Artificial intelligence based resource allocation in cell-free networks
Hücresiz ağlarda yapay zeka tabanlı kaynak tahsisi
- Tez No: 824101
- Danışmanlar: DR. ÖĞR. ÜYESİ ESRA AYCAN BEYAZIT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 101
Özet
Teknolojinin hızla gelişmesiyle birlikte hücresel ağlar artık kablosuz ağların taleplerini karşılayamaz hale gelmiştir. Her kullanıcı ekipmanının (UE) doğru ve verimli hizmet almasını sağlamak için iletişim sistemlerinin güncellenmesi gerekmektedir. Hücresiz (CF) ağlar, hücresel ağlara göre daha esnek kaynak tahsisi, daha yüksek kapasite, daha iyi kapsama alanı ve daha düşük parazit gibi avantajlar sunar. Birden fazla erişim noktasının (AP) konuşlandırılması ve esnek kaynak tahsisi, daha yüksek ağ performansı ve verimliliğine yol açar. Buna ek olarak, CF ağlarında kullanıcılar etraflarına yayılmış AP'lerle iletişim kurabilir ve daha homojen bir kapsama alanı elde edebilir. Girişimin azaltılması ve kaynakların daha verimli kullanılması UE'lerin deneyimini iyileştirir ve ağ kapasitesini artırır. Bu tezde, farklı makine öğrenimi ve derin öğrenme algoritmaları keşfedilerek CF ağları için iki farklı kaynak tahsisi problemi incelenmiştir. İlk kaynak tahsisi probleminde, Katip Çelebi Üniversitesi kampüsü için farklı sınıflandırma yöntemleri kullanılarak ve karşılaştırılarak verimli bir AP seçim şeması araştırılmıştır. İkinci kaynak tahsisi probleminde, CF ağlarının toplam spektral verimliliğini (SE) artırmak için güç tahsisi incelenmiştir. SumSE güç tahsisinin konveks optimizasyon problemini ele alarak oluşturulan veri kümesini eğitmek için üç farklı makine öğrenimi (ML) tekniği kullanılmıştır. Derin Sinir Ağı (DNN), Işık Gradyanı Güçlendirme Makinesi (LightGBM) ve Evrişimsel Sinir Ağı (CNN) ML modelleridir. ML modelleri, kanal kazanç değerlerine dayalı SE tahminini kolaylaştırır. Sayısal olarak hesaplanan SE değerleri ML modelleri ile karşılaştırılmıştır. Karşılaştırmalar en iyi ML modelinin önerilmesine yol açmaktadır.
Özet (Çeviri)
With the rapid development of technology, cellular networks can no longer meet the demands of wireless networks. Communication systems need to be updated to ensure that every user equipment (UE) receives accurate and efficient service. Cell-free (CF) networks offer advantages over cellular networks, such as more flexible resource allocation, higher capacity, better coverage and lower interference. The deployment of multiple access points (APs) and flexible allocation of resources leads to higher network performance and efficiency. In addition, in CF networks, users can communicate with APs spreaded around them, achieving more homogeneous coverage. Reducing interference and utilizing resources more efficiently improve UEs experience and increases network capacity. In this thesis, two different resource allocation problems for CF networks have been investigated by exploring different machine learning and deep learning algorithms. In the first resource allocation problem, an efficient AP selection scheme has been explored by using and comparing different classification methods for the campus of Katip Celebi University. In the second resource allocation problem, power allocation has been studied to increase the total spectral efficiency (SE) of the CF networks. Three different machine learning (ML) techniques have been used to train the generated dataset addressing the convex optimization problem of SumSE power allocation. Deep Neural Network (DNN), Light Gradient Boosting Machine (LightGBM) and Convolutional Neural Network (CNN) are the ML models. ML models facilitate SE estimation based on channel gain values. The numerically calculated SE values have been compared with the ML models. The comparisons lead to the recommendation of the best ML model.
Benzer Tezler
- Offloading decision with mobility-aware for mobile edge computing in 5G networks
5g şebekesinde mobil kenar bilgi işlem için mobilite bilinci ile aktarma kararları
SAEID JAHANDAR BONAB
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERGEN
- Farklı makine öğrenmesi yöntemleri ile enerji piyasasında yerel marjinal fiyat tahmini
Local marginal price forecasting using different machine learning approaches
BAŞAK ERSÖZ YILDIRIM
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. OZAN ERDİNÇ
- The performance evaluation of ai based resource allocation algorithms for donwlink NOMA systems
Aşağı yönlü NOMA sistemlerinde yapay zeka tabanlı kaynak tahsis algoritmalarının performans analizi
EDA KURT KARAKUŞ
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Yapay zeka ile acil hasta sayılarının tahmini edilmesi: Bingöl Devlet Hastanesi örneği
Estimating the number of emergency patients with artificial intelligence: Bingöl State Hospital example
MUHAMMET NAİF BARUT
- Resource allocation mechanisms for end-to-end delay optimization of 5G URLLC services
5G URLLC hizmetlerinin uçtan uca gecikme optimizasyonu için kaynak aktarım mekanizmaları
HASAN ANIL AKYILDIZ
Doktora
İngilizce
2024
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
DR. İBRAHİM HÖKELEK