Geliştirilmiş noma ve OQAM modülasyonlu 5G ağları için aı destekli sınr tahmini
Ai driven sinr prediction for enhanced noma and OQAM modulated 5G networks
- Tez No: 933815
- Danışmanlar: DR. ÖĞR. ÜYESİ SELİN NACAKLI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Doğrusal öngörü analizi, Five-Generation Wireless Telephone Technology, Linear prediction analysis
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezin odak noktası, Non-Orthogonal Multiple Access (NOMA) ve Offset Quadrature Amplitude Modulation (OQAM) teknolojilerini kullanarak 5G sinyal kalitesini iyileştirmek ve çeşitli makine öğrenimi modelleri kullanarak yapay zeka destekli SINR tahminleri yapmaktır. Karmaşık 5G iletişim senaryolarında en önemli zorluklar, spektral verimlilik, girişim yönetimi ve tüm sistemin performansıdır. Bu araştırma, burada bir referans noktası olarak tanımlanan ve ortogonal çoklu erişim (OMA) olarak bilinen bir temel modelin kavramsallaştırılmasından başlamaktadır. Bu, NOMA ve OQAM teknikleri ile entegre edilmiş bazı ileri düzey modeller geliştirmemize ve bunları ayrı ayrı test edip değerlendirmemize ilham vermiştir. Ardından, veri güvenilirliğini artırmak için sinyal-girişim-artı-gürültü oranını (SINR) maksimize etmek amacıyla NOMA ve OQAM'ı entegre eden önerilen hibrit bir model geliştirilmiştir. Yapay zeka (YZ) modellerinin, örneğin sinir ağlarının, SINR tahminleri yapmak için kullanıldığı farklı yöntemler, kanal koşullarındaki büyük değişimlere rağmen yüksek performans sağlamayı amaçlamıştır. Sonuçlar, hibrit NOMA-OQAM yaklaşımının, SINR ve genel sistem performansı açısından geleneksel ve bağımsız yöntemlere kıyasla üstün olduğunu göstermektedir. Ayrıca, sonuçlar, bir sonraki nesil kablosuz ağların gereksinimlerini karşılamak için uyumlu, akıllı stratejiler geliştirilmesinde YZ tekniklerinin kullanılmasının önemini vurgulamaktadır. Temel yöntemler ile son teknoloji yöntemlerin detaylı karşılaştırılmasıyla bu tez, 5G ve ötesi için YZ destekli SINR tahmin ve iyileştirme çalışmalarında gelecekteki keşifler için bir temel oluşturmaktadır.
Özet (Çeviri)
The focus of this thesis is to improve 5G signal quality by using Non-Orthogonal Multiple Access (NOMA) and Offset Quadrature Amplitude Modulation (OQAM) technologies and making AI-driven SINR prediction using various machine learning models. In complex 5G communication scenarios, the most pressing challenges are spectral efficiency, interference management, and the performance of the entire system. This research starts from the conceptualization of a baseline model, which is defined here as Orthogonal Multiple Access (OMA) and serves as a benchmark. This motivated us to develop some advanced models integrated with NOMA and OQAM technologies, which were tested and evaluated separately. This was followed by a proposed hybrid model that incorporated NOMA and OQAM to maximize the signal-to-interference-plus-noise ratio (SINR) for data reliability. Different schemes of artificial intelligence (AI) models, such as neural networks, were used to make SINR predictions, ensuring high performance despite substantial variations in channel conditions. The results show that the hybrid NOMA-OQAM approach outperforms conventional and standalone methods in terms of SINR and overall system performance. Furthermore, the results emphasize the need to use AI techniques to drive the development of adaptive, intelligent strategies to satisfy the requirements of next-generation wireless networks. With its thorough juxtaposition of baseline versus state-of-the-art methodologies, this thesis also lays the groundwork for future explorations in AI-augmented SINR prediction and enhancement for 5G and beyond.
Benzer Tezler
- Haberleşme ağlarında MIMO NOMA çoklu erişim için değişken gönderici-alıcı anten seçimi
Variable transmitter-receiver antenna selection for MIMO NOMA in wireless networks
BİRCAN DEMİRAL
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZGÜR ERTUĞ
- Kod uzay çoklama yöntemi alıcı verici anten seçimi ile bit hata oranı azaltımı ve kapasite artırımı
Bit error rate minimizing and capacity maximizing code space multiplexing method with receiver transmitter antenna selection
MUSA CİVİL
Doktora
Türkçe
2019
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZGÜR ERTUĞ
- Efficient multi-access techniques for 5G and beyond networks
5G ve ötesi ağlar için verimli çoklu erişim teknikleri
SHAIMA' SAMIH SALEEM ABIDRABBU
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN ARSLAN
- Index modulation based designs, error performance and physical layer security analyses for unmanned aerial vehicle networks
İnsansız hava aracı ağları için indis modülasyonu tabanlı tasarımlar, hata performansı ve fiziksel katman güvenlik analizleri
AYŞE BETÜL BÜYÜKŞAR
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM ALTUNBAŞ
- 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
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. MEHMET KEMAL ÖZDEMİR