Kablosuz haberleşme ağlarında makine öğrenmesi tabanlı kanal kestirimi

Kablosuz iletişim sistemlerinin gelişimi, özellikle Ortogonal Frekans Bölmeli Çoklama (OFDM) tabanlı sistemlerde, daha doğru ve sağlam kanal kestirim tekniklerine olan ihtiyacı artırmıştır. En Küçük Kareler (LS) ve En Küçük Ortalama Karesel Hata (MMSE) gibi geleneksel kestirim yöntemleri hesaplama açısından verimli olsa da, dinamik kanal koşulları, gürültü ve çok yollu yayılma altında performans kaybına uğramaktadır. Bu sınırlamaları aşmak amacıyla, bu çalışma OFDM sistemlerinde geliştirilmiş kanal kestirimi için derin öğrenme (DL) modellerinin uygulanmasını araştırmaktadır. Özellikle LS, MMSE, Uzun Kısa Süreli Bellek (LSTM), Çift Yönlü LSTM (BiLSTM), Evrişimli Sinir Ağı (CNN) ve hibrit CNN-LSTM ağı olmak üzere çeşitli modeller MATLAB ortamında karşılaştırılmıştır. Simülasyon yapısı, farklı Sinyal-Gürültü Oranı (SNR) seviyelerinde QPSK ve 16-QAM modülasyonlarını içermektedir. DL modelleri, pilot semboller ve karşılık gelen kanal yanıtlarından oluşan büyük veri kümeleriyle eğitilmiştir. Başarımlar Ortalama Kare Hata (MSE) ve Bit Hata Oranı (BER) metriklerine göre değerlendirilmiştir. Sonuçlar, özellikle hibrit CNN-LSTM mimarisinin geleneksel kestirimcilere kıyasla daha yüksek doğruluk ve gürültüye karşı dayanıklılık sağladığını göstermektedir. CNN uzamsal özellikleri çıkarırken, LSTM zamansal ilişkileri yakalayarak tahmin performansını artırmaktadır. Bu çalışma, OFDM sistemlerine DL modellerinin entegrasyonunun, kestirim doğruluğu ve sağlamlığının önemli ölçüde artırabileceğini kanıtlamaktadır.