Deep learning beamspace channel estimation in millimeter-wave massive MIMO systems
Başlık çevirisi mevcut değil.
- Tez No: 826022
- Danışmanlar: DR. ÖĞR. ÜYESİ AYÇA KURNAZ TÜRKBEN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 61
Özet
Milimetre dalga0 muazzam MIMO0, lider 5G teknolojisidir0 çünkü birçok kullanıcıyı barındırabilir. Bir lens anten dizisi kullanan devasa MIMO0, RF zincirlerini ve güç0 tüketimini azaltır0. Yine de, çok sayıda 0 anten ve azalan sayıda RF0 zinciri, düşük karmaşıklığa0 sahip kanalın tahmin edilmesini zorlaştırarak sistemi kesin kanal durumu bilgisine güvenmeye zorlar. Hüzme alanı kanallarının seyrek olduğu gerçeğinden yararlanılarak, huzme alanı kanalının tahmini, seyrek sinyal geri kazanımında 0 bir meydan okuma olarak görülebilir. Bunu yapabildiklerinin kanıtı olarak, AMP0, LAMP0 ağı ve IGM-LAMP0 ağının savunucuları, üçünün de makul işleme karmaşıklığı ile çok yüksek seviyelerde kanal tahmin doğruluğu elde ettiğini belirtiyor. Ancak, çoklu yol modeli göz önüne alındığında, şu anda bilinen hiçbir yaklaşım, yeterli bir tahmin ve karmaşıklık çarpımları miktarı üretemedi. Bu nedenle, ışın uzayı kanal tahmini adı verilen bir tekniğe dayanan, Geliştirilmiş Gaussian0 Mixture0 LAMP (IGM-LAMP0) adlı yeni bir algoritma öneriyoruz. Simülasyon bulguları, önerilen IGM-LAMP0 yaklaşımının, teorik kanalı ve Derin öğrenme0 modellerini kullanarak, düşük karmaşıklığa0 sahip çok yollu bir modelde daha kesin olan bir kanal tahmini üretebileceğini göstermektedir.
Özet (Çeviri)
Millimetre-wave0 massive MIMO0 is the leading 5G technology0 because it can accommodate many users. Massive MIMO0 using a lens antenna array reduces RF chains and power0 consumption0. Yet, the large number of0 antennas and diminishing number of RF0 chains make it difficult to predict the channel with low complexity0, forcing the system to rely on exact channel state information. Taking use of the fact that beamspace channels are sparse, one may see the estimation of the beamspace channel as a0 challenge in sparse signal recovery0. As evidence that they were able to do so, proponents of the AMP0, LAMP0 network, and IGM-LAMP0 network point out that all three have achieved very high levels of channel estimation accuracy with reasonable processing complexity. But, when considering the multiple routes model, no currently known approaches were able to generate a sufficient estimation and amount of complexity multiplications. Thus, we propose a new algorithm, called the Improved Gaussian0 Mixture0 LAMP (IGM-LAMP0), which is based on a technique called beamspace channel estimation. Simulation findings demonstrate that the proposed IGM-LAMP0 approach, by employing the theoretical channel and Deep learning0 models, can generate a channel estimate that is more precise in a many routes model with low complexity0.
Benzer Tezler
- Deep learning enhanced microscopy by training a convolutional neural network and a generative adversarial network with data collected using a line scanning confocal microscope
Başlık çevirisi yok
AMIR MOHAMMAD KETABCHI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ALPER KİRAZ
- 3 boyutlu veriler üzerinde derin öğrenme yaklaşımları
Deep learning approaches on 3D data
FURKAN ŞENYURT
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs ÜniversitesiBilgisayar Yazılımı Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL İŞERİ
- Deep learning-based building segmentation using high-resolution aerial images
Yüksek çözünürlüklü hava görüntüleri kullanarak derin öğrenme temelli bina bölütlemesi
BATUHAN SARITÜRK
Doktora
İngilizce
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Endüstriyel nesnelerin internetinde derin öğrenme ve dempster shafer teorisine dayalı karar verme
Deep learning and dempster shafer theory based decision-making in the industrial internet of things
NADER EBRAHIMPOUR
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUĞRUL ÇAVDAR
- Cloud-based diagnosis of refrigerant leakage fault of chiller using virtual sensor residuals assisted xgboost algorithm
Soğutma sistemlerinin soğutucu akışkan sızıntısı arızasının sanal sensör farkı destekli xgboost algoritması ile bulut tabanlı tespiti
BURKAY ANDUV
Yüksek Lisans
İngilizce
2022
Fizik ve Fizik MühendisliğiShanghai Jlao Tong UniversityMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZHIMIN DU