Derin öğrenme kullanarak LIS destekli kablosuz iletişim sistemlerinin optimizasyonu

Abstract

In this thesis, we propose a comprehensive deep learning-based beamforming for double-sided Large Intelligent Surface (LIS) communication in the next-generation computer communication and intelligent wireless network systems. The method uses a multi-layer perceptron (MLP) to predict the optimal reflection beamforming vector using channel state information (CSI)-related environment description. Consequently, the system is able to dynamically adapt to channel variations with no need for iterative optimization and hence can perform efficiently in real-time applications. The performance of the proposed model is evaluated based on four benchmark datasets, including DeepMIMO, MIMO Radar Signal Dataset, Real-Time MIMO IoT Antenna Selection Dataset, and WiFi CSI Localization Dataset. The results confirm the better performance of Adam in terms of Bit Error Rate (BER) minimization with up to 25% reduction across the datasets. Furthermore, the achievable rate on the DeepMIMO dataset improved from 8.37 bits/s/Hz under RMSPROP to 8.50 bits/s/Hz with Adam. This gain, and also the improved supportability against practical system constraints, result in increasing the spectral efficiency and improving device performance further under realistic limitations including reduced active elements, constrained training power, and limited training overhead.

Bu tezde, spektral verimliliği ve enerji verimliliğini artırmaya yönelik, 6G teknolojisindeki gelişmeler ile iki yönlü LIS ışın yönlendirmeli iletici konusunda kapsamlı bir derin öğrenme tabanlı önerisiyle sunulan, yeni nesil bilgisayar iletişimi ve akıllı kablosuz ağ sistemleri. Önerilen metot, ortamın CSI'sını kullanarak, optimum yansıma ışın oluşturma vektörünü tahmin etmek için çok fonksiyonlu algılayıcı olarak çoklu algılayıcı (MLP) kullanan seyrek bir öğrenme tabanlı spektral ışın oluşturma algoritmasıdır. Bu şekilde, sistem yinelemeye tabii olmadan kanal geometisinde dinamik uyum sağlayarak, gerçek zaman uygulamalarında yeterli performans sağlar. Çeşitli çıkış yüksekliğindeki model performansı, dört karşılaştırmalı veri setine dayanarak oluşturulan veri kümesi: DeepMIMO, MIMO Radar Sinyal Veri Seti, Gerçek Zamanlı MIMO IoT Anten Seçimi Veri Seti ve WiFi CSI Locali- zation Veri Seti. Sonuçlar, Adam veri setiyle ilgili olarak çeşitli veri setlerinde %25'e kadar yapılan bit hata oranını (BER) en aza indirme açısından daha iyi performans gösterdiklerini doğrulamaktadır. Ek olarak, elde doğrulama hızı, DeepMIMO veri kümesinde, 8,37 bit/sn/Hz'de RMSPROP'tan 8,50 bit/sn/Hz'ye Adam altında artmıştır. Bu kazanımlar ve uygun maliyet, spektral verimliliği artırmış ve azaltılmış aktif eleman, kısıtlı eğitim gücü ve sınırlı eğitim verisi gibi gerçekçi sınırlamalar altında cihaz performansının daha da iyileştirilmesine yol açan iyileştirilmiş desteklenebilirlik.