Geri Dön

Otokodlayıcı tabanlı kablosuz haberleşme için RIS optimizasyonu

Optimizing RIS for autoencoder-based wireless communication

  1. Tez No: 975394
  2. Yazar: ÖZNUR AYDOĞAN
  3. Danışmanlar: PROF. DR. MEHMET ERTUĞRUL ÇELEBİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Derin öğrenme, Kablosuz iletişim, Deep learning, Wireless communication
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Son yıllarda kablosuz haberleşme alanında dikkat çeken gelişmelerden biri Uyarlanabilir Akıllı Yüzeyler (RIS) olmuştur. RIS, radyo frekans işaretlerinin yayılımını yönlendirerek ve kablosuz haberleşmeyi optimize ederek ağ sistemine verimlilik sağlamayı hedeflemektedir. RIS, hem iç hem de dış mekanlardaki kablosuz haberleşmeyi geliştirmeyi amaçlar ve zorlu koşullarda işaret kalitesini artırma konusunda etkili olmaktadır. Bu teknoloji, görüş hattı (LoS) bağlantılarını engelleyen fiziksel engelleri aşarak kablosuz haberleşme sistemlerinin kapsama alanını ve spektral verimliliğini artırmaktadır. RIS'in yapısı, Pasif RIS ve Aktif RIS olmak üzere iki kategoriye ayrılmaktadır. Pasif RIS pratik olarak güç tüketmezken, Aktif RIS, aktif bileşenleri nedeniyle, yansıtılan işaretleri güçlendirmek için güç tüketmektedir. Ayrıca RIS, yansıtıcı, iletici ve hibrit olarak üç farklı çalışma moduna sahiptir. Yansıtıcı tip RIS, vericiden gelen işaretleri yansıtır ve vericiyle aynı taraftaki alıcılara yönlendirmektedir. İletici tip RIS, işaretleri vericiyle farklı taraftaki alıcılara iletmektedir. Hibrit RIS, hem vericiyle aynı taraftaki hem de farklı taraftaki alıcılara hizmet etmektedir. RIS teknolojisinin en önemli bileşenlerinden biri, RIS tasarımı yapılırken faz kayma açılarını optimize etmektir. Bu optimizasyon, alınan işaret gücünü maksimize etmek ve genel sistem performansını artırmak için oldukça önemlidir. Faz kayma açıları, gelen işaretlerin fazlarını hizalayacak şekilde ayarlanır ve böylece işaret gücü istenilen yönde yoğunlaşabilmektedir. Optimal faz kaymalarını belirlemek için çeşitli optimizasyon algoritmaları kullanılabilmektedir. Optimizasyon süreci genellikle faz kaymalarını ayarlayarak elde edilen işaret kalitesini değerlendirmeyi içerir ve en uygun yapılandırma elde edilene kadar devam etmektedir. Bu faz kayma optimizasyonu, haberleşme sisteminin verimliliği üzerinde önemli bir etkiye sahiptir. Faz açıları optimal seviyeye getirildiğinde, RIS çevresel koşullara ve kullanıcı konumlarına dinamik olarak uyum sağlayabilir ve yüksek kaliteli haberleşme bağlantılarını sürdürmektedir. Bu uyarlanabilirlik, çok sayıda engel ve değişen işaret yollarının bulunduğu karmaşık ortamlarda özellikle yararlı olmaktadır. Ayrıca, faz kayma optimizasyonu diğer işaretlerle girişimi azaltmaya katkıda bulunarak ağın genel spektral verimliliğini artırmaktadır. Ayrıca, RIS tasarımında kullanılan pasif yansıtıcı eleman sayısındaki artışa bağlı olarak hata performans oranı da iyileşmektedir. Yapay sinir ağlarının mimarisine dayanan derin öğrenme, bir makine öğrenimi yöntemidir. Derin öğrenme algoritmaları için insan beyni modellerine dayanan sinir ağları kullanılmaktadır. Derin öğrenme sinir ağları veya yapay sinir ağları, verileri öğrenmek ve işlemek için birbirine bağlı nöronları kullanan insan beyninde olduğu gibi, birlikte çalışan birçok nöron katmanından oluşmaktadır. Yapay nöronlar veya düğümler, matematiksel hesaplamalar yaparak verileri işleme kapasitesine sahiptir. Karmaşık sorunları çözmek için bu düğümleri kullanan yapay sinir ağları, derin öğrenme algoritmalarının bir parçasıdır. Derin öğrenme algoritmalarından biri olan otokodlayıcı da, kablosuz haberleşme sistemini temsil etmek için son çalışmalarda kullanılan bir modeldir. Otokodlayıcı tabanlı haberleşme sistemleri, verilerden öğrenme ve kablosuz ortamların değişen koşullarına uyum sağlama gibi birçok avantaja sahiptir. Bir otokodlayıcı, kanalın özelliklerini öğrenen ve işareti modüle eden bir kodlayıcıdan ve alınan gürültülü işaretten orijinal işareti yeniden