Use of artificial intelligence techniques to improvethe performance of massive MIMO and beamforming according to channel estimation
Başlık çevirisi mevcut değil.
- Tez No: 777136
- Danışmanlar: PROF. DR. HASAN HÜSEYİN BALIK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Kodlama, OFDM, Yapay zeka, Five-Generation Wireless Telephone Technology, Deep learning, Coding, Orthogonal frequency division multiplexing, Artificial intelligence
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Geleneksel algoritmaların çözemediği birçok sorun yapay zeka tarafından çözülmüştür ve alıcının belirli öğelerinin öğrenilmesiyle bazı faydalar elde edilirken, en uygun strateji, radyo iletişiminde de etkin bir şekilde kullanılan tüm alıcının birlikte öğrenilmesidir. Bunu yapmak için, frekans alanı sinyal akışından kodlanmış bitlere 5G uyumlu bir şekilde alıcı boru hattını uygulayan tamamen derin bir evrişimli sinir ağı öneriyoruz. Hem deneysel verileri hem de kodu kullanarak evrişimli sinir ağının girdilerini oldukça doğru bir şekilde üreterek, kanal tahminlerini mümkün kılıyoruz. Ayrıca derin evrişimli sinir ağı tarafından üretilen yumuşak bitler, 5G sistemlerinde kullanılan kanal kodlaması ile uyumludur. Rx-NN performansının, 3GPP'ye özgü kanal modellerini kullanan geleneksel tekniklerden daha iyi olduğunu gösterdik. Ayrıca, iyileştirilmiş performansın, muhtemelen Rx-NN'nin, tespit doğruluğunu artırmak için yerel sembol dağılımıyla birlikte belirsiz veri sembolleri elde etmek için bilinen takımyıldız konumlarından yararlanmayı öğrenme yeteneğinden ve kullanarak uçtan uca öğrenme kazanımlarını araştırmaktan kaynaklandığını gösteriyoruz. OFDM kullanan bir frekans ve zaman seçici sönümleme kanalı, bu, alıcıda tamamlanmamış bir kanal olduğunda AWGN kanallarında görünen modülasyon geliştirmeleri yoluyladır. Öğrenilen alıcı-vericinin etkili olduğuna inanıyoruz çünkü pilot sinyali ihtiyacını ortadan kaldırabilir ve demodülasyon sinyalleri ile ilişkili yükü ortadan kaldırabilir.
Özet (Çeviri)
Many problems that traditional algorithms cannot address have been solved by artificial intelligence, and while some benefits have been achieved by learning certain elements of the receiver, the optimal strategy is joint learning of the entire receiver, which has also been effectively used in radio communications. In order to do this, we propose a completely deep convolutional neural network that implements the receiver pipeline from the frequency domain signal stream to the encoded bits in a 5G compatible manner. By generating the inputs of the convolutional neural network in a highly accurate manner using both experimental data and code, we enable channel estimates. In addition, the soft bits produced by the deep convolutional neural network are compatible with the channel coding used in 5G systems. We show that the performance of Rx-NN is better than traditional techniques using 3GPP specific channel models. We further show that the improved performance is probably due to the ability of Rx-NN to learn to exploit known constellation locations to obtain obscure data symbols along with local symbol distribution to enhance detection accuracy, and by investigating end-to-end learning gains using a frequency and time- selective fading channel using OFDM, this is through modulation improvements that appear on AWGN channels when there is an incomplete channel in the receiver. We believe that the learned transceiver is effective because it can eliminate the need for pilots signal and remove the burden associated with demodulation signals.
Benzer Tezler
- Forecasting electric energy consumption using: Artificial intelligence: Case study using a new set of house holds in Iraq
Elektrik enerjisi tüketimini tahmin etme: Yapay zekâ: Irak'ta yeni bir ev evi kullanarak vaka çalışması
YAHYA HAFEDH ABDULAMEER ALSABBAGH
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ABDULLAHI ABDU IBRAHIM
- Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques
Yapay akıllı teknikleri kullanarak sensör tabanlı gerçek zaman tahminli bakım sistemi kurulması
RAGHAD MOHAMMED KHORSHEED
Doktora
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Makine öğrenmesinde değişken seçim yöntemlerinin karşılaştırılması: Ev enerjisi tüketim tahmini
Comparison of variable selection in machine learning methods: Household energy consumption estimation
NURİ BERK URAL
Yüksek Lisans
Türkçe
2024
İstatistikHacettepe Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. MERAL ÇETİN
- Deprem sonrasında binaların hasar tespitinde kullanılan yapay öğrenme algoritmalarının analizi
Analysis of machine learning algorithms used in post-earthquake building damage assessment
SERHAT MÜRSEL KÖROĞLU
Yüksek Lisans
Türkçe
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. CANER GÜNEY
- 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 ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM ALTUNBAŞ