5G Sistemleri için DL Tabanlı Kanal Tahmini
| dc.contributor.author | Çalışır, Bircan | |
| dc.date.accessioned | 2026-08-12T15:02:38Z | |
| dc.date.issued | 2022 | |
| dc.department | Fırat Üniversitesi | |
| dc.description.abstract | Bu çalışma, Derin Öğrenme ve 5G ile oluşturulan veriler kullanılarak kanal tahmini için bir evrişimsel sinir ağının (CNN) nasıl eğitileceğini gösterir. Eğitilmiş CNN, fiziksel aşağı bağlantı paylaşılan kanal (PDSCH) demodülasyon referans sinyalini (DM-RS) kullanarak tek girişli tek çıkışlı (SISO) modunda kanal tahmini gerçekleştirilmiştir. Kanal tahmini için genel yaklaşım, iletim kanalı içine değeri bilinen referans pilot sembolleri eklemek ve daha sonra bu pilot sembolleri kullanarak kanal yanıtının geri kalanını enterpolasyon yapmaktır. Kanal tahmini yapmak için derin öğrenme teknikleri de kullanılabilir. Örneğin, PDSCH kaynak ızgarasını 2 boyutlu bir görüntü olarak görüntüleyerek, kanal tahmini problemini, CNN'lerin etkili olduğu gürültü giderme veya süper çözünürlüğe benzer bir görüntü işleme problemine dönüştürebilir. Bu çalışma, bu tür eğitim verilerinin nasıl oluşturulacağını ve bir kanal tahmini uygulamasında CNN'nin nasıl eğitileceğini gösterir. Ayrıca, lineer enterpolasyon ile alınan pilot sembolleri içeren görüntüleri işlemek için CNN kanal tahmininin nasıl kullanılacağını gösterir. Bu çalışma, pratik ve mükemmel tahmin edicilere kıyasla sinir ağı kanal tahmincisinin sonuçlarını görselleştirerek sona ermektedir. | |
| dc.description.abstract | Bu çalışma, Derin Öğrenme ve 5G ile oluşturulan veriler kullanılarak kanal tahmini için bir evrişimsel sinir ağının (CNN) nasıl eğitileceğini gösterir. Eğitilmiş CNN, fiziksel aşağı bağlantı paylaşılan kanal (PDSCH) demodülasyon referans sinyalini (DM-RS) kullanarak tek girişli tek çıkışlı (SISO) modunda kanal tahmini gerçekleştirilmiştir. Kanal tahmini için genel yaklaşım, iletim kanalı içine değeri bilinen referans pilot sembolleri eklemek ve daha sonra bu pilot sembolleri kullanarak kanal yanıtının geri kalanını enterpolasyon yapmaktır. Kanal tahmini yapmak için derin öğrenme teknikleri de kullanılabilir. Örneğin, PDSCH kaynak ızgarasını 2 boyutlu bir görüntü olarak görüntüleyerek, kanal tahmini problemini, CNN'lerin etkili olduğu gürültü giderme veya süper çözünürlüğe benzer bir görüntü işleme problemine dönüştürebilir. Bu çalışma, bu tür eğitim verilerinin nasıl oluşturulacağını ve bir kanal tahmini uygulamasında CNN'nin nasıl eğitileceğini gösterir. Ayrıca, lineer enterpolasyon ile alınan pilot sembolleri içeren görüntüleri işlemek için CNN kanal tahmininin nasıl kullanılacağını gösterir. Bu çalışma, pratik ve mükemmel tahmin edicilere kıyasla sinir ağı kanal tahmincisinin sonuçlarını görselleştirerek sona ermektedir. | |
| dc.identifier.doi | 10.53070/bbd.1173848 | |
| dc.identifier.endpage | 6 | |
| dc.identifier.issn | 2548-1304 | |
| dc.identifier.issn | 2548-1304 | |
| dc.identifier.startpage | 1 | |
| dc.identifier.uri | https://doi.org/10.53070/bbd.1173848 | |
| dc.identifier.uri | https://hdl.handle.net/11508/26519 | |
| dc.identifier.volume | IDAP-2022 : International Artificial Intelligence and Data Processing Symposium | |
| dc.language.iso | tr | |
| dc.publisher | Ali KARCI | |
| dc.relation.ispartof | Bilgisayar Bilimleri | |
| dc.relation.ispartof | Computer Science | |
| dc.relation.publicationcategory | Makale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.snmz | KA_DergiPark_20260511 | |
| dc.subject | Artificial Intelligence | |
| dc.subject | Yapay Zeka | |
| dc.title | 5G Sistemleri için DL Tabanlı Kanal Tahmini | |
| dc.title.alternative | 5G Sistemleri için DL Tabanlı Kanal Tahmini | |
| dc.type | Article |