oluşturan bir kod çözücüden oluşmaktadır. Temel olarak, otokodlayıcı modeli verileri vericide kodlar, kodlanmış verileri kanal üzerinden iletir ve ardından alıcıda kodunu çözmektedir. Başka bir açıdan bakıldığında, otokodlayıcılar verileri önce kodlayıp sonra çözen bir hata düzeltme tekniği olarak kullanılabilmektedir. Vericide kodlama işlemi, belirli algoritmalar aracılığıyla verilerin hata düzeltme kodlarıyla yapılmaktadır. Alıcıda kod çözme işlemi ise, kodlanmış verileri orijinal formuna dönüştürmeyi amaçlamaktadır. Bu yaklaşım, iletim kanalındaki gürültü, sönümleme ve diğer olumsuz faktörlerin neden olduğu hataları düzelterek alıcıdaki veri doğruluğunu artırmaktadır. Bu bağlamda, otokodlayıcılar kablosuz haberleşme sistemlerinde veri bütünlüğünü korumak ve hataları düzeltmek için kullanılabilmektedir. Kodlayıcı ve kod çözücü ortaklaşa eğitilerek verici ve alıcının birlikte optimize edilmesinin sonucu olarak alıcıda blok hata oranı iyileştirilmektedir. Bu çalışmada, otokodlayıcı tabanlı MIMO bir haberleşme sistemi tasarlanmış ve performansı farklı kanal kullanım sayıları ve olası giriş sayıları ile karşılaştırılmıştır. Karşılaştırma, gerçek haberleşme ortamlarını yansıtmak Rayleigh Sönümleme kanalı kullanılarak yapılmıştır. Simülasyon sonuçları, daha yüksek kanal kullanım sayısı ve olası giriş sayısına sahip otokodlayıcı tabanlı modelin daha üstün performans gösterdiğini göstermiştir. Sonrasında, otokodlayıcı tabanlı sisteme RIS entegre edilmiştir. Alıcı ile verici arasına yerleştirilen RIS destekli bu modelde, vericiden iletilen işaret RIS tarafından pasif olarak yansıtılarak alıcıya yönlendirilmektedir. İşaret gürültü oranını maksimize etmek için optimal faz kayma açılarını belirlemek amacıyla birim modüllü (unimodular) optimizasyon yöntemi uygulanmıştır. Optimizasyon sonucunda elde edilen faz açıları, RIS yansıtma katsayısı matrisinin köşegen elemanlarına yerleştirilmiştir. İlk adımda, alıcı ile RIS arasındaki kanal matrisi, RIS yansıtma katsayısı matrisi ve RIS ile verici arasındaki kanal matrisi çarpılmıştır. Bu çarpımın sonucu, vericiden çıkan işaret ile çarpıldıktan sonra, alıcıda alınan işaret elde etmek için gürültü eklenmiştir. Simülasyonlarda kullanılan kanal matrisleri Rayleigh Sönümleme kanal modeline uygun olarak üretilmiştir. RIS'in otokodlayıcı tabanlı modele entegrasyonu sonrasında, iki verici anteni ve iki alıcı anteni ile Rayleigh Sönümleme kanalı için simülasyonlar gerçekleştirilmiştir. RIS destekli otokodlayıcı tabanlı model, temel otokodlayıcı tabanlı modele kıyasla daha iyi performans göstermiştir. Ardından ise derin öğrenme ile optimal faz kaydırma açılarının tahmin edilebilmesi için iteratif yöntemde kullanılan kanal matrisleri ve onlara denk gelen optimal faz kaydırma açılarından bir eğitim veri seti oluşturulmuştur. Bu eğitim sonucunda kanal matrisleri girdi olarak alınarak optimal faz kaydırma açıları tahmin edilmiştir. Derin öğrenme ile elde edilen açılar kullanılarak da aynı simülasyonlar çalıştırılmıştır. Derin öğrenme ile tahmin edilen açıların kullanıldığı haberleşme sistemine göre iteratif olarak elde edilen açıların kullanıldığı haberleşme sisteminin daha iyi hata başarım oranına sahip olduğu görülmüştür. Bu çalışmanın bulguları, RIS ve otokodlayıcı tabanlı sistemlerin kablosuz haberleşmede birleşiminin önemli potansiyelini vurgulamaktadır. Faz kayma açılarını optimize ederek, RIS elemanlarının ve antenlerin sayısını artırarak, haberleşme sisteminin performansı, özellikle zorlu ortamlarda önemli ölçüde artırılabilmektedir. Haberleşme sisteminin RIS ile desteklenmesi, işaret kalitesini artırarak gürültü ve sönümleme nedeniyle meydana gelen hataları azaltarak daha güvenilir veri iletimini sağlar. Sonuç olarak, özellikle otokodlayıcı gibi ileri tekniklerle birleştirildiğinde, RIS, geleneksel kablosuz haberleşme sistemlerinin sınırlamalarını aşmada ve gelecekteki ağlarda daha yüksek verimlilik ve güvenilirlik sağlamada umut verici bir yaklaşımı temsil etmektedir.

Özet (Çeviri)

One of the most remarkable developments in the field of wireless communication in recent years has been Reconfigurable Intelligent Surfaces (RIS). RIS aims to bring efficiency to the network system by directing the propagation of radio frequency signals and optimizing wireless communication. RIS aims to enhance wireless communications both indoors and outdoors and is effective in improving signal quality in harsh conditions. This technology increases the coverage and spectral efficiency of wireless communication systems by overcoming physical obstacles that impede line-of-sight (LoS) links. The structure of RIS is divided into two categories, Passive RIS and Active RIS. Passive RIS consumes practically no power, while Active RIS, due to its active components, consumes power to amplify the reflected signals. Furthermore, RIS has three different modes of operation: reflective, transmissive and hybrid. Reflective type RIS reflects the signals from the transmitter and routes them to the receivers on the same side as the transmitter. The transmissive type RIS transmits signals to receivers on different sides from the transmitter. Hybrid RIS serves both receivers on the same side as the transmitter and receivers on different sides. One of the most important components of RIS technology is to optimize the phase shift angles when designing the RIS. This optimization is critical to maximize received signal power and improve overall system performance. The phase shift angles are set to align the phases of the incoming signals so that the signal power can be concentrated in the desired direction. Various optimization algorithms can be used to determine the optimal phase shifts. The optimization process usually involves evaluating the signal quality obtained by adjusting the phase shifts and continues until the optimal configuration is obtained. This phase shift optimization has a significant impact on the efficiency of the communication system. When the phase angles are optimized, the RIS can dynamically adapt to environmental conditions and user locations and maintain high quality communication links. This adaptability is particularly useful in complex environments with many obstacles and changing signal paths. Furthermore, phase shift optimization contributes to reduce interference with other signals, improving the overall spectral efficiency of the network. Furthermore, the error performance ratio improves with an increase in the number of passive reflective elements used in the RIS design. Deep learning, based on the architecture of artificial neural networks, is a method of machine learning. Neural networks based on human brain models are used for deep learning algorithms. Deep learning neural networks or artificial neural networks consist of many layers of neurons working together, as in the human brain which uses interconnected neurons to learn and process data. By performing mathematical calculations, artificial neurons or nodes are capable of processing data. Artificial neural networks that use these nodes to solve complex problems are part of deep learning algorithms. Autoencoder, one of the deep learning algorithms, is a model used in recent studies to represent a wireless communication system. Autoencoder-based communication systems have many advantages such as learning from data and adapting to the changing conditions of wireless environments. An autoencoder consists of an encoder that learns the characteristics of the channel and modulates the signal, and a decoder that reconstructs the original signal from the received noisy signal. Basically, the autoencoder model encodes the data at the transmitter, transmits the encoded data over the channel and then decodes it at the receiver. From another perspective, autoencoders can be used as an error correction technique that first encodes and then decodes the data. At the transmitter, encoding is done by error correction codes of the data through specific algorithms. At the receiver, the decoding process aims to transform the encoded data into its original form. This approach improves data accuracy at the receiver by correcting errors caused by noise, fading and other adverse factors in the transmission channel. In this context, autoencoders can be used in wireless communication systems to maintain data integrity and correct errors. By jointly training the encoder and decoder, the block error rate at the receiver is improved as a result of joint optimization of the transmitter and receiver. In this paper, an autoencoder-based MIMO communication system is designed and its performance is compared with different number of channel use and number of possible inputs. The comparison is done using Rayleigh Fading channels to reflect communication environment. The simulation results show that the autoencoder-based model with higher number of channels and number of possible inputs outperforms in all channel types. Next, RIS was integrated into the autoencoder-based system. In this RIS-assisted model placed between the transmitter and receiver, the signal transmitted from the transmitter is passively reflected by the RIS and routed to the receiver. An unimodular optimization method is applied to determine the optimal phase shift angles to maximize the signal to noise ratio. The phase angles obtained from the optimization are placed on the diagonal elements of the RIS reflection coefficient matrix. In the first step, the channel matrix between the transmitter and the RIS, the RIS reflection coefficient matrix and the channel matrix between the RIS and the receiver are multiplied. The result of this multiplication is then multiplied by the signal output from the transmitter and noise is added to obtain the received signal at the receiver. The channel matrices used in the simulations were generated in accordance with the Rayleigh Fading channel model. After integrating RIS into the autoencoder-based model, simulations are performed for the Rayleigh fading channel with two transmit antennas and two receive antennas. The RIS-assisted autoencoder-based model outperformed the baseline autoencoder-based model. Then, in order to predict the optimal phase shift angles with deep learning, a training dataset is created from the channel matrices used in the iterative method and the optimal phase shift angles corresponding to them. As a result of this training, the optimal phase shift angles are estimated by taking the channel matrices as input. The same simulations are run using the angles obtained with deep learning. It is observed that communication system using the angles obtained iteratively has a better error performance rate compared to the communication system using the angles estimated with deep learning. The findings of this study highlight the significant potential of combining RIS and autoencoder-based systems in wireless communications. By optimizing the phase shift angles and increasing the number of RIS elements and antennas, the performance of the communication system can be significantly improved, especially in harsh environments. Assisting the communication system with RIS improves signal quality and reduces errors due to noise and fading, resulting in more reliable data transmission. In conclusion, RIS, especially when combined with advanced techniques such as autoencoder, represents a promising approach to overcome the limitations of traditional wireless communication systems and provide higher efficiency and reliability in future networks.

Benzer Tezler

  1. Tez No

    841479

    Kablosuz haberleşme için uçtan uca otokodlayıcı tasarımı

    End to end autoencoder design for wireless communication

    MUSTAFA BAYRAM AYAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET ERTUĞRUL ÇELEBİ

  2. Tez No

    824002

    Kablosuz haberleşme sistemlerinin fiziksel katmanında yapay zeka uygulamaları

    Applications of artifical intelligence in the physical layer of wireless communication systems

    BURAK TÜRER

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiAydın Adnan Menderes Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MÜMTAZ YILMAZ

  3. Tez No

    520097

    Linear interference alignment in cognitive radio networks

    Bilişsel radyo ağlarında doğrusal girişim hizalama

    HAKAN ALAKOCA

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. LÜTFİYE DURAK ATA

  4. Tez No

    486735

    Secure multi-antenna transmission with finite-alphabet signaling

    Sonlu girdi setine sahip sinyallerle çok antenli güvenli iletim

    SINA REZAEI AGHDAM

    Doktora

    İngilizce

    İngilizce

    2017

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. TOLGA METE DUMAN

  5. Tez No

    842030

    Otokodlayıcı tabanlı gizliliği koruyan ortak filtreleme

    Autoencoder-based privacy-preserving collaborative filtering

    ELİF TUĞÇE AÇIL

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ALPER YARGIÇ

Geri Dön