Comparison of deep learning and conventional receiver design for a NOMA OFDM system
Bir NOMA OFDM sistemi için derin öğrenme ile geleneksel alıcı tasarımının karşılaştırılması
- Tez No: 772626
- Danışmanlar: DR. ÖĞR. ÜYESİ DİDEM KIVANÇ TÜRELİ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Ortogonal olmayan çoklu erişim (NOMA), Ortogonal Frekans Bölmeli Çoğullama (OFDM), Derin Öğrenme (DL), kanal tahmini, eşitleme, Non-orthogonal multiple access (NOMA), Orthogonal Frequency Division Multiplexing (OFDM), Deep Learning (DL), channel estimation, equalization
- Yıl: 2022
- Dil: İngilizce
- Üniversite: İstanbul Okan Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 40
Özet
Kullanıcı ve uygulama sayısı arttıkça, kablosuz ağlar yakın gelecekte çok büyük miktarda veri trafiğiyle dolup taşacak ve kullanıcı sayısı da artacaktır. OFDM ve MIMO gibi geleneksel Ortogonal Çoklu Erişim (OMA) teknolojileri, kullanıcılara verimli bir şekilde hizmet vermek için yeterli olmayacaktır. 5G ağlarında, Ortogonal Olmayan Çoklu Erişim (NOMA) bu soruna etkili bir çözüm olarak kabul edilir. NOMA, mobil iletişim ağlarının spektral verimliliğini ve kullanıcı adaletini artırabilir. Ancak NOMA sinyallerinin hesaplama açısından pahalı alıcı yapıları kullanılarak işlenmesi gerekir. Öncelikle sistemdeki tüm kullanıcıların deneyimlediği kanalın tahmin edilmesi gerekir. Ardından alıcının, Ardışık Girişim Önleme (SIC) gibi yinelemeli çok kullanıcılı bir alıcı algoritması kullanarak tüm kullanıcıların sinyallerini işlemesi gerekir. Ortaya çıkan hesaplama karmaşıklığı, vericideki kanal durumunun (CS) kusurlu bilgisi, birden fazla kullanıcı için frekans kayması ve faz titreşimi ve birden çok kaynaktan gelen parazit gibi komplikasyonlar nedeniyle her zaman mükemmel demodülasyon anlamına gelmez. Derin Öğrenme (DL), son zamanlarda büyük miktarda veri içeren birçok farklı uygulamada kullanılmaktadır. Bu tezde DL ile NOMA-OFDM bir sistem alıcısı tasarlanmıştır.
Özet (Çeviri)
As the number of users and applications increases, wireless networks are crowded with massive amounts of data traffic in the near future, with the number of users increasing. Conventional Orthogonal Multiple Access (OMA) technologies such as OFDM and MIMO will not be enough to serve users efficiently. In 5G networks, Nonorthogonal Multiple Access (NOMA) is considered to be an effective solution to this issue. NOMA can increase spectral efficiency and user fairness of mobile communication networks. However, NOMA signals need to be processed using computationally expensive receiver structures. First the channel experienced by all users in the system needs to be estimated. Then the receiver needs to process all users' signals using an iterative multi-user receiver algorithm such as Successive Interference Cancelation (SIC). The computational complexity incurred does not always mean perfect demodulation because of complications such as imperfect knowledge of the channels state (CS) in the transmitter, frequency offset and phase jitter for multiple users and interference from multiple sources. Deep Learning (DL) has been used recently in many different applications involving large amounts of data. In this thesis it is applied to the design of a NOMA-OFDM system receiver.
Benzer Tezler
- Next-generation MIMO systems: From index modulation to deep learning
Yeni nesil çok-girişli çok-çıkışlı sistemler: İndis modülasyonundan derin öğrenmeye
BURAK ÖZPOYRAZ
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERTUĞRUL BAŞAR
- Deep image prior based high resolution isar imaging for missing data case
Eksik veri için derin görüntü önceli tabanlı yüksek çözünürlüklü tyar görüntüleme
NECMETTİN BAYAR
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Missing data recovery in GPR with deep learning
Derin öğrenme ile GPR görüntülerinde veri kurtarma
KÜBRA TAŞ
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. IŞIN ERER
- Stratejik yönetim perspektifinden sigortacılık sektöründe makine öğrenmesi algoritmaları ile anomali tespiti
An application of machine learning to anomaly detection in insurance industry using strategic management approach
AYŞE NURBANU ŞAHAN
Yüksek Lisans
Türkçe
2020
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. TOLGA KAYA
- Determination of bone age assessment
Kemik yaşı belirlenmesinin değerlendirilmesi
DOĞACAN TOKA
Yüksek Lisans
İngilizce
2024
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜRVET KIRCI