5G new radio millimeter-wave beam tracking using deep learning
Derin öğrenmeyi kullanarak 5G yeni radyo millimetre dalgalar ışın takibi
- Tez No: 841682
- Danışmanlar: PROF. DR. ADNAN KAVAK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Bilim Dalı
- Sayfa Sayısı: 92
Özet
Yüksek tanımlı video akı¸sı, artırılmı¸s gerçeklik, sanal gerçeklik, teletıp ve Nesnelerin ˙Interneti gibi gelece˘gin kablosuz ileti¸sim sistemlerinde yo˘gun veri kullanan uygulamaların ço˘galması, ara¸stırmacıların sıkı performans gereksinimlerini kar¸sılayan sofistike çözümler bulmaları için önemli bir zorluk te¸skil eder. 6 GHz'in altındaki radyo dalgası spektrumunun tıkanıklı˘gı göz önüne alındı˘gında artan veri taleplerini kar¸sılamak için milimetre dalga/terahertz bant spektrumlarının kullanımı potansiyel bir çözüm olarak ortaya çıkmaktadır. mmWave/THz ileti¸simi, 5G ve ötesinde kablosuz a˘glarda yüksek hızlı veri iletimi için gelecek vaat eden bir teknolojidir. Ancak, mmWave ileti¸simindeki en büyük zorluk, yüksek yol kaybı, kırılma, kırınım ve tıkanmaya yatkınlık nedeniyle verici ile alıcı arasında güvenilir bir ileti¸sim ba˘glantısını sürdürmektir. I¸sın yönlendirmesi, kablosuz ileti¸sim sistemlerinde yol kaybı sorununu ele almak için kullanılan oldukça güçlü bir tekniktir. Odaklanmı¸s bir enerji demeti alıcıya yönlendirilerek, alıcıda yol kaybının etkilerini etkili bir ¸sekilde azaltan maksimum sinyal-gürültü oranı (SNR) elde edilir. Ancak, ı¸sın yönlendirmenin etkinligi do˘gru ı¸sın takibi ile yakından ili¸skilidir. Bu durum yüksek hızlı senaryolarda zorlayıcı olabilir. Bu zorlu˘gun üstesinden gelmek için, bu tez çalı¸smasında mmDalga ileti¸siminde ı¸sın takibi için bir derin ö˘grenme tabanlı çözüm önerilmektedir. Önerilen çözüm, sırasıyla zaman özellikleri çıkarımı ve ı¸sın takibi yapmak için iki derin ögrenme algoritması olan Evri¸simli Sinir A˘gları (CNN) ve Uzun Kısa Dönem Bellek (LSTM) yöntemlerini birle¸stirmektedir. CNN, alınan sinyalden öznitelikleri çıkarmak için kullanılırken, kullanıcı yüksek hızda hareket ederken sık ı¸sın e˘gitiminden kaçınmak için ı¸sın izleme için LSTM'den yararlanılır. Önerilen makine ö˘grenimi modeli, Geni¸sletilmi¸s Kalman Filtresi (EKF), CNN ve ek bir LSTM katmanına sahip CNN gibi geleneksel tekniklerle kar¸sıla¸stırılmı¸stır. DeepMIMO, mmWave ve Çoklu Giri¸s Çoklu Çıkı¸s (MIMO) ileti¸sim sistemlerinde makine ö˘grenimi ara¸stırmalarını kolayla¸stırmak için geli¸stirilmi¸s bir araçtır. Önerilen modelleri e˘gitmek için Kablosuz Site ve ı¸sın izleme ortamlarına dayalı olarak olu¸sturulan DeepMIMO veri seti kullanılmı¸stır. Simülasyonlar MATLAB ortamında çalı¸stırılmı¸stır. Önerilen modelleri e˘gitmek için Python'da bir makine ö˘grenimi kitaplı˘gı olan PyTorch kullanılmı¸stır. Simülasyon sonuçları, önerilen 2 LSTM katmanlı CNN modelinin, hüzme olu¸sturma kazancı, do˘gruluk ve çapraz entropi kaybı açısından en son teknolojiye sahip muadillerine kıyasla daha iyi sonuçlar elde edebildi˘gini göstermektedir. Önerilen çözüm, mmWave ileti¸simindeki sık yapılan ı¸sın e˘gitimi yükünü azaltır ve özellikle yüksek hızlı senaryolarda daha güvenilir ve verimli hale getirir. Genel olarak, mmWave ileti¸simlerinde ı¸sın izleme için önerilen derin ö˘grenme tabanlı çözümün, mmWave sistemlerinin pratik uygulaması için önemli etkileri vardır. Artırılmı¸s/sanal gerçeklik, otonom sürü¸s ve 5G mobil a˘glar gibi yüksek veri hızlı uygulamaların gerçekle¸stirilmesine olanak tanıyarak, özellikle yüksek hızlı senaryolarda mmWave ileti¸siminin güvenilirli˘gini ve verimlili˘gini potansiyel olarak artırabilir.
Özet (Çeviri)
The proliferation of data-intensive applications in future wireless communication systems such as high-definition video streaming, augmented reality, virtual reality, telemedicine, and Internet of Things, has posed a significant challenge for researchers to find sophisticated solutions that meet the stringent performance requirements. Considering the congestion of the radio wave spectrum below 6 GHz, the use of millimeter wave/terahertz band spectra emerges as a potential solution to meet the increasing data demands. mmWave/THz communication is a promising technology for high-speed data transmission in 5G and beyond wireless networks. However, the major challenge in mmWave communication is maintaining a reliable communication link between the transmitter and receiver due to path loss, refraction, diffraction, and susceptibility to blockage. Beamforming is a very powerful technique utilized to address the above challenges in wireless communication systems, by directing a focused beam of energy towards the receiver, the maximum signal-to-noise ratio (SNR) is achieved at the receiver, which effectively mitigates the effects of path loss. However, the effectiveness of beamforming is highly related to accurate beam tracking which can be a challenging task in high speed scenarios. To overcome this challenge, a deep learning-based solution for beam tracing in mmWave communication is proposed in this thesis. The proposed solution combines two deep learning algorithms, Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) for temporal feature extraction and beam tracking, respectively. While CNN is used to extracting features from the received signal, LSTM is exploited for beam tracking to avoid frequent beam training when the user is moving at high speed. The proposed machine learning model is compared with traditional techniques such as the Extended Kalman Filter (EKF), CNN, and CNN with an additional LSTM layer. DeepMIMO is a tool that developed to facilitate machine learning research in mmWave and Multiple Input Multiple Output (MIMO) communication systems. DeepMIMO data-set generated based on Wireless Site and ray-tracing environments is utilized to train the proposed models. The simulations for data generation were run in the MATLAB environment, PyTorch, a machine learning library in Python, was used to train the proposed models. The simulation results demonstrate that the proposed CNN with 2 LSTM layer model can achieve better results in terms of beamforming gain, accuracy , and cross entropy loss compared to state-of-the-art counterparts. The proposed solution reduces the frequent beam training overhead in mmWave communications, making it more reliable and efficient, particularly in high-speed scenarios. Overall, the proposed deep learning-based solution for beam tracking in mmWave communications has significant implications for the practical deployment of mmWave systems. It can potentially enhance the reliability and efficiency of mmWave communication, particularly in high-speed scenarios, enabling the realization of high data rate applications such as augmented/virtual reality, autonomous driving, and 5G mobile networks.
Benzer Tezler
- 4x1 MIMOompact half duplex RF T / R module with high resolution in 130 nm SiGe BiCMOS for 5G applications
5G uygulamaları için 130 nm SiGe BiCMOS'da yüksek çözünürlüklü 4x1 MIMO kompakt yarım dubleks RF T / R modülü
ABDURRAHMAN BURAK
Doktora
İngilizce
2021
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YAŞAR GÜRBÜZ
- 5G kablosuz iletişim sistemleri için aşağı dönüşüm Gilbert hücre mikser tasarımı
Down-conversion Gilbert cell mixer design for 5G wireless communications systems
FATMANUR TALAY
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA BERKE YELTEN
- Physical layer techniques for 5G and beyond wireless systems
5G ve ötesi kablosuz sistemler için fiziksel katman teknikleri
ABUU BAKARI KIHERO
Doktora
İngilizce
2024
İletişim Bilimleriİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı
PROF. DR. HÜSEYİN ARSLAN
- From media-based modulation to reconfigurable intelligent surfaces: Novel index modulation solutions
Ortam-tabanlı modülasyon'dan uyarlanabilir akıllı yüzeylere: Özgün indis modülasyon çözümleri
ZEHRA YİĞİT
Doktora
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERTUĞRUL BAŞAR
PROF. DR. İBRAHİM ALTUNBAŞ
- Modulation options for OFDM-based waveforms
OFDM tabanlı dalga biçimleri için modülasyon seçenekleri
AHMAD MOHAMMAD ABD-ALGHANI JARADAT
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı
PROF. DR. HÜSEYİN ARSLAN