Noma tabanlı bilişsel radyo haberleşme sistemlerinde derin öğrenme yöntemleri ile ergodik kapasite tahmini başarım analizi
Ergodic capacity estimation with deep learning methods in noma based cognitive radio communication system
- Tez No: 738858
- Danışmanlar: DOÇ. DR. MUSTAFA NAMDAR, DR. ÖĞR. ÜYESİ ARİF BAŞGÜMÜŞ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Kütahya Dumlupınar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 91
Özet
Bu tez çalışmasında, bilişsel radyo (BR) tabanlı dikgen olmayan çoklu erişim tekniği (NOMA) sistem modelinde, yakın kullanıcıya ait toplam ergodik kapasite değerinin, önerilen ileri beslemeli geri yayılımlı yapay sinir ağı (YSA) ve doğrusal olmayan dışsal girdili otoregresif ağ (NARX) modeli ile tahmin edilmesi amaçlanmıştır. Sinir ağında kullanılan veri seti üstel sönümleme kanalı karakteristiği ile modellenen BR-NOMA sistem modelinden elde edilmiştir. Ele alınan BR-NOMA sistem modeli üzerinden toplanan veri seti girdileri, yol kaybı katsayısı, güç paylaşım katsayısı, sinyal gürültü oranı (SNR), kaynak-röle-hedef arasındaki uzaklık ve ikinci kullanıcıya ait güç değerinin, birinci kullanıcıya ait güç değerine oranından oluşmaktadır. Denetimli öğrenme yöntemi kullanılarak tasarlanan YSA'ya girdi ve çıktı verileri öğretilerek ağın daha önce hiç tanımamış olduğu test verileri üzerinden yakın kullanıcıya ait ergodik kapasite tahmini yapılmıştır. YSA ve NARX sinir ağları başarımı değerlendirilirken eğitim süresi, iterasyon sayısı, ağın doygunluğa ulaşmaması durumları göz önünde bulundurulmuştur. Yakın kullanıcıya ait gerçek ergodik kapasite değeri ile, ileri beslemeli geri yayılımlı YSA ve NARX ağlarının tahmin etmiş olduğu değerler karşılaştırılmıştır. Sinir ağlarının eğitim işlemi için epok değeri 1000 alınmıştır. Önerilen sinir ağlarının Levenberg-Marquardt, Bayesian ve Scaled – Conjugate eğitim algoritmaları altındaki performans analizi, hatanın minimuma ulaştığı epok değer grafiği, hata histogram analizi ve training state analizi incelenmiştir. İleri yönlü geri beslemeli YSA modeli için yakın kullanıcıya ait ergodik kapasite değerinin kestirimi en yüksek doğruluk oranı Bayesian algoritması ile elde edilmiştir. Ayrıca eğitim süreleri göz önüne alındığında en hızlı algoritmanın Levenberg-Marquardt olduğu, en yavaş algoritmanın ise Bayesian algoritması olduğu sonucuna ulaşılmıştır. Benzetim sonuçlarından çıkarımla, ergodik kapasite kestiriminin, ağın aşırı öğrenmeye uğramaması ve algoritmanın hızlı çalışması göz önünde bulundurulduğunda ileri yönlü geri beslemeli YSA ile Levenberg-Marquardt eğitim algoritması kullanılarak elde edildiği sonucuna ulaşılmıştır. İleri beslemeli geri yayılımlı YSA ile eğitim veri seti doğruluğu %95,934, doğrulama veri seti doğruluğu %95,830 ve test veri seti doğruluğu %95,511 olarak elde edilmiştir. Önerilen sinir ağı modellerinin, yapılan analizler ve elde edilen tüm sonuçlar incelendiğinde istenilen yüksek doğruluğu elde ettiği, algoritma hesaplama hızının artılmasına fayda sağladığı, algoritma karmaşıklığının azaltılmasına imkan vererek gerçek zamanlı sistemler için hesaplama sürelerini azalıp ve bir çok doğrusal olmayan haberleşme problemenin çözümü için araştırmacılara rehberlik sağlayacağı öngörülmektedir.
Özet (Çeviri)
In this thesis, the total ergodic capacity of the near user in cognitive radio (CR) based non-orthogonal multiple access technique (NOMA) system models are estimated by the proposed feed-forward back propagation artificial neural network and nonlinear autoregressive exogenous model (NARX). The data set used in the neural network is obtained from the CR-NOMA system model, which is modeled with the exponential fading channel characteristic. The dataset entries collected through the CR-NOMA system model discussed consist of the path loss coefficient, power allocation coefficient, SNR, the distance between source-relay-destination, and the ratio of the power value of the second user to the power value of the first user. By entering and training output data into the artificial neural network designed using the supervised learning method, the ergodic capacity of the near user is estimated via test data that the network has never been introduced to before. While evaluating the performance of ANN and NARX, the training time, the number of iterations and the saturation of the network were taken into account. The actual ergodic capacity value of the near user is compared with the predicted values of feed-forward backpropagation ANN and NARX networks. The epoch value of 1000 was taken for the training process of the neural networks. The performance analysis of the proposed neural networks under Levenberg-Marquardt, Bayesian, and Scaled-Conjugate training algorithms, epoch value graph, error histogram analysis, and training state analysis where the error reaches the minimum are examined. For the feed-forward, backpropagation ANN model, the estimation of the ergodic capacity value of the near user was obtained with the Bayesian algorithm with the highest accuracy. In addition, considering the training times, it was concluded that the fastest algorithm is Levenberg-Marquardt, and the slowest algorithm is the Bayesian algorithm. From the simulation results, it is concluded that the ergodic capacity estimation is obtained by using the Levenberg-Marquardt training algorithm with feed-forward backpropagation ANN, considering that the network does not under-fitting overfitting and the algorithm works fast. When the trained system model is tested, total ergodic capacity is estimated at 95,934% accuracy for training data, 95,830% for validation data, and 95,511% for test data. With feedforward, backpropagation ANN, training dataset accuracy was 95.934%, validation dataset accuracy was 95.830, and test dataset accuracy was 95.511%. When the analysis and all the results obtained are examined, it is concluded that the proposed neural network models achieve the desired high accuracy and benefit from increasing the algorithm calculation speed. In addition, it is predicted that it will reduce the computation time for real-time systems by allowing the algorithm complexity to be reduced and provide guidance to researchers for solving many nonlinear communication problems.
Benzer Tezler
- Yeni hidrazon türevlerinin sentezlenmesi, radikal giderme aktivitelerinin ve insan serumundan saflaştırılan paraoksonaz-1 enzimi üzerine in vitro inhibisyon etkilerinin araştırılması
Yeni̇ hi̇drazon türevleri̇ni̇n sentezlenmesi̇, radi̇kal gi̇derme akti̇vi̇teleri̇ni̇n ve i̇nsan serumundan saflaştirilan paraoksonaz-1 enzi̇mi̇ üzeri̇ne i̇n vi̇tro i̇nhi̇bi̇syon etki̇leri̇ni̇n araştirilmasi
SAMİR ABBAS ALİ NOMA
- Age of information analysis and optimization in wireless networks
Kablosuz ağlarda bilgi yaşı analizi ve optimizasyonu
ALPER KÖSE
Doktora
İngilizce
2024
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. EMİN ANARIM
PROF. DR. MUTLU KOCA
- Optimum ber in non-orthogonal multiple access for 5G wireless technology
5G kablosuz teknolojisi için ortogonal olmayan çoklu erişimde optimum ber
AKTHAM HIKMAT NASER NASER
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Gelişim ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HALİT YAHYA
- Index modulation based designs, error performance and physical layer security analyses for unmanned aerial vehicle networks
İnsansız hava aracı ağları için indis modülasyonu tabanlı tasarımlar, hata performansı ve fiziksel katman güvenlik analizleri
AYŞE BETÜL BÜYÜKŞAR
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik-Haberleşme Eğitimi Ana Bilim Dalı
PROF. DR. İBRAHİM ALTUNBAŞ
- Senescence and immortality genes as markers of hepatocellular carcinogenesis
Hepatoselüler karsinogenez belirteci olarak yaşlanma ve ölümsüzlük genleri
AYÇA ARSLAN ERGÜL
Doktora
İngilizce
2009
Genetikİhsan Doğramacı Bilkent ÜniversitesiMoleküler Biyoloji ve Genetik Ana Bilim Dalı
PROF. DR. MEHMET ÖZTÜRK
