Comparative study of novel deep neural network architecture designs for faster-than-nyquist signaling detection
Faster-than-nyquist (FTN) işaretlemesi için özgün derin sinir aği mimarilerinin karşilaştirmali i̇ncelemesi
- Tez No: 989335
- Danışmanlar: PROF. DR. ENVER ÇAVUŞ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Faster-than-Nyquist (FTN) işaretleme, geleneksel Nyquist sınırının ötesine geçerek spektral verimliliği artırmayı amaçlayan umut verici bir yöntem olarak öne çıkmaktadır. Ancak, FTN sistemlerinde kasıtlı olarak oluşturulan semboller arası girişim (ISI), algılama sürecini oldukça karmaşık hale getirmektedir. Bu tez çalışmasında, söz konusu zorluğu etkin bir biçimde ele almak amacıyla geliştirilen yeni derin öğrenme tabanlı algılayıcı mimariler sunulmuştur. Çalışma kapsamında, FTN işaretlerinin zamansal bağımlılıklarını en verimli şekilde kullanmak üzere tasarlanmış evrişimsel ve tekrarlayan sinir ağı yapıları dâhil olmak üzere çeşitli derin sinir ağı modelleri önerilmiştir. Önerilen her bir model, farklı sıkıştırma faktörleri ve modülasyon türleri altında eğitilmiş ve değerlendirilmiştir. Bu sayede modellerin dayanıklılığı, ölçeklenebilirliği ve hesaplama karmaşıklıkları karşılaştırmalı olarak incelenmiştir. Klasik algılama algoritmalarıyla yapılan kapsamlı karşılaştırmalar, önerilen mimarilerin benzer algılama doğruluğunu çok daha düşük hesaplama maliyetiyle elde edebildiğini göstermiştir. Elde edilen sonuçlar, yapay zekâ destekli FTN algılama yöntemlerine yönelik artan araştırma ilgisine katkı sağlamakta ve gelecekteki haberleşme sistemleri için mimari tasarım stratejileri konusunda önemli çıkarımlar sunmaktadır.
Özet (Çeviri)
Faster-than-Nyquist (FTN) signaling has emerged as a promising technique to enhance spectral efficiency beyond the conventional Nyquist limit. However, the intentional introduction of inter-symbol interference (ISI) in FTN systems makes optimal detection computationally demanding. This thesis investigates a series of novel deep learning-based detector architectures developed to effectively address this challenge. Distinct neural network models, including convolutional and recurrent structures, are designed with domain-informed principles to exploit the inherent temporal dependencies within FTN signaling. Each proposed model is trained and evaluated over various compression factors and modulation schemes to assess its robustness, scalability, and complexity. A comprehensive comparison is performed against classical detection algorithms to quantify the trade-off between performance and computational cost. The results demonstrate that the proposed deep neural network architectures can achieve near-optimal detection accuracy while substantially reducing implementation complexity, thereby offering a practical and efficient alternative to model-based approaches. This work contributes to the growing research interest in AI-driven FTN detection and provides valuable insights into architecture selection and design strategies for future communication systems.
Benzer Tezler
- Derin öğrenme tabanlı mikrodalga antenlerin vekil modellemesi
Deep learning-based surrogate modeling of microwave antennas
NASI ALLTIPARMAK
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. PEYMAN MAHOUTİ
PROF. DR. SLAWOMİR KOZIEL
- Meme kanseri tespiti için sentetik mikrodalga görüntülerinin derin öğrenme odaklı segmentasyonu
Driven segmentation of synthetic microwave images for breast cancer detection
ÖZLEM BAHAR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ÇAYÖREN
- Derin öğrenme algoritmaları ile personel geri bildirimlerinin sınıflandırılması ve analizi
Classification and analysis of employee feedback with deep learning algorithms
GÖKHAN YİĞİDEFE
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP ÇAKAR KAMAN
- Novel deep learning based approaches for clutter removal and target detection in GPR
Ynr'de kargaşa giderme ve hedef algılama için yeni derin öğrenme tabanlı yaklaşımlar
YAVUZ EMRE KAYACAN
Doktora
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Bridging causal discovery and graph neural networks: a comparative perspective
Nedensel keşif ve çizge sinir ağları arasındaki köprü: Karşılaştırmalı bir bakış açısı
MUHAMMED ÖMER TAYLAN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. SEFER BADAY