Deep learning based channel equalization for mimo isi channels

Geleceğin kablosuz iletişiminin; 5G, sanal gerçeklik, uç hesaplama, nesnelerin interneti gibi bir dizi yeni teknolojiyle birlikte önemli değişiklikler getirmesi bekleniyor. Bu gelişmeler, kablosuz iletişim ve sistemlerde kapasite, kapsama alanı, gecikme, verimlilik, esneklik, uyumluluk, deneyim kalitesi açısından gittikçe artan talepler doğurmaktadır. Makine öğrenimi (ML) teknikleri; büyük verileri yönetme, doğrusal olmayan eşlem ve dağıtılmış bilgi işlem yeteneği nedeniyle bu zorluğun üstesinden gelmek için çok umut verici bir araç olarak kabul ediliyor. Makine öğrenimi algoritmalarının farklı yönlerini ve bunların kablosuz iletişimle olan bağlantılarını ele alan birçok araştırma bulunsa da hala ele alınması gereken çeşitli problemler vardır. Özellikle hafızalı iletişim sistemleri için kullanımları tam olarak araştırılmamıştır. Bu motivasyonla, bu tez özellikle semboller arası girişim (ISI) kanalları için derin öğrenme methodlarını ele almaktadır ve bu çözümleri çoklu giriş çoklu çıkış sistemleri (MIMO) için de genişletmektedir. Bu tezde, ISI kanalları için derin öğrenme (DL) tabanlı kanal eşitleme algoritmaları öneriyoruz. Biz üç farklı derin öğrenme tabanlı ISI dedektör modellerini (Sli-BiLSTM, Sli-MLP, Sli-Iterative) tanıtıyoruz ve bunların hesaplama açısından daha verimli olduklarını ve temel kanal modelini bilerek çeşitli kanal koşulları altında algılama gerçekleştirebileceklerini gösteriyoruz. Ayrıca sabit ISI kanalları ile kullanımı daha uygun olan Sli-BiGRU ve Sli-MLP modellerini kullanıyoruz. Buna ek olarak, MIMO ISI kanalları için de DL tabanlı eşitleme tekniklerini de inceliyoruz. Sayısal sonuçlar, önerilen modellerin, ISI uzunluğu aşırı olmadığı sürece, tam veya hatalı kanal bilgisiyle (CSI) ve geniş bir sinyal-gürültü oranı (SNR) seviyelerinde ISI kanallarının eşitlemesi için oldukça uygun olduğunu göstermektedir. Ayrıca önerilen derin öğrenme tabanlı ISI dedektörlerinin, Viterbi algoritması ile uygulanan maksimum olabilirlik dizisi tespiti (MLSE) olan optimal çözüme çok daha az karmaşıklığa sahip olurken oldukça yakın performans gösterdiği ve MMSE-tabanlı kanal eşitleme yöntemine göre üstün performansa sahip olduğu gösterilmiştir.