Neural network based multi-carrier receiver design and doppler estimation

Abstract

Recently, various industry applications have been developed in line with the needs of the society in accordance with the changing lifestyle. Applications such as virtual and augmented reality, remote surgery, fully autonomous systems and holographic reflection will cause various changes in communication systems. Current technology is insufficient to meet the increasing traffic needs demanded by these applications. Also, a reduction in the amount of delay is required for these applications. In this context, communication systems must be updