Kablosuz haberleşme ağlarında makine öğrenmesi tabanlı kanal kestirimi
Machine learning based channel estimation for wireless communication networks
- Tez No: 964743
- Danışmanlar: DOÇ. DR. İLHAN BAŞTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Manisa Celal Bayar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 78
Özet
Kablosuz iletişim sistemlerinin gelişimi, özellikle Ortogonal Frekans Bölmeli Çoklama (OFDM) tabanlı sistemlerde, daha doğru ve sağlam kanal kestirim tekniklerine olan ihtiyacı artırmıştır. En Küçük Kareler (LS) ve En Küçük Ortalama Karesel Hata (MMSE) gibi geleneksel kestirim yöntemleri hesaplama açısından verimli olsa da, dinamik kanal koşulları, gürültü ve çok yollu yayılma altında performans kaybına uğramaktadır. Bu sınırlamaları aşmak amacıyla, bu çalışma OFDM sistemlerinde geliştirilmiş kanal kestirimi için derin öğrenme (DL) modellerinin uygulanmasını araştırmaktadır. Özellikle LS, MMSE, Uzun Kısa Süreli Bellek (LSTM), Çift Yönlü LSTM (BiLSTM), Evrişimli Sinir Ağı (CNN) ve hibrit CNN-LSTM ağı olmak üzere çeşitli modeller MATLAB ortamında karşılaştırılmıştır. Simülasyon yapısı, farklı Sinyal-Gürültü Oranı (SNR) seviyelerinde QPSK ve 16-QAM modülasyonlarını içermektedir. DL modelleri, pilot semboller ve karşılık gelen kanal yanıtlarından oluşan büyük veri kümeleriyle eğitilmiştir. Başarımlar Ortalama Kare Hata (MSE) ve Bit Hata Oranı (BER) metriklerine göre değerlendirilmiştir. Sonuçlar, özellikle hibrit CNN-LSTM mimarisinin geleneksel kestirimcilere kıyasla daha yüksek doğruluk ve gürültüye karşı dayanıklılık sağladığını göstermektedir. CNN uzamsal özellikleri çıkarırken, LSTM zamansal ilişkileri yakalayarak tahmin performansını artırmaktadır. Bu çalışma, OFDM sistemlerine DL modellerinin entegrasyonunun, kestirim doğruluğu ve sağlamlığının önemli ölçüde artırabileceğini kanıtlamaktadır.
Özet (Çeviri)
The advancement of wireless communication systems has brought about an urgent need for more accurate and robust channel estimation techniques, especially in Orthogonal Frequency Division Multiplexing (OFDM)-based systems. Traditional estimation methods, such as Least Square (LS) and Minimum Mean Square Error (MMSE), although computationally efficient, often suffer from performance degradation under dynamic channel conditions, noise, and multipath fading. To address these limitations, this research explores the application of deep learning (DL) models for enhanced channel estimation in OFDM systems. Specifically, this study implements and compares several models: LS, MMSE, Long Short-Term Memory (LSTM), Bidirectional LSTM (BiLSTM), Convolutional Neural Network (CNN), and a hybrid CNN-LSTM network. The simulation setup utilizes MATLAB and incorporates QPSK and 16-QAM modulation schemes under various Signal-to-Noise Ratio (SNR) levels. The DL models are trained using large datasets comprising pilot symbols and corresponding channel responses. Performance is evaluated using Mean Square Error (MSE) and Bit Error Rate (BER) metrics. The results demonstrate that the proposed deep learning models, particularly the hybrid CNN-LSTM architecture, significantly outperform traditional estimators by providing superior channel tracking and noise resilience. The CNN effectively extracts spatial features while LSTM captures temporal dependencies, resulting in improved accuracy across low to high SNR regions. This work confirms that integrating DL models into OFDM systems can substantially enhance estimation accuracy and robustness, making them viable solutions for next-generation wireless communication technologies.
Benzer Tezler
- Smart spreading factor assignment for lorawans
Lorawan'lar için akıllı yayılma faktörü ataması
TUĞRUL YATAĞAN
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SEMA FATMA OKTUĞ
- Nesnelerin interneti teknolojisinde kablosuz sensör ağları için enerji verimli K-means optimizasyonu
Energy efficient K-means optimization for wireless sensor networks in IoT technology
MELDA SANCAKLI
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. TANSAL GÜÇLÜOĞLU
DOÇ. DR. TAMER DAĞ
- Deep learning aided data detectionfor future wireless communication systems
Gelecek nesil telsiz haberleşme sistemleri içinderin öğrenme yardımıyla data tespiti
MERVE TURHAN
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Intelligent health monitoring in 6G networks: Machine learning-enhanced VLC-based medical body sensor networks
6G ağlarında akıllı sağlık izleme: Makine öğrenmesi destekli VLC tabanlı medikal vücut sensör ağları
BİLAL ANTAKİ
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik MühendisliğiIşık ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. FARSHAD MİRAMİRKHANİ
- Secure and coordinated beamforming in 5G and beyond systems using deep neural networks
5G ve ötesi sistemlerde derin sinir ağları kullanarak güvenli ve koordineli hüzmeleme
UTKU ÖZMAT
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET AKİF YAZICI
DR. ÖĞR. ÜYESİ MEHMET FATİH DEMİRKOL