Channel estimation using deep learning for 5G communication systems
5G haberleşme sistemleri için derin öğrenmeyi kullanarak kanal kestirimi
- Tez No: 678928
- Danışmanlar: DR. ÖĞR. ÜYESİ NECİP GÖKHAN KASAPOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: 5G İletişim Sistemleri, Kanal Tahminleme, OFDM, LS Tahmincisi, MMSE Tahmincisi, DNN, LSTM, Karmaşıklık hesaplaması, 5G Communication Systems, Channel Estimation, OFDM, LS Estimator, MMSE Estimator, DNN, LSTM, Complexity calculation
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 93
Özet
Kullanıcıların daha fazla güvenilirlik, yüksek hız ve kapasiteli kablosuz iletişim ihtiyacı, 5G NR iletişim sistemlerinin geliştirilmesine neden olmuştur. Bilindiği gibi, son iletişim teknolojileri, sınırlı performanslı geleneksel iletişim felsefeleri temelinde tasarlanmıştır. Kanal kestirimi mobil iletişimin önemli alanlarından biri olup, özellikle 4G sistemleri ve 5G sistemleri için tüm sistemin performansını önemli ölçüde artırabilen bir yöntemidir. Bu tezde, minimum ortalama kare hatası (MMSE) kestiricisi ve en küçük kare (LS) tahmincisi gibi ortogonal frekans bölmeli çoğullama (OFDM) sistemleri için Temel kanal tahmin yöntemleri incelenmektedir. MMSE ve LS tahmin edicilerinin çalışma prensipleri ve performansları incelenmektedir. MMSE tahmincisinin performansının daha iyi olduğunu ancak hesaplama karmaşıklığının yüksek olduğunu, LS tahmincisinin aksine düşük karmaşıklığa fakat düşük performansa sahip olduğu görülmektedir. Bu nedenle, bu tezde, makine öğrenme tekniklerine dayanan ve özellikle geleneksel kanal tahmin yöntemleriyle ilişkili performans sorunlarının üstesinden gelmek için derin öğrenme tekniklerini kullandığımız kanal kestirimi için farklı ve verimli bir çözüm önerilmiştir. Önerilen kestirimci performansı, uzun kısa süreli bellek (LSTM) temelli ve çok kullanıcılı 16 QAM bir iletişim sistemi için sembol hata oranı uyarınca tahmin edicinin hesaplama doğruluğu ve performansıyla değerlendirilmektedir.
Özet (Çeviri)
Users' starvation for more reliability, high speed and capacity wireless communication have caused the invention of 5G NR communication system. As we know the recent communication technologies are designed on the basis of conventional communication philosophies, which significantly limit additional performance perfections and that is the root of daunting limitations. one of the important areas of the mobile communication is the wireless channel estimation method which can significantly improve the performance of the whole system, and particularly for 4G-systems and 5G-systems. In this thesis we examine the baseline channel estimation methods used for orthogonal frequency division multiplexing (OFDM) systems, such as the minimum mean square error 'MMSE' estimator and the least square (LS) estimator. We studied the MMSE and LS estimators' architecture an examine their performances. And prove that the MMSE estimator performance is better but it is computational complexity is high, in contrary the LS estimator has low complexity with low performance. Therefore, in this thesis we propose a different and efficient solution for channel estimation which is based on machine learning techniques and in particular we used deep learning techniques to overcome the performance issues associated with the traditional channel estimation baseline methods, we assess the proposed estimator performance on basis of Long Short-Term Memory (LSTM) and symbol error rate for 16 QAM systems for a multi-user communication system. We also evaluate estimator computational accuracy and feasibility.
Benzer Tezler
- Deep-learning for communication systems: New channel estimation, equalization, and secure transmission solutions
Haberleşme sistemleri için derin öğrenme: Yeni kanal kestirimi, denkleştirme ve güvenli iletim çözümleri
MÜCAHİT GÜMÜŞ
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. TOLGA METE DUMAN
- Array processing and optimization techniques of beamforming and resource allocation for enhanced spectral efficiency in 5g and beyond systems
5g ve ötesı sıstemlerının hüzmeleme ve spektral verımlılığının vektör íşleme ve optımızasyon ıle gerçekleştırılmesı
NANN WIN MOE THET NANN WIN MOE THET
Doktora
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı
Assoc. Prof. Dr. MEHMET KEMAL ÖZDEMİR
- Masif MIMO sistemlerde pilot atama ve pilot güç tahsisi optimizasyon algoritmaları ile pilot kirliliğinin azaltılması
The optimization algorithms of pilot assignment and pilot power allocation to mitigate pilot contamination in massive MIMO systems
MUHAMMET PAKYÜREK
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELMAN KULAÇ
- Secure and coordinated beamforming in 5G and beyond systems using deep neural networks
5G ve ötesi sistemlerde derin sinir ağları kullanarak güvenli ve koordineli hüzmeleme
UTKU ÖZMAT
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET AKİF YAZICI
DR. ÖĞR. ÜYESİ MEHMET FATİH DEMİRKOL
- Dikgen olmayan çoklu erişim tabanlı 5G ve ötesi haberleşme sistemlerinin başarım analizi
Performance analysis of non-orthogonal multiple access-based 5G and beyond communication systems
İNCİ UMAKOĞLU
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA NAMDAR
DR. ÖĞR. ÜYESİ ARİF BAŞGÜMÜŞ