Blind code identification using deep neural networks
Derin yapay sinir ağları kullanılarak kör kod tanıma
- Tez No: 632507
- Danışmanlar: PROF. DR. MUSTAFA HAKAN DELİÇ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 80
Özet
Yeni nesil kablosuz ağlardaki hiyerarşik olmayan iletişim paradigması kayması, farklı senaryolar ve değişen kanal koşulları için iletişim parametrelerinin uyarlanabilir yapılandırılması gerekliliğini ortaya koymaktadır. Bu nedenle haberleşme parametrelerinin otomatik belirlenmesi 5G ve ötesi ağlarda önemli bir rol oynayacaktır. Otomatik modülasyon ve kodlama sistemlerinde, değişen kanal şartlarına uyum sağlayabilmek için gönderici parametreleri dinamik olarak değiştirilmektedir. Bu parametrelerin iletimi kontrol kanalları aracılığıyla yapılmaktadır ve kaynak kullanımında artışa neden olmaktadır. Kör kod çözümü hızlı bir şekilde bu tarz sistemler için kilit bir öğe haline gelmektedir çünkü parametrelerin gönderimine olan ihtiyacı ortadan kaldırmaktadır. Kör kod çözme sistemleri iki aşamadan oluşmaktadır: kodun belirlenmesi ve belirlenen kod parametrelerine göre kod çözümü. Derin öğrenme yöntemlerinin kod çözümünde kullanımı üzerine hatrı sayılır miktarda çalışma bulunmaktadır ve bu çalışmalar derin öğrenme modellerinin kod yapısını öğrenebildiğini göstermiştir. Bu tez çalışmasında, bu konuda yeni bir yaklaşım olarak, kör kod tanımada derin öğrenme tabanlı bir yöntem önerilmektedir. Derin yapay sinir ağları herhangi bir kod parametresine bağımlı olmadığından dolayı evrensel bir kod tanıma sistemi tasarlanabilir. Sunulan yöntem, yetkinliğinin gösterimi için çokça kullanılan katlamalı, turbo ve kutupsal kodların seziminde kullanılmıştır. Her kod tipi için, derin öğrenme tabanlı yöntemler hem yüksek hata performansı, hem düşük ve öngörülebilir gecikme değerleri sağlamaktadır. Ek olarak, model eğitimi için kullanılması gereken kod sözcüğü üzerine bir analiz de sunulmaktadır. Elde edilen sonuçlar derin öğrenme modellerinin bütün kod sözcükleri ile eğitilmediği durumda bile genelleştirebildiğini göstermektedir.
Özet (Çeviri)
The non-hierarchical communication paradigm shift in the next generation wireless networks reveals the requirement for the adaptive configuration of communication parameters in order to provide flexibility across different scenarios and changing channel conditions. Hence, automatic identification of communication parameters will play a significant role in 5G and beyond networks. In automatic modulation and coding (AMC) systems, the transmission parameters are changed dynamically in order to adapt to the changing channel conditions. These parameters are signalled through control channels which results in an increase of the resource usage. Blind decoding is fast becoming a key instrument in such systems since it eliminates the need for signaling of parameters. Blind decoding systems are composed of two stages: code identification and decoding with the identified code parameters. There is a considerable amount of research on the application of deep learning (DL) to channel decoding, and it has been shown that DL models are able to learn the code structure. In this thesis, we consider the use of DL for blind code identification, which is a first in this domain to the best of our knowledge. It is possible to design a universal code identification system via deep neural networks due to their independence of the channel code type. The presented approach is applied in detection of widely used convolutional, turbo and polar codes in order to show its capabilities. For each code type, the DL classification models provide not only higher detection rates, but also lower and predictable delay amounts compared to the existing methods. Additionally, an analysis on the required number of codewords for model training is provided.
Benzer Tezler
- Derin öğrenme ile modülasyon sınıflandırması
Modulation classification with deep learning
SELÇUK BALSÜZEN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MESUT KARTAL
- MIMO sistemler için sinyal tanıma algoritmaları
Signal identification algorithms for MIMO systems
MERVE TURAN
Yüksek Lisans
Türkçe
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Çevrimsel durağanlık tabanlı uzay-zaman blok kod zamanlaması kestirimi
Cyclostationarity based space-time block code timing estimation
SERHAT GÜL
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- WOLA FTT tabanlı kanallaştırıcı tasarımı
Design of WOLA FTT based channelizer
ENES KARAV
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜRVET KIRCI
- Blind channel and symbol identification for SIMO and SISO cases
SISO ve SIMO durumlarda gözü kapalı kanal ve sembol tanımlama
SERKAN KARAKÜTÜK
Yüksek Lisans
İngilizce
2003
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ENGİN TÜNCER