Geri Dön

Representation learning based downlink channel covariance matrix estimation for FDD massive mimo

FDD kitlesel mimo için gösterim öğrenimi tabanlı aşağı bağlantılı kanal kovaryans matrisi kestirimi

  1. Tez No: 900052
  2. Yazar: MELİH CAN ZERİN
  3. Danışmanlar: PROF. DR. ALİ ÖZGÜR YILMAZ, DOÇ. DR. ELİF VURAL AGHAEI MAZAHERI
  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 ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 82

Özet

Bu tezde, baz istasyonunun (BS) düzgün doğrusal dizi (ULA) anten yapısına sahip olduğu frekans bölmeli çift yönlü (FDD) kitlesel çok girdili çok çıktılı (MIMO) haberleşme sistemleri için aşağı bağlantılı (DL) kanal kovaryans matrisi (CCM) kestirimi için bir algoritma önerilmektedir. Açısal karşılıklılık nedeniyle yukarı bağlantılı (UL) CCM ile DL CCM arasındaki doğal benzerlikten faydalanılmıştır. UL CCM'nin bir eşleme fonksiyonu ile DL CCM'ye eşlendiği bir ortam ele alınmıştır. Öncelikle, yüksek tahmin performansı elde etmek için eşleme fonksiyonunun Lipschitz düzenliliğinin önemine dikkat çeken bir eşleme fonksiyonu oluşturarak doğrusal olmayan bir gömülümü öğrenmenin teorik hata analizi sunulmuştur. Daha sonra, kestirim probleminin çözümü için, bu teorik temele dayanan bir gösterim öğrenme algoritması önerilmektedir. Bu algoritmada, UL CCM'leri DL karşılıklarına eşlemek için Gaussian RBF kernel interpolasyon fonksiyonları eşleme fonksiyonu olarak seçilmiştir. Önerilen algoritma, eğitim veri setindeki DL CCM ve UL CCM örnekleri arasında bir regresyon modeline uyan ve UL CCM uzayındaki verilerin yerel geometrik yapısını koruyan, aynı zamanda eşleme fonksiyonunun Lipschitz sürekliliğini teorik bulgularımız ışığında açık bir şekilde düzenleyen bir amaç fonksiyonun optimizasyonuna dayanmaktadır. Önerilen algoritma, simülasyonların gösterdiği üzere üç hata metriği açısından literatürdeki yöntemleri geride bırakmaktadır.

Özet (Çeviri)

In this thesis, we propose an algorithm for downlink (DL) channel covariance matrix (CCM) estimation for frequency division duplexing (FDD) massive multiple-input multiple-output (MIMO) communication systems with base station (BS) having a uniform linear array (ULA) antenna structure. We make use of the inherent similarity between the uplink (UL) CCM and the DL CCM due to angular reciprocity. We consider a setting where the UL CCM is mapped to the DL CCM by a mapping function. We first present a theoretical error analysis of learning a nonlinear embedding by constructing a mapping function, which points to the importance of the Lipschitz regularity of the mapping function for achieving high estimation performance. Then, based on the theoretical ground, we propose a representation learning algorithm as a solution for the estimation problem, where Gaussian RBF kernel interpolators are chosen to map UL CCMs to their DL counterparts. The proposed algorithm is based on the optimization of an objective function that fits a regression model between the DL CCM and UL CCM samples in the training dataset and preserves the local geometric structure of the data in the UL CCM space, while explicitly regulating the Lipschitz continuity of the mapping function in light of our theoretical findings. The proposed algorithm surpasses benchmark methods in terms of three error metrics as shown by simulations.

Benzer Tezler

  1. Array processing and optimization techniques of beamforming and resource allocation for enhanced spectral efficiency in 5g and beyond systems

    5g ve ötesı sıstemlerının hüzmeleme ve spektral verımlılığının vektör íşleme ve optımızasyon ıle gerçekleştırılmesı

    NANN WIN MOE THET NANN WIN MOE THET

    Doktora

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Medipol Üniversitesi

    Elektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı

    Assoc. Prof. Dr. MEHMET KEMAL ÖZDEMİR

  2. An unsupervised learning approach to seismic waveform classification via representation learning

    Gösterim öğrenme yoluyla seismik dalga formu sınıflandırması için denetimsiz öğrenme yaklaşımı

    ONUR EFE

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Fizik ve Fizik MühendisliğiBoğaziçi Üniversitesi

    Fizik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ARKADAŞ İNAN ÖZAKIN

  3. Disentangled representation learning in isolated sign language recognition

    İzole işaret dili tanımada ayrıştırılmış temsil öğrenimi

    İPEK ERDOĞAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İNCİ MELİHA BAYTAŞ

  4. Deep learning based three dimensional face expression recognition using geometry images from three dimensional face models

    Üç boyutlu yüz modellerinden elde edilen geometri görüntüleri kullanılan derin öğrenme tabanlı üç boyutlu yüz ifadelerini tanıma

    NEŞE GÜNEŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ULUĞ BAYAZIT

  5. Self-supervised representation learning with graph neural networks for region of interest analysis in breast histopathology

    Meme histopatolojisinde ilgi alanı gösterimlerinin çizgesel sinir ağları ile kendinden gözetimli öğrenimi

    YİĞİT ÖZEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SELİM AKSOY