Deep-learning for communication systems: New channel estimation, equalization, and secure transmission solutions

Geleneksel iletişim sistemi tasarımı, basit ve anlaşılabilir kanal ve sinyal modelleri kullanarak ilgili performans ölçütlerini optimize etmeyi amaçlayan model tabanlı bir yaklaşım benimser. Örneğin, kanal kodları basit eklemeli beyaz Gauss veya sönümlü kanal modelleri için tasarlanır, kanal eşitleme algoritmaları semboller arası girişim (ISI) için matematiksel modellere dayanır ve kanal tahmin teknikleri altta yatan kanal istatistikleri ve karakterizasyonları göz önünde bulundurularak geliştirilir. Üstün matematiksel modeller ve sinyal işleme ve bilgi teorisindeki uzman bilgisi kullanılarak, model tabanlı yaklaşım oldukça başarılı olmuş ve şimdiye kadar birçok iletişim sisteminin geliştirilmesini sağlamıştır. Öte yandan, 5G'nin ötesinde kablosuz iletişim sistemleri çok sayıda antenden, daha yüksek bant genişliklerinden ve daha gelişmiş çoklu erişim teknolojilerinden daha fazla yararlanacaktır. İletişim sistemleri giderek daha karmaşık hale geldikçe, model tabanlı yaklaşımın sınırlarının ötesine geçmek giderek daha önemli hale gelmektedir. Geçtiğimiz on yıllarda verilerden öğrenme konusunda muazzam ilerlemeler kaydedildiğine dikkat çekildiğinde, makine öğrenimi temelli yaklaşımların yeni iletişim teknolojileri geliştirmek için kullanılıp kullanılamayacağı önemli bir araştırma olmaktadır. Yukarıdaki motivasyonla bu tez, kablosuz iletişimdeki çeşitli zorluklar için derin sinir ağı (DNN) çözümlerinin geliştirilmesini ele almaktadır. İlk olarak, standart kanal tahmin ve denkleştirme tekniklerinin performansının taşıyıcılar arası girişim (ICI) nedeniyle önemli ölçüde düştüğü, hızla değişen çok yollu kanallar üzerinde çalışan ortogonal frekans bölmeli çoğullamayı (OFDM) ele almaktayız. Hem kanal kestirimi hem de veri demodülasyonu için DNN mimarileri tasarlayarak genel sistem performansını iyileştirmeye odaklanıyoruz. Buna ek olarak, genel verimliliği iyileştirmek amacıyla döngüsel önek ekleme olmadan frekans seçici kanallar üzerinde çalışan OFDM'yi inceliyoruz. Özellikle, gelişmiş sembol tespiti için ISI ve ICI etkilerini azaltmak üzere tekrarlayan bir sinir ağı tasarlıyoruz. Ayrıca, sonlu alfabe girişlerine sahip çok girişli çok çıkışlı çok antenli gizli dinleme kanalları üzerinden güvenli iletimi araştırıyoruz. Gizlilik oranını en üst düzeye çıkarmak için, bağımsız akışlar elde etmekte genelleştirilmiş tekil değer ayrıştırmasından yararlanan ve gerekli güç tahsisi problemini çözmekte DNN'lerin fonksiyon yaklaştırma yeteneklerini kullanan doğrusal bir ön kodlayıcı kullanıyoruz. Ayrıca veri ön kodlayıcısını ve yapay gürültü enjeksiyonuna tahsis edilen gücü birlikte çözen bir DNN tekniği öneriyoruz. Önerilen çözümlerin etkinliğini göstermek için kapsamlı sayısal örnekler ve hesaplama karmaşıklığı analizleri kullanıyoruz.