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
- Tez No: 830760
- Danışmanlar: PROF. DR. TOLGA METE DUMAN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Telekomünikasyon - Sinyal İşleme Bilim Dalı
- Sayfa Sayısı: 132
Özet
Geleneksel iletişim sistemi tasarımı, basit ve anlaşılabilir kanal ve sinyal modelleri kullanarak ilgili performans ölçütlerini optimize etmeyi amaçlayan model tabanlı bir yaklaşım benimser. Örneğin, kanal kodları basit eklemeli beyaz Gauss veya sönümlü kanal modelleri için tasarlanır, kanal eşitleme algoritmaları semboller arası girişim (ISI) için matematiksel modellere dayanır ve kanal tahmin teknikleri altta yatan kanal istatistikleri ve karakterizasyonları göz önünde bulundurularak geliştirilir. Üstün matematiksel modeller ve sinyal işleme ve bilgi teorisindeki uzman bilgisi kullanılarak, model tabanlı yaklaşım oldukça başarılı olmuş ve şimdiye kadar birçok iletişim sisteminin geliştirilmesini sağlamıştır. Öte yandan, 5G'nin ötesinde kablosuz iletişim sistemleri çok sayıda antenden, daha yüksek bant genişliklerinden ve daha gelişmiş çoklu erişim teknolojilerinden daha fazla yararlanacaktır. İletişim sistemleri giderek daha karmaşık hale geldikçe, model tabanlı yaklaşımın sınırlarının ötesine geçmek giderek daha önemli hale gelmektedir. Geçtiğimiz on yıllarda verilerden öğrenme konusunda muazzam ilerlemeler kaydedildiğine dikkat çekildiğinde, makine öğrenimi temelli yaklaşımların yeni iletişim teknolojileri geliştirmek için kullanılıp kullanılamayacağı önemli bir araştırma olmaktadır. Yukarıdaki motivasyonla bu tez, kablosuz iletişimdeki çeşitli zorluklar için derin sinir ağı (DNN) çözümlerinin geliştirilmesini ele almaktadır. İlk olarak, standart kanal tahmin ve denkleştirme tekniklerinin performansının taşıyıcılar arası girişim (ICI) nedeniyle önemli ölçüde düştüğü, hızla değişen çok yollu kanallar üzerinde çalışan ortogonal frekans bölmeli çoğullamayı (OFDM) ele almaktayız. Hem kanal kestirimi hem de veri demodülasyonu için DNN mimarileri tasarlayarak genel sistem performansını iyileştirmeye odaklanıyoruz. Buna ek olarak, genel verimliliği iyileştirmek amacıyla döngüsel önek ekleme olmadan frekans seçici kanallar üzerinde çalışan OFDM'yi inceliyoruz. Özellikle, gelişmiş sembol tespiti için ISI ve ICI etkilerini azaltmak üzere tekrarlayan bir sinir ağı tasarlıyoruz. Ayrıca, sonlu alfabe girişlerine sahip çok girişli çok çıkışlı çok antenli gizli dinleme kanalları üzerinden güvenli iletimi araştırıyoruz. Gizlilik oranını en üst düzeye çıkarmak için, bağımsız akışlar elde etmekte genelleştirilmiş tekil değer ayrıştırmasından yararlanan ve gerekli güç tahsisi problemini çözmekte DNN'lerin fonksiyon yaklaştırma yeteneklerini kullanan doğrusal bir ön kodlayıcı kullanıyoruz. Ayrıca veri ön kodlayıcısını ve yapay gürültü enjeksiyonuna tahsis edilen gücü birlikte çözen bir DNN tekniği öneriyoruz. Önerilen çözümlerin etkinliğini göstermek için kapsamlı sayısal örnekler ve hesaplama karmaşıklığı analizleri kullanıyoruz.
Özet (Çeviri)
Traditional communication system design takes a model-based approach that aims to optimize relevant performance metrics using somewhat simple and tractable channel and signal models. For instance, channel codes are designed for simple additive white Gaussian or fading channel models, channel equalization algorithms are based on mathematical models for inter-symbol interference (ISI), and channel estimation techniques are developed with the underlying channel statistics and characterizations in mind. Through utilizing superior mathematical models and expert knowledge in signal processing and information theory, the model-based approach has been highly successful and has enabled development of many communication systems until now. On the other hand, beyond 5G wireless communication systems will further exploit the massive number of antennas, higher bandwidths, and more advanced multiple access technologies. As communication systems become more and more complicated, it is becoming increasingly important to go beyond the limits of the model-based approach. Noting that there have been tremendous advancements in learning from data over the past decades, a major research question is whether machine learning based approaches can be used to develop new communication technologies. With the above motivation, this thesis deals with the development of deep neural network (DNN) solutions to address various challenges in wireless communications. We first consider orthogonal frequency division multiplexing (OFDM) over rapidly time-varying multipath channels, for which the performance of standard channel estimation and equalization techniques degrades dramatically due to inter-carrier interference (ICI). We focus on improving the overall system performance by designing DNN architectures for both channel estimation and data demodulation. In addition, we study OFDM over frequency-selective channels without cyclic prefix insertion in an effort to improve the overall throughputs. Specifically, we design a recurrent neural network to mitigate the effects of ISI and ICI for improved symbol detection. Furthermore, we explore secure transmission over multi-input multi-output multi-antenna eavesdropper wiretap channels with finite alphabet inputs. We use a linear precoder to maximize the secrecy rate, which benefits from the generalized singular value decomposition to obtain independent streams and exploits function approximation abilities of DNNs for solving the required power allocation problem. We also propose a DNN technique to jointly optimize the data precoder and the power allocation for artificial noise. We use extensive numerical examples and computational complexity analyses to demonstrate the effectiveness of the proposed solutions.
Benzer Tezler
- Yeni nesil haberleşme sistemlerinde derin öğrenme tabanlı sezici tasarımı ve başarım analizi
Deep learning based detector design and performance analysis in new genration communication systems
AHMET EMİR
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiZonguldak Bülent Ecevit ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAKAN KAYA
- A new approach to satellite communication: Harnessing the power of reconfigurable intelligent surfaces
Uydu iletisimine yeni bir yaklaşım: Yeniden yapılandırılabı̇lı̇r akıllı yüzeylerden faydalanma
KÜRŞAT TEKBIYIK
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNEŞ ZEYNEP KARABULUT KURT
- Masif MIMO sistemlerde pilot atama ve pilot güç tahsisi optimizasyon algoritmaları ile pilot kirliliğinin azaltılması
The optimization algorithms of pilot assignment and pilot power allocation to mitigate pilot contamination in massive MIMO systems
MUHAMMET PAKYÜREK
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELMAN KULAÇ
- 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
- Secure and coordinated beamforming in 5G and beyond systems using deep neural networks
5G ve ötesi sistemlerde derin sinir ağları kullanarak güvenli ve koordineli hüzmeleme
UTKU ÖZMAT
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET AKİF YAZICI
DR. ÖĞR. ÜYESİ MEHMET FATİH DEMİRKOL