Geri Dön

Deep learning based channel equalization for mimo isi channels

Çoklu giriş çoklu çıkış sistemlerde semboller arası girişim kanalları için derin öğrenme tabanlı kanal eşitleme

  1. Tez No: 757060
  2. Yazar: BERKE EREN
  3. Danışmanlar: PROF. DR. TOLGA METE DUMAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: İhsan Doğramacı Bilkent Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 94

Özet

Geleceğin kablosuz iletişiminin; 5G, sanal gerçeklik, uç hesaplama, nesnelerin interneti gibi bir dizi yeni teknolojiyle birlikte önemli değişiklikler getirmesi bekleniyor. Bu gelişmeler, kablosuz iletişim ve sistemlerde kapasite, kapsama alanı, gecikme, verimlilik, esneklik, uyumluluk, deneyim kalitesi açısından gittikçe artan talepler doğurmaktadır. Makine öğrenimi (ML) teknikleri; büyük verileri yönetme, doğrusal olmayan eşlem ve dağıtılmış bilgi işlem yeteneği nedeniyle bu zorluğun üstesinden gelmek için çok umut verici bir araç olarak kabul ediliyor. Makine öğrenimi algoritmalarının farklı yönlerini ve bunların kablosuz iletişimle olan bağlantılarını ele alan birçok araştırma bulunsa da hala ele alınması gereken çeşitli problemler vardır. Özellikle hafızalı iletişim sistemleri için kullanımları tam olarak araştırılmamıştır. Bu motivasyonla, bu tez özellikle semboller arası girişim (ISI) kanalları için derin öğrenme methodlarını ele almaktadır ve bu çözümleri çoklu giriş çoklu çıkış sistemleri (MIMO) için de genişletmektedir. Bu tezde, ISI kanalları için derin öğrenme (DL) tabanlı kanal eşitleme algoritmaları öneriyoruz. Biz üç farklı derin öğrenme tabanlı ISI dedektör modellerini (Sli-BiLSTM, Sli-MLP, Sli-Iterative) tanıtıyoruz ve bunların hesaplama açısından daha verimli olduklarını ve temel kanal modelini bilerek çeşitli kanal koşulları altında algılama gerçekleştirebileceklerini gösteriyoruz. Ayrıca sabit ISI kanalları ile kullanımı daha uygun olan Sli-BiGRU ve Sli-MLP modellerini kullanıyoruz. Buna ek olarak, MIMO ISI kanalları için de DL tabanlı eşitleme tekniklerini de inceliyoruz. Sayısal sonuçlar, önerilen modellerin, ISI uzunluğu aşırı olmadığı sürece, tam veya hatalı kanal bilgisiyle (CSI) ve geniş bir sinyal-gürültü oranı (SNR) seviyelerinde ISI kanallarının eşitlemesi için oldukça uygun olduğunu göstermektedir. Ayrıca önerilen derin öğrenme tabanlı ISI dedektörlerinin, Viterbi algoritması ile uygulanan maksimum olabilirlik dizisi tespiti (MLSE) olan optimal çözüme çok daha az karmaşıklığa sahip olurken oldukça yakın performans gösterdiği ve MMSE-tabanlı kanal eşitleme yöntemine göre üstün performansa sahip olduğu gösterilmiştir.

Özet (Çeviri)

Future wireless communications is expected to bring significant changes along with a number of emerging technologies such as 5G, virtual reality, edge computing, and IoT. These developments pose unprecedented demands in terms of capacity, coverage, latency, efficiency, flexibility, compatibility, and quality of experience on wireless communication systems. Machine Learning (ML) techniques are considered as a promising tool to tackle this challenge due to their ability to manage big data, powerful nonlinear mapping, and distributed computing capabilities. There have been many research results addressing different aspects of ML algorithms and their connections to wireless communications; however, there are still various challenges that need to be addressed. In particular, their use for communication systems with memory, is not fully investigated. With this motivation, this thesis considers an application of ML, in particular, deep learning (DL), techniques for communications over intersymbol interference (ISI) channels. In this thesis, we propose DL-based channel equalization algorithms for channels with ISI. We introduce three different DL-based ISI detectors, namely sliding bidirectional long short term memory (Sli-BiLSTM), sliding multi layer perceptron (Sli-MLP), and sliding iterative (Sli-Iterative), and demonstrate that they are computationally efficient and capable of performing equalization under a variety of channel conditions with the knowledge of the channel state information. We also employ sliding bidirectional gated recurrent unit (Sli-BiGRU) and Sli-MLP, which are more suitable for use with fixed ISI channels. As an extension, we also examine DL-based equalization techniques for multiple-input multiple-output (MIMO) ISI channels. Numerical results show that proposed models are well suited for equalization of ISI channels with perfect as well as noisy CSI for a broad range of signal-to-noise ratio (SNR) levels as long as the ISI length is not excessive. It is also shown that the proposed DL-based ISI detectors perform very close to the optimal solution, namely, the maximum likelihood sequence estimation, implemented through the Viterbi Algorithm while having considerably less complexity, and they have superior performance compared to MMSE-based channel equalization.

Benzer Tezler

  1. Deep learning aided data detectionfor future wireless communication systems

    Gelecek nesil telsiz haberleşme sistemleri içinderin öğrenme yardımıyla data tespiti

    MERVE TURHAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN ALİ ÇIRPAN

  2. 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

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. TOLGA METE DUMAN

  3. Bitki görüntülerindeki zararlı böceklerin derin öğrenme ile tanınması

    Deep learning-based recognition of insect pests in plant images

    ŞEVVAL EZGİ EZE

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SELCAN KAPLAN BERKAYA

  4. Derin öğrenme tabanlı yöntemlerle düşük ışıklı görüntü iyileştirme

    Low light image enhancement with deep learning based methods

    EMİN CİHANGİR US

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ENDER METE EKŞİOĞLU

  5. Kablosuz haberleşme sistemlerinin fiziksel katmanında yapay zeka uygulamaları

    Applications of artifical intelligence in the physical layer of wireless communication systems

    BURAK TÜRER

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiAydın Adnan Menderes Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MÜMTAZ YILMAZ