntemi yetersiz doğruluğa, minimum ortalama karesel hata (MMSE) ise yüksek hesaplama karmaşıklığına sahiptir. Bu tezde, OFDM-IM kestirim problemini analitik modellere bağlı kalmadan çözmek üzere derin öğrenme tabanlı özgün hibrit mimariler geliştirilmiştir. uzun kısa süreli bellek (LSTM) ağı temelinde tasarlanan LSTM-ReEsNet ve çift yönlü LSTM (BiLSTM)-ReEsNet modelleriyle, hesaplama maliyeti doğrusal karmaşıklık düzeyine düşürülmüş ve MMSE seviyesinde kestirim doğruluğu elde edilmiştir. Önerilen modeller, teorik benzetimlerin yanı sıra USRP N210 tabanlı yazılım tanımlı radyo (SDR) test yatağında başarıyla doğrulanmıştır. Pratik donanım kusurlarını (HWI) içeren deneysel verilerle eğitilen BiLSTM-ReEsNet modeli, bu bozucu etkileri otonom olarak sönümlemiştir. Görüş hattı (LOS) ve görüş hattı dışı (NLOS) testler; önerilen yöntemlerin hata başarımı ve karmaşıklık açısından üstün bir ödünleşim sunduğunu ve sahada kullanılabilir gürbüz bir fiziksel katman çözümü olduğunu kanıtlamaktadır. Çalışmanın özgün katkılarından biri, geliştirilen algoritmaların yalnızca teorik bilgisayar benzetimleriyle (Rayleigh, 3GPP EPA, EVA ve ETU kanal modelleri) sınırlı kalmayıp, Evrensel Yazılım Radyo Çevre Birimi (USRP) N210 kullanılarak kurulan Yazılım Tanımlı Radyo (SDR) test yatağında doğrulanmasıdır. Pratik haberleşme ortamlarında karşılaşılan Eş Faz ve Dördün Faz Dengesizliği (IQI) ve faz gürültüsü gibi doğrusal olmayan donanım kusurlarını (HWI) içeren deneysel veri setleri üzerinden eğitilen BiLSTM-ReEsNet modeli, bu kusurları uçtan uca öğrenerek otonom bir şekilde sönümlemeyi başarmıştır. Görüş Hattı (LOS) ve Görüş Hattı Dışı (NLOS) senaryoları altında gerçekleştirilen kapsamlı performans analizleri; geliştirilen modelin eğitim ve çıkarım süreleri, hesaplama karmaşıklığı, Ortalama Karesel Hata (MSE) ve Bit Hata Oranı (BER) açısından literatürdeki mevcut yöntemlere kıyasla geliştirilmiş ödünleşim sunduğunu ve pratik uygulamalar için doğrudan sahada kullanılabilir güçlü bir fiziksel katman çözümü olduğunu göstermektedir.

Özet (Çeviri)

In orthogonal frequency division multiplexing with index modulation (OFDM-IM) systems, a technique offering high spectral efficiency for fifth-generation (5G) and beyond wireless communication, accurate channel state information (CSI) estimation at the receiver is critical importance. Traditional least squares (LS) methods have insufficient accuracy, while minimum mean squared error (MMSE) has high computational complexity. In this thesis, original deep learning-based hybrid architectures have been developed to solve the OFDM-IM estimation problem without relying on analytical models. With LSTM-ReEsNet and bidirectional LSTM (BiLSTM)-ReEsNet models designed on the basis of a long short-term memory (LSTM) network, computational cost has been reduced to the linear complexity level, and estimation accuracy at the MMSE level has been achieved. The proposed models have been successfully validated in theoretical simulations as well as on a software defined radio (SDR) testbed based on the USRP N210. The BiLSTM-ReEsNet model, trained with experimental data including practical hardware impairments (HWI), autonomously mitigates these disturbing effects. Line-of-sight (LOS) and non-line-of-sight (NLOS) tests demonstrate that the proposed methods offer a superior trade-off in terms of error performance and complexity, and provide a robust physical layer solution for real-world applications. In this thesis study, novel deep learning (DL)-based architectures have been developed to solve the channel estimation problem in OFDM-IM systems without relying on classical statistical methods and mathematical channel models. In this context, based on the Long Short-Term Memory (LSTM) network, which is superior in processing sequential data, hybrid LSTM-ReEsNet and Bidirectional LSTM (BiLSTM)-ReEsNet models, which can simultaneously extract the spatial and temporal features of the channel, have been introduced to the literature. The proposed architectures reduce computational cost by replacing the computationally intensive layers of traditional convolutional neural networks with LSTM and BiLSTM structures, achieving a high estimation accuracy rivaling the MMSE algorithm. One of the original contributions of this study is that the developed algorithms are not limited to theoretical computer simulations (Rayleigh, 3GPP EPA, EVA, and ETU channel models) but are also validated on a Software-Defined Radio (SDR) testbed established using the Universal Software Radio Peripheral (USRP) N210. Trained on experimental datasets containing non-linear hardware impairments (HWI) encountered in practical communication environments, such as In-Phase and Quadrature Imbalance (IQI) and phase noise, the BiLSTM-ReEsNet model successfully learned these impairments end-to-end and autonomously mitigated them. Comprehensive performance analyses conducted under Line-of-Sight (LOS) and Non-Line-of-Sight (NLOS) scenarios show that the developed model offers an improved trade-off in terms of training and inference times, computational complexity, Mean Square Error (MSE), and Bit Error Rate (BER) compared to existing methods in the literature, demonstrating that it is a robust physical layer solution directly applicable in the field for practical applications.

Benzer Tezler

  1. Tez No

    936613

    Emerging novel index modulation solutions for reconfigurable intelligent surface-assisted communication systems

    Yeniden yapılandırılabilir akıllı yüzey destekli iletişim sistemleri için özgün indis modülasyon çözümleri

    ELVAN KUZUCU HIDIR

    Doktora

    İngilizce

    İngilizce

    2025

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN ALİ ÇIRPAN

    PROF. DR. ERTUĞRUL BAŞAR

  2. Tez No

    926159

    Advanced modulation techniques for next-generation wireless communications

    Yeni nesil kablosuz iletişim için gelişmiş modülasyon teknikleri

    ALİ TUĞBERK DOĞUKAN

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik MühendisliğiKoç Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ERTUĞRUL BAŞAR

  3. Tez No

    609452

    Deep learning aided data detectionfor future wireless communication systems

    Gelecek nesil telsiz haberleşme sistemleri içinderin öğrenme yardımıyla data tespiti

    MERVE TURHAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN ALİ ÇIRPAN

  4. Tez No

    959857

    GNSS sürekli ve kampanya zaman serilerinde hız kestirim hatasının belirlenmesi

    Determination of velocity estimation uncertainty in GNSS continuous and campaign time series

    MEHMET ERÇOBAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Jeodezi ve FotogrametriYıldız Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. DOĞAN UĞUR ŞANLI

  5. Tez No

    392931

    Trakya bölgesi bağ alanlarının uzaktan algılama ve coğrafi bilgi sistemleri teknikleri ile incelenmesi

    Investigation of the Trakya (Thrace) region vineyard areas by using remote sensing and geographic information systems

    EMRE ÖZELKAN

    Doktora

    Türkçe

    Türkçe

    2014

    Ziraatİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. CANKUT ÖRMECİ

    DOÇ. DR. ELİF SERTEL

Geri Dön