Derin öğrenme yöntemlerinin çöz ve aktar tabanlı işbirlikli haberleşme sistemlerindeki performansının incelenmesi
Performance analysis of deep learning methods in decode and forward based cooperative communication systems
- Tez No: 709250
- Danışmanlar: DOÇ. DR. HACI İLHAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Haberleşme Bilim Dalı
- Sayfa Sayısı: 76
Özet
Makine öğreniminin en başarılı öğrenme yöntemlerinden derin öğrenme (deep learning) algoritmalarının görüntü işleme ve ses tanıma alanlarındaki başarısı, model olarak tasarımı karmaşık olan ve bununla beraber daha iyi performans değerleri elde etmek için başka sistemlere uygulanma fikrini doğurmuştur. Derin öğrenme son yıllarda doğal dil işleme ve medikal uygulamalar dahil birçok farklı alanda araştırmaların odak noktası haline gelmiş bulunmaktadır. Haberleşme alanındaki araştırmacılar, derin öğrenme algoritmalarındaki bu başarıyı haberleşme senaryoları ile birleştirerek hem daha az karmaşık modeller tasarlama hem de performans açısından daha iyi sonuçlar elde etmek gibi nedenlerden dolayı DL modellerini araştırmalarına dahil etmeye başlamışlardır. İşbirlikli haberleşme sistemleri sinyalin çok yollu yayılımından yararlanarak, alıcı anten tarafında farklı noktalardan gelen bir sinyalin farklı kopyalarını birleştirerek sinyal kalitesini artırmayı ve çeşitlilik kazancı elde etmeyi hedefler. Kanal kestirimi, alıcı tarafta elde edilen sinyalin, kanalın olumsuz etkilerinden kurtarmak için uygulanacak işlemler haberleşme sisteminde önemli bir yer tutar. Bu tez çalışmasında çöz ve aktar tabanlı tek röleden ve farklı röle seçim senaryolarını içeren bir işbirlikli haberleşme sisteminde derin öğrenme (DL) algoritmalarından çok katmanlı algılayıcı (MLP), konvolüsyonel sinir ağları (CNN) ve uzun-kısa vadeli bellek (LSTM) modelleri kullanılarak kanal kestirimi yapılmış ve en büyük olabilirlikli kestirim (MLE) yöntemi ile kıyaslanmıştır. İşbirlikli haberleşme sistemleri ve derin öğrenme algoritmaları başlıkları detaylı olarak ele alınmış olup, DL ile MLE yöntelerinin kanal kestirimi için elde edilen bit hata oranı ve kesinti analizi performanslarınin simülasyon sonuçları verilmiştir.
Özet (Çeviri)
The success of deep learning algorithms, which is one of the most successful learning methods of machine learning, for image processing and voice recognition has led to the idea of applying it to other fields, which are complex to design as a model, and to obtain better performance metrics. In recent years, deep learning has become an active research topic in many different fields, including natural language processing (NLP) and medical applications. To use the advantage of deep learning algorithms for communication scenarios, researchers in the field of communication have started to use DL models for their research for some reasons such as designing less complex models and getting better results in terms of performance. Cooperative communication systems aim to increase signal quality and achieve diversity gain by combining different copies of a signal coming from different points at the receiver side by utilizing multipath propagation of the signal. Channel estimation, the processes to be applied to build the signal obtained on the receiving side from the drawbacks of the channel, has an important place in the communication system. In this thesis, multilayer perceptron (MLP), convolutional neural networks (CNN) and long-short-term memory (LSTM) models from deep learning (DL) algorithms are used for channel estimation in a single relay based on decode and forward (DF) relaying and also for different relay selection scenarios by comparing DL models with the maximum likelihood estimation (MLE). Cooperative communication systems and deep learning algorithms are discussed in detail and the performance analysis of the presented models are given with the simulation results.
Benzer Tezler
- Derin öğrenme yöntemlerinin tıbbi teşhis alanında sorgulanması ve beyin tümörü tanısında uygulanması
Investigation of deep learning in medical image analysis and detection of brain tumor using novel adaptive momentum method
UTKU CAN AYTAÇ
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ GÜNEŞ
- Derin öğrenme yardımıyla araç sınıflandırma
Vehicle classification with deep learning
ZİYA TAN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GALİP AYDIN
- Evrişimli sinir ağlarında transfer öğrenmesi ile GANtarafından üretilen sahte görüntü tespiti
Detection of fake images generated by GAN using transfer learningin convolutional neural networks
ECE ECEMİŞ ELMACI
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KEMAL GÜNER
- Medical image classification with graph convolutional networks
Grafik konvolusiyonel ağlarla tıbbi görüntü sınıflandırması
PSHTIWAN QADER RASHID RASHID
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. İLKER TÜRKER
- Yanmış orman alanlarının belirlenmesinde derin öğrenme yöntemlerinin yanmış alan indeksleri ile karşılaştırılması: Hatay örneği
Comparison of deep learning methods for determining burnt forest areas with burnt area indices: The case of Hatay
REHA PAŞAOĞLU
Yüksek Lisans
Türkçe
2023
Bilim ve TeknolojiÇukurova ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
DOÇ. DR. NURİ EMRAHOĞLU