Geri Çekme Notu
Yapılan bir şikayet üzerine ve MathWorks tarafından gönderilen bir e-posta sonucunda yapılan incelemede bu makalede atıf hatası yapıldığı ve bundan dolayı geril çekilmesine karar verilmiştir. Şikayet metni ve MathWorks tarafından gönderilen talep metinleri muhafaza altına alınmış olup, yazarım kurumuna durum iletilecektir.
Öz
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.
Anahtar Kelimeler
Kaynakça
- Coleri S, Ergen M, Puri A, Bahai A. (2002) Channel estimation techniques based on pilot arrangement in ofdm systems, IEEE Transactions on Broadcasting, vol. 48, pp. 223–229.
- OShea T, Hoydis J. (2017) An introduction to deep learning for the physical layer. IEEE Transactions on Cognitive Communications and Networking, vol. 3, pp. 563–575.
- Samuel N, Diskin T, Wiesel A. (2017) Deep mimo detection. IEEE 18th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), pp. 1–5.
- Erdogmus D, Rende D, Principe J, Wong C. T. F. (2001) Nonlinear channel equalization using multilayer perceptrons with informationtheoretic criterion. Neural Networks for Signal Processing XI: Proceedings of the 2001 IEEE Signal Processing Society Workshop (IEEE Cat. No.01TH8584), pp. 443–451.
- Wen C, Shih W, Jin S. (2018) Deep learning for massive mimo csi feedback. IEEE Wireless Communications Letters, pp. 1–1. Ye H, Li G. Y, Juang B.H. (2018) Power of deep learning for channel estimation and signal detection in ofdm systems. IEEE Wireless Communications Letters, vol. 7, no. 1, pp. 114–117.
- He H, Wen C, Jin S, and Li G. Y. (2018) Deep learning-based channel estimation for beamspace mmwave massive mimo systems. IEEE Wireless Communications Letters, vol. 7, pp. 852–855.
Geri Çekme Notu
Öz
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.
Anahtar Kelimeler
Kaynakça
- Coleri S, Ergen M, Puri A, Bahai A. (2002) Channel estimation techniques based on pilot arrangement in ofdm systems, IEEE Transactions on Broadcasting, vol. 48, pp. 223–229.
- OShea T, Hoydis J. (2017) An introduction to deep learning for the physical layer. IEEE Transactions on Cognitive Communications and Networking, vol. 3, pp. 563–575.
- Samuel N, Diskin T, Wiesel A. (2017) Deep mimo detection. IEEE 18th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), pp. 1–5.
- Erdogmus D, Rende D, Principe J, Wong C. T. F. (2001) Nonlinear channel equalization using multilayer perceptrons with informationtheoretic criterion. Neural Networks for Signal Processing XI: Proceedings of the 2001 IEEE Signal Processing Society Workshop (IEEE Cat. No.01TH8584), pp. 443–451.
- Wen C, Shih W, Jin S. (2018) Deep learning for massive mimo csi feedback. IEEE Wireless Communications Letters, pp. 1–1. Ye H, Li G. Y, Juang B.H. (2018) Power of deep learning for channel estimation and signal detection in ofdm systems. IEEE Wireless Communications Letters, vol. 7, no. 1, pp. 114–117.
- He H, Wen C, Jin S, and Li G. Y. (2018) Deep learning-based channel estimation for beamspace mmwave massive mimo systems. IEEE Wireless Communications Letters, vol. 7, pp. 852–855.
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Konular | Yapay Zeka |
| Bölüm | PAPERS |
| Yazarlar | |
| Erken Görünüm Tarihi | 8 Haziran 2023 |
| Yayımlanma Tarihi | 8 Haziran 2023 |
| Yayımlandığı Sayı | Yıl 2023 Cilt: Vol:8 Sayı: Issue:1 |
The Creative Commons Attribution 4.0 International License 
is applied to all research papers published by JCS and
a Digital Object Identifier (DOI) 
is assigned for each published paper.