Yeni nesil haberleşme sistemlerinde derin öğrenme tabanlı sezici tasarımı ve başarım analizi
Deep learning based detector design and performance analysis in new genration communication systems
- Tez No: 697344
- Danışmanlar: DOÇ. DR. HAKAN KAYA
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Zonguldak Bülent Ecevit Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 163
Özet
Derin Öğrenme (Deep Learning-DL), makine öğrenme algoritmalarını yerine getiren çok katmanlı yapay sinir ağı algoritmaları bütünüdür. Denetimli, denetimsiz ve pekiştirmeli öğrenme gibi türleri bulunan DL tekniklerinin çok geniş yelpazede uygulamaları mevcuttur. DL ağları son yıllarda fiziksel seviye haberleşme sistemlerinde sistem başarımlarını artırması ve işlem karmaşıklığını azaltması gibi sebeplerden ötürü yaygın olarak kullanılmaktadır. Bu çalışmada, yeni nesil haberleşme tekniklerinden olan dikgen olmayan çoklu erişim (Non-orthoganal multiple access-NOMA), işbirlikli dikgen olmayan çoklu erişim (Cooperative Non-orthogonal Multiple Access-C-NOMA), eşik temelli işbirlikli dikgen olmayan çoklu erişim (Threshold based Cooperative Non-orthogonal Multiple Access-TBS-C-NOMA) ve çöz aktar (Decode and Forward-DF) protokolü kullanan işbirlikli haberleşme sistemlerinde denetimli öğrenme sağlayan DL ağları kullanılmıştır.Bu tezde, ilk olarak aşağı yönlü NOMA tekniklerinde geleneksel seziciler yerine DL tabanlı seziciler kullanılarak hata performans etkileri incelenmiştir. İki kullanıcılı aşağı yönlü NOMA sistemi için uzun kısa dönem hafıza (Long Short Term Memory-LSTM) tabanlı sezici tasarlanmıştır. Tasarlanan sezicinin hata performansları geleneksel en büyük olabilirlikli sezici (Maximum Likehood Detector-MLD) ve ardışık girişim engelleyici tabanlı sezici (Successive Interference Canceler base Detector-SICD) ile benzer çıkmıştır. Böylelikle SICD ve MLD'den kaynaklanan işlem karmaşıklığı giderilmiş olup DL'nin haberleşme sistemlerinde alternatif olarak kullanılabileceği ortaya konmuştur. Diğer bir sistem modeli olan C-NOMA ve TBS-C-NOMA sistemlerinde yakın kullanıcı röle, uzak kullanıcı hedef düğüm olarak kullanılmaktadır. Yakın kullanıcı, MLD ve SICD/MLD ile her iki kullanıcının sembollerini çözebilmektedir. Uzak kullanıcı ise en büyük oranlı birleştirme (Maximal Ratio Combining-MRC) ve MLD ile kendi sembollerini sezebilmektedir. Tüm bu işlemler işlem karmaşıklığını artırmaktadır. Ayrıca yakın kullanıcıdan uzak kullanıcıya semboller hata yayılımı ile iletilmektedir. Önerilen LSTM tabanlı seziciyle yakın kullanıcıda her iki kullanıcının sembolleri ortak sezilebilmektedir. Uzak kullanıcı ise LSTM tabanlı seziciyle MLD ve MRC kullanmadan kendi sembollerini sezebilmektedir. Öte yandan, tasarlanan sistem TBS-C-NOMA'da hata yayılımının önüne geçmekte ve aynı zamanda hata performansı açısından C-NOMA ve TBS-C-NOMA'dan daha başarılıdır. Aşağı yönlü NOMA haberleşme sisteminde LSTM sezicinin dışında evrişimli sinir ağı (Convolutional Neural Network-CNN) ile hata performansı değerlendirilmiştir. Alıcıda alınan işaret ve anlık kanal katsayıları ile denkleştirilmiş işaretin bileşke işaret matrisinden CNN ağı ile kullanıcı sembolleri ortak sezilmiştir. Aşağı yönlü NOMA sisteminde CNN sezicinin hata performansları MLD ve SICD/MLD'nin hata performansları ile benzeşmektedir.Alıcıda kanal bilgisinin bilinmediği yukarı yönlü NOMA haberleşme sistemlerinde kullanıcılar farklı zaman dilimlerinde baz istasyonuna (Base Station-BS) pilot semboller göndermektedir. Bu durum NOMA'nın sağladığı spektral verimliliği ortadan kaldırmaktadır. Spektral verimliliği korumak için, ilk zaman diliminde her iki kullanıcıdan süperposizyon kodlu (Superposition Coded-SC) tek bir pilot işaret, ikinci zaman diliminde NOMA işaretinin gönderildiği iki zaman adımlı derin öğrenme tabanlı sezici (Deep Learning based Detector-DLD) önerilmiştir. Önerilen DLD LSTM tabanlıdır. Karşılaştırma yapabilmek için pilot işaretlerin kullanıcılardan BS'e farklı zamanlarda ve üçüncü zamanda NOMA işaretinin gönderildiği üç zaman adımlı DLD de tasarlanmıştır. İki zaman adımlı LSTM sezici, kullanılan çerçeve sayısı arttıkça geleneksel sezicilerden üstün olmasına rağmen üç zaman dilimli LSTM sezici her durumda geleneksel sezicilerden hata başırımı açısından üstündür. Fakat iki zaman adımlı LSTM sezicide spektral verimlilik korunduğundan ötürü tercih edilmiştir. Bir erişim noktası (Access Point-AP) ve çok sayıda nesnelerin interneti (Internet of Things-IoT) cihazının bulunduğu yukarı yönlü NOMA haberleşme sisteminde geleneksel seziciler kullanıldığında kullanıcılar arası girişimden ötürü hata performansı kötüleşmekte, hatta performans eğrileri hata katına uğramaktadır. Önerilen LSTM tabanlı sezicide bu etki görülmemektedir. Önerilen DLD , geleneksel sezicilerden başarılı olup, eğitilene eşit yada daha az kullanıcı sayısında dahi iyi performans sergilemektedir. Yukarı yönlü NOMA haberleşme sisteminde de aşağı yönlü NOMA haberleşme sisteminde olduğu gibi LSTM seziciler yerine CNN seziciler kullanılarak tasarım gerçekleştirilmiştir.Yukarı yönlü NOMA haberleşme sisteminde BS'de alınan işaret ve anlık kanal katsayıları ile denkleştirilmiş işaretin bileşke işaret matrisinden CNN ağı ile kullanıcı sembolleri ortak sezilmiştir. Yukarı yönlü NOMA sisteminde DLD ile hata performansları MLD ve SICD/MLD'nin hata performanslarında bazı durumlarda daha üstün olmaktadır. Çok kullanıcılı dikgen frekans bölmeli çoğullama (Orthogonal Frequency Division Multiplexing-OFDM)-NOMA haberleşme sisteminlerinde alıcıda kanal durum bilgisi (Channel State Information-CSI) elde edebilmek için tarak tipli (comb type) ve blok tipli (block type) olmak üzere iki pilot yerleşimi mevcuttur. Alıcıda bu pilot yerleşimleri ile alınan pilot işaretlerden kanal kestirilir. Daha sonra geleneksel seziciler ile NOMA kullanıcı sembolleri sezilmektedir. Önerilen LSTM tabanlı sezicide ise yine bu pilot yerleşimleri kullanılarak ek bir kanal kestirimi olmadan kullanıcı sembolleri ortak olarak sezilebilmektedir. Önerilen LSTM tabanlı DLD, SICD ve SICD/MLD'den hata başarımı açısından üstündür. Öte yandan önerilen DLD, çevrimiçi sezim yapılırken kullanıcı sayısı eğitim kullanıcı sayısından daha az olduğu durumda ve farklı kanal koşullarında çevrimdışı olarak eğitilmiş olduğu durumlarda dahi geleneksel sezicilerden daha iyi performans sağlamaktadır. Ortamda çoklu röle, bir adet kaynak ve hedef düğümden oluşan çöz ve aktar (decode and forward-DF) protokolü kullanan işbirlikli haberleşme sistemlerinde geleneksel maxmin yöntemiyle en iyi röle seçilebilmektedir. Fakat bu yöntem işlem yükü getirmektedir. Bu işlem yükünü hafifletebilmek adına, CNN tabanlı en iyi röle seçim algoritması geliştirilmiştir. Önerilen CNN yardımlı röle seçim algoritmasıyla maxmin en iyi röle seçim algoritması hata performansı açısından karşılaştırılmıştır. DL yardımlı röle seçimi algoritması, geleneksel maxmin en iyi röle seçimi algoritmasından hata performansı açısından daha başarılıdır.
Özet (Çeviri)
Deep Learning (DL) is a set of multi-layered artificial neural network algorithms that perform machine learning algorithms. DL techniques, which have types such as supervised, unsupervised and reinforcement learning, have a wide range of applications. In recent years, DL networks have been widely used in physical level communication systems due to reasons such as increasing error performance and reducing computation complexity. In this study, supervised learned DL networks have been used at Non-orthogonal Multiple access (NOMA), Cooperative-Non Orthogonal Multiple Access (C-NOMA), Threshold based Cooperative-Non Orthogonal Multiple Access (TBS-C-NOMA), Docoded and Forward (DF) Cooperative Communication which are techologies of new generation communication systems. In this thesis, firstly, error performance effects have been studied by using DL-based detectors instead of traditional detectors in downlink NOMA techniques. Long Short Term Memory (LSTM) based detector has been designed for the two-user downlink NOMA system. First of all, the error performance effects have been investigated by using DL-based detectors instead of traditional detectors in non-orthoganal multiple access (NOMA) techniques. An LSTM based detector have been designed for the two-user downlink NOMA system. Error performances are similar with conventional maximum likelihood detector (MLD) and successive interference canceler based detectors (SICD). Thus, the complexity of the process concerned with SICD and MLD has been eliminated and it has been revealed that DL can be used as an alternative in communication systems. In another system model C-NOMA and TBS-C-NOMA systems near user has been used as relay and far user has been used as target node. In cooperative non-orthogonal multiple access (C-NOMA) and threshold-based cooperative non-orthogonal multiple access systems (TBS-C-NOMA), the LSTM-based detector has been designed to detect both user symbols. Near user is used as relay while far user is used as target node. Far user can decode the symbols of both users with MLD and SICD/MLD. All these operations increase the computation complexity of the system. In addition, symbols have been transmitted from the near user to the far user by error propagation. With the proposed LSTM-based detector, symbols of both users can be detected in near user. On the other hand, far user can detect their own symbols without using MLD and MRC by LSTM based detector. On the other hand, designed system prevents error propagation in TBS-C-NOMA and has been also more successful than C-NOMA and TBS-C-NOMA in terms of error performance. In downlink NOMA communication system, error performance has been evaluated with a Convolutional Neural Network (CNN) instead of LSTM detector. At the receiver joint user symbols have been detected by using CNN which of input is resultant signal matrix that has been composed of received signal and signal eqalized by instantaneous channel coefficients. In downlink NOMA system, the error performances with DLD have been similar with MLD and SICD/MLD. Proposed DLD outperforms existing algorithms and performs well even with less than or equal to trained users. In uplink NOMA communication system, as in the downlink NOMA communication system, the design has been impelemented by using CNN detectos instead of LSTM detectors, In uplink NOMA communication system joint user symbols have been detected by using CNN which of input is resultant signal matrix that has been composed of received signal at the BS and signal eqalized by instantaneous channel coefficients. In uplink NOMA system, error performances with DLD has been superior to those of MLD and SICD/MLD in some cases. In multi-user Orthogonal Frequency Division Multiplexing (OFDM)-NOMA communication systems, there are two pilot insertion, comb type and block type, in order to obtain Channel State Information (CSI) at the receiver. At the receiver, channel has been estimated from these pilot signals received with these pilot insertions. NOMA user's symbols are then detected by conventional detectors. In the proposed LSTM-based detector, user symbols can be detected jointly without any additional channel estimation by using these pilot insertions. The proposed LSTM-based DLD has been superior to SICD and SICD/MLD in terms of error performance. On the other hand, the proposed DLD provides better performance than traditional detectors when performing online detection, even when the number of users is less than the number of training users and when they are trained offline under different channel conditions. In cooperative communication systems using Decode and Forward (DF) protocol consisting of multiple relays, a source and a destination node, best relay can be selected by traditional maxmin method. However, this method imposes a processing complexity. In order to prevent this processing complexity, CNN asisted best relay selection algorithm has been developed. The proposed CNN assisted relay selection algorithm and maxmin best relay selection algorithm have been compared in terms of error performance. The DL assisted relay selection algorithm is more successful than the traditional maxmin best relay selection algorithm in terms of error performance.
Benzer Tezler
- Sayısal modülasyonlu işaretlerin radyometre ve derin öğrenme yöntemleri ile tespiti ve başarımı
Empirical analysis of the performance of radiometer and deep learning methods for digitally modulated signals
GAMZE KİRMAN TOKGÖZ
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Ticaret ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERHAN YARKAN
- Akıllı yüzeyler tabanlı işbirlikli haberleşme sistemlerinin performansının derin öğrenme yöntemleri ile incelenmesi
Investigation of the performance of intelligent surfaces-based cooperative communication systems with deep learning methods
BÜLENT SAĞIR
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HACI İLHAN
DOÇ. DR. ERDOĞAN AYDIN
- Deep learning aided data detectionfor future wireless communication systems
Gelecek nesil telsiz haberleşme sistemleri içinderin öğrenme yardımıyla data tespiti
MERVE TURHAN
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Artificial intelligence based detection schemes for secure wireless communication
Güvenli telsiz iletişimin sağlanmasına yönelik yapay zeka tabanlı sınıflandırma metotları
SELEN GEÇGEL
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNEŞ ZEYNEP KARABULUT KURT
- New edge computing offloading methods for next generation wireless networks
Yeni nesil haberleşme sistemleri için geliştirilen kenar ağlarda bilgi işlem yük boşaltma yöntemleri
BESTE ATAN
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. LÜTFİYE DURAK ATA