Noma tabanlı bilişsel radyo haberleşme sistemlerinde derin öğrenme yöntemleri ile ergodik kapasite tahmini başarım analizi

Bu tez çalışmasında, bilişsel radyo (BR) tabanlı dikgen olmayan çoklu erişim tekniği (NOMA) sistem modelinde, yakın kullanıcıya ait toplam ergodik kapasite değerinin, önerilen ileri beslemeli geri yayılımlı yapay sinir ağı (YSA) ve doğrusal olmayan dışsal girdili otoregresif ağ (NARX) modeli ile tahmin edilmesi amaçlanmıştır. Sinir ağında kullanılan veri seti üstel sönümleme kanalı karakteristiği ile modellenen BR-NOMA sistem modelinden elde edilmiştir. Ele alınan BR-NOMA sistem modeli üzerinden toplanan veri seti girdileri, yol kaybı katsayısı, güç paylaşım katsayısı, sinyal gürültü oranı (SNR), kaynak-röle-hedef arasındaki uzaklık ve ikinci kullanıcıya ait güç değerinin, birinci kullanıcıya ait güç değerine oranından oluşmaktadır. Denetimli öğrenme yöntemi kullanılarak tasarlanan YSA'ya girdi ve çıktı verileri öğretilerek ağın daha önce hiç tanımamış olduğu test verileri üzerinden yakın kullanıcıya ait ergodik kapasite tahmini yapılmıştır. YSA ve NARX sinir ağları başarımı değerlendirilirken eğitim süresi, iterasyon sayısı, ağın doygunluğa ulaşmaması durumları göz önünde bulundurulmuştur. Yakın kullanıcıya ait gerçek ergodik kapasite değeri ile, ileri beslemeli geri yayılımlı YSA ve NARX ağlarının tahmin etmiş olduğu değerler karşılaştırılmıştır. Sinir ağlarının eğitim işlemi için epok değeri 1000 alınmıştır. Önerilen sinir ağlarının Levenberg-Marquardt, Bayesian ve Scaled – Conjugate eğitim algoritmaları altındaki performans analizi, hatanın minimuma ulaştığı epok değer grafiği, hata histogram analizi ve training state analizi incelenmiştir. İleri yönlü geri beslemeli YSA modeli için yakın kullanıcıya ait ergodik kapasite değerinin kestirimi en yüksek doğruluk oranı Bayesian algoritması ile elde edilmiştir. Ayrıca eğitim süreleri göz önüne alındığında en hızlı algoritmanın Levenberg-Marquardt olduğu, en yavaş algoritmanın ise Bayesian algoritması olduğu sonucuna ulaşılmıştır. Benzetim sonuçlarından çıkarımla, ergodik kapasite kestiriminin, ağın aşırı öğrenmeye uğramaması ve algoritmanın hızlı çalışması göz önünde bulundurulduğunda ileri yönlü geri beslemeli YSA ile Levenberg-Marquardt eğitim algoritması kullanılarak elde edildiği sonucuna ulaşılmıştır. İleri beslemeli geri yayılımlı YSA ile eğitim veri seti doğruluğu %95,934, doğrulama veri seti doğruluğu %95,830 ve test veri seti doğruluğu %95,511 olarak elde edilmiştir. Önerilen sinir ağı modellerinin, yapılan analizler ve elde edilen tüm sonuçlar incelendiğinde istenilen yüksek doğruluğu elde ettiği, algoritma hesaplama hızının artılmasına fayda sağladığı, algoritma karmaşıklığının azaltılmasına imkan vererek gerçek zamanlı sistemler için hesaplama sürelerini azalıp ve bir çok doğrusal olmayan haberleşme problemenin çözümü için araştırmacılara rehberlik sağlayacağı öngörülmektedir.