Geri Dön

Low-complexity hardware-aware high dimensional channel estimator

Düşük kompleksiteye sahip donanım farkındalıklı yüksek boyutlu kanal kestirimi

  1. Tez No: 865654
  2. Yazar: AHMET ÇAĞRI AYDOĞDU
  3. Danışmanlar: DR. ÖĞR. ÜYESİ EREN BALEVİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 98

Özet

Derin üretken modeller son zamanlarda doğal dil işleme (NLP) ve bilgisayarla görmenin (CV) ötesinde büyük ilgi görmektedir. Bunun temel nedeni, üretken modellerin sentetik veri üretiminin uygulanabilir olduğu herhangi bir alanda kullanılabilmesidir. Bu gerçekten hareketle, bu tez MIMO-OFDM sistemlerinin uzamsal ve frekans korelasyonlarını kullanarak kanal tahmini için derin üretken modellerden yararlanmayı amaçlamaktadır. Spesifik olarak, öncelikle kanal verilerine göre uygun şekilde eğitilmiş bir GAN modelinin hem dar bant MIMO hem de MIMO-OFDM kanalları için MATLAB gibi bir simülasyon aracı tarafından oluşturulanlara kıyasla gerçekçi kanal örnekleri sağlayabileceği gösterilmiştir. Daha sonra, gerçekçi kanal örnekleri çıkaran üretici model içindeki bilgiler kanal tahmini için kullanılır. Kanal tahmini ile görevli düşük karmaşıklığa sahip cihazlarda derin üretken modeller kullanmanın yüksek hesaplama karmaşıklığı, kanal seyrekliğinden ve bazı doğrusallaştırmalardan yararlanan yeni algoritmalar geliştirilerek ele alınmaktadır. Sonuçlar, geniş bir sinyal-gürültü oranı (SNR) aralığında normalleştirilmiş ortalama kare hata (NMSE) açısından tahmin performansından ödün vermeden hesaplama karmaşıklığını önemli ölçüde azaltmanın ve çıkarımı 6 kat hızlandırmanın mümkün olduğunu göstermektedir. Önerilen yöntemler, son teknoloji sıkıştırılmış algılama algoritmaları ve eğitimden önce model boyutunun küçültülmesi ile karşılaştırılmış ve pilot sembollerin az olması durumunda üstünlükleri açıkça sunulmuştur. Üretken kanal tahmin edicisinin verimliliği doğrusal olmayan donanım bozuklukları altında da incelenmiştir. Daha açık bir ifadeyle, üretken tahmin edici, alınan sinyali önemli ölçüde bozan agresif bir kırpma politikasına tabidir. Böyle bir kırpma, düşük çözünürlüklü niceleme kullanımını kolaylaştırabilir ve alıcıda düşük karmaşıklıkta bir analog-dijital dönüştürücü (ADC) kullanılmasını sağlar. Bu doğrusal olmayan bozulmaya rağmen, kanal tahmin edicisinin performansı büyük ölçüde korunur.

Özet (Çeviri)

Deep generative models have recently garnered much interest beyond natural language processing (NLP) and computer vision (CV). This is mainly because generative models could be utilized in any domain where synthetic data generation is applicable. Motivated by this fact, this thesis aims to exploit deep generative models for channel estimation by utilizing the spatial and frequency correlations of MIMO-OFDM systems. Specifically, it is first shown that a properly trained generative adversarial network (GAN) according to channel data -- which can be termed as channel GAN -- can provide realistic channel samples for both narrowband MIMO and MIMO-OFDM channels compared to the ones created by a simulation tool, e.g., MATLAB. Then, the information within the generative model that outputs realistic channel samples is utilized for channel estimation. The high computation complexity of employing deep generative models at low complexity devices tasked with channel estimation is tackled by developing novel algorithms that leverage channel sparsity and some linearization. The results illustrate that it is possible to considerably decrease the computational complexity and speed up inference, e.g., 6 times without sacrificing the estimation performance in terms of normalized mean square error (NMSE) over a wide range of signal-to-noise ratios (SNRs). The proposed methods are compared with state-of-the-art compressed sensing algorithms and naively shrinking the model size before training, and their superiority is explicitly presented in the lack of pilot symbols. The efficiency of the generative channel estimator is studied under non-linear hardware impairments as well. More precisely, the generative estimator is subject to an aggressive clipping policy that significantly distorts the received signal. Such a clipping can facilitate employing low-resolution quantization and enables the use of a low-complexity analog-to-digital converter (ADC) at a receiver. Despite this non-linear distortion, the performance of the channel estimator is heavily preserved.

Benzer Tezler

  1. Karıştırma saldırılarında OFDM-IM tekniğinin performansı

    Performance of OFDM-IM Under jamming attacks

    AHMET KAPLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. İBRAHİM ALTUNBAŞ

  2. Quantization-aware greedy antenna selection for multi-user massive mimo systems

    Çok kullanıcılı masif mimo sistemleri için kantileştirme farkındalı greedy anten seçimi

    HASAN FALAH MAHDI MAHDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    Assist. Prof. Dr. SEFER KURNAZ

  3. Kutupsal kodlar ve uydu iletişimindeki başarımı

    Polar codes and their performance in satellite communication

    OĞUZHAN AYDOĞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. İBRAHİM ALTUNBAŞ

    DOÇ. DR. ALİ EMRE PUSANE

  4. Design of low complexity unsourced random access schemes over wireless channels

    Kablosuz kanallar üzerinde düşük karmaşıklıklı kaynaksız rastgele erişim şemalarının tasarımı

    MERT ÖZATEŞ

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. TOLGA METE DUMAN

  5. Oversampled distortion-aware precoding with efficient oob radiation control for quantized massive mimo and performance analysis

    Nicemleme ve aşırı örnekleme altında çalışabilen bozulmaya duyarlı oob emisyon kontrollü bir geniş-bant kitlesel mımo ön-kodlayıcı ve performans analizi

    YUSUF KARABACAKOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKHAN MUZAFFER GÜVENSEN