LSTM yöntemiyle RF sinyallerinde RTWP-enterferans tahmini
RTWP-interference forecasting in RF signals using LSTM method
- Tez No: 850792
- Danışmanlar: DOÇ. DR. CAFER BUDAK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde iletişim teknolojilerinin hızlı gelişimi, kablosuz haberleşme sistemlerinin toplumsal ve ekonomik yaşamdaki rolünü arttırmıştır. GSM (Global System for Mobile Communications) operatörlerinin temel hedefi, kullanıcılara kesintisiz iletişim sağlamaktır. Ancak, mobil iletişim altyapısının hızla büyümesiyle sinyal gücü ve sinyal kalitesindeki dalgalanmalar mobil kullanıcı üzerinde etkisini arttırmıştır. RTWP(Received Total Wideband Power) değeri ağın performansının önemli bir göstergesi olduğundan yüksek RTWP değerlerinin, iletişim kalitesinde düşüşe neden olduğu bilinmektedir. Uplink yönünde ölçülen RTWP değerlerinin tahmin edilmesi, baz istasyonuyla mobil terminal arasındaki kesintisiz iletişimi sağlamak için ağın optimize edilmesine yardımcı olmayı amaçlar. Bu şekilde, iletişim ağındaki girişim etkileri azaltılarak daha güvenilir bir iletişim sağlanabilir. Bu çalışma, bu sorunları ele alarak, UMTS (Universal Mobile Telecommunications System) teknolojili baz istasyonlarının uplink yönünde ölçülen RTWP (Received Total Wideband Power) değerlerini tahmin etmeyi amaçlamaktadır. Bu tahmin işlemi için LSTM (Long Short Term Memory) yöntemi kullanılmaktadır. Bu yöntem, RNN (Recurrent Neural Network) adı verilen bir tür yapay sinir ağıdır. Zaman serisi tahmin problemlerini modellemek için kullanılır. Şebeke problemlerini en aza indirmek için RTWP tahmini kullanabiliriz. Bu tahminler şebekede yapılacak optimizasyona karar vermede büyük ölçüde yardımcı olur. Eğitim verileri olarak, Şırnak Silopi'de bulunan UMTS teknolojili baz istasyonun uplink yönünde ölçülen RTWP verileri kullanılmıştır. LSTM tabanlı derin sinir ağının farklı hiperparametre değerleri ve katman sayıları denenerek en iyi performansın hangi koşullarda sağlandığı incelenmiştir. Test sonuçlarına göre, iki katmanlı ve tek katmanlı LSTM modellerinde Batch boyutu 64, iterasyon sayısı 100 değerde en düşük RMSE (Root Mean Square Error) elde edilmiştir. Bu sonuçlar, iletişim kalitesini artırmayı amaçlayan tahmin modelinin etkinliğini vurgulamaktadır.
Özet (Çeviri)
The rapid advancement of communication technologies today has amplified the societal and economic impact of wireless communication systems. The primary goal of GSM (Global System for Mobile Communications) operators is to provide uninterrupted communication to users. However, with the rapid growth of mobile communication infrastructure, fluctuations in signal strength and signal quality have increased their impact on mobile users. Since RTWP(Received Total Wideband Power) value is an important indicator of network performance, it is known that high RTWP values cause a decrease in communication quality. Predicting RTWP values in the uplink direction aims to facilitate the implementation of necessary measures to ensure uninterrupted communication between the base station and mobile terminals, thus reducing interference effects in the communication network for more reliable communication. This study aims to address these issues by focusing on predicting RTWP (Received Total Wideband Power) values in the uplink direction of UMTS (Universal Mobile Telecommunications System) technology-based base stations. The Long Short-Term Memory (LSTM) method, a type of Recurrent Neural Network (RNN), is employed for this prediction process. it used to model time series forecasting problems. We can use RTWP predictions to minimize network problems. These predictions greatly help in making decisions about network optimization. The training data comprises RTWP values measured in the uplink direction of UMTS technology-based base station in Silopi-Şırnak , which are then used for training the LSTM-based deep neural network. By experimenting with different hyperparameter values and layer configurations of the LSTM-based model, the study investigates the conditions under which the best performance is achieved. According to the test results, the lowest Root Mean Square Error (RMSE) value is obtained batch size 64, epochs 100 in the two-layer and one-layer LSTM models. These results underscore the effectiveness of the predictive model developed to enhance communication quality.
Benzer Tezler
- Mixed-data based initial orbit determination by using machine learning techniques
Yapay sinir ağları kullanılarak karma veri tabanlı ilk yörünge belirleme
ÖMER UTKU ÖRENGÜL
Yüksek Lisans
İngilizce
2025
Türk Hava Kurumu ÜniversitesiHavacılık ve Uzay Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Yazılım hata tahmin modellerinin açıklanabilir yapay zekâ ile incelenmesi
Analysis of software defect prediction models using explanable artificial intelligence
HALİME BAYRAKTAR
- Android işletim sistemlerinde zararlı yazılım tespitine yönelik hibrit analiz ve özellik seçimi temelli yaklaşım
A hybrid analysis and feature selection based approach to malware detection in android operating system
MESUT GÜN
- A comprehensive comparison of machine learning models for disease classification using symptom-based textual data
Semptom tabanlı metinsel verıler kullanılarak hastalıksınıflandırması için makine öğrenmesi modellerin kapsamlıbir karşılaştırması
MOAYAD SHAIKHAN MOHAMMED BAWAZEER
Yüksek Lisans
İngilizce
2026
Bahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Türkiye'de enflasyon oranının yapay zekâ ile tahmini: Makine öğrenmesi ve derin öğrenme yöntemlerinin karşılaştırılması
Forecasting of inflation rate with artificial intelligence in Türkiye: Comparison of machine learning and deep learning methods
YUNUS EDİZ
