Machine learning applications in multiple ınput multiple output ındex modulation systems

Pratik uygulamalardaki zorluklara rağmen, çoklu giriş çoklu çıkış (multiple-input multiple-output, MIMO) sistemleri, uzamsal alanın kullanımının sağladığı geniş avantaj yelpazesi nedeniyle modern iletişim sistemlerinde yaygın olarak kullanılmaktadır. MIMO sistemlerinin performansını daha da iyileştirmek için, uzamsal alan indisleri kullanılarak indis modülasyonu (index modulation ,IM) uygulanır. IM, bilgiyi hem sembollerle hem de iletim anten indisleriyle ileterek MIMO sistemlerinde önemli iyileştirmeler sunabilir. Bu nedenle, kablosuz iletişimde son yıllarda öne çıkan bir araştırma konusudur. Ancak, MIMO-IM sistemlerinde yeni zorluklar ortaya çıkmaktadır. Örneğin, iletim şemasındaki artan karmaşıklık nedeniyle, alıcı karmaşıklığı ciddi bir pratik endişe kaynağıdır. Buna ek olarak, kötü kanal koşulları MIMO-IM sistemlerinde önemli performans düşüşüne neden olabilir. Son olarak, IM literatürü son yıllarda genişlemesine rağmen, pratik uygulamalar ve kullanım alanları aynı hızda ilerlememektedir. Bu tezde, bu zorluklara makine öğrenmesi tabanlı çözümler sunan sistem modelleri önerilmektedir. İlk olarak, alıcı karmaşıklığı ve algılama performansı arasında bir denge sağlamak için sinir ağı (neural network, NN) çıktılarını analitik algoritmalarla birleştiren, karesel permütasyon matris modülasyon (quadrature permutation matrix modulation, QPMM) sistemine hibrit bir alıcı öneriyoruz. Önerilen NN tabanlı dedektör, iyi bilinen maksimum olabilirlik (maximum likelihood, ML) dedektörü ve onun düşük karmaşıklıklı alternatifiyle karşılaştırılmaktadır. İkinci olarak, hareketli antenler (movable antennas, MAs) kullanan bir MIMO-IM sistem modeli sunulmaktadır. Bildiğimiz kadarıyla, bu çalışma, iletişim kalitesini iyileştirmek için MA'ları MIMO-IM sistemlerine entegre etme fikrini ilk kez ortaya koymaktadır. En iyi MA konumlarını seçmek için Öklid mesafesi tabanlı bir algoritma önerilmektedir. Ardından, pratik uygulamalara daha uygun olan düşük karmaşıklıkta bir algoritma sunulmaktadır. Son olarak, MA konumlarını optimize etmek için bir genetik algoritma (genetic algorithm, GA) modeli tartışılmaktadır. Son olarak, bir MIMO-IM sisteminin daha az hata oranına sahip indis bitleri aracılığıyla anlamsal olarak daha yoğun bitler ileterek anlamsal bilgi iletimini geliştiren bir anlamsal iletişim sistemi sunuyoruz. İletilen dizinin farklı bitlerindeki hatalara göre anlamsal bilgi kaybını karşılaştırıyoruz. Ayrıca, sunulan sistemin giriş veri türü görüntü olduğundan, literatürde yaygın olarak kullanılan tepe sinyal-gürültü oranı (peak signal-to-noise ratio, PSNR) ve yapısal benzerlik indeksi ölçüsü (structural similarity index measure, SSIM) gibi görüntü yeniden yapılandırma ölçütlerini de karşılaştırıyoruz.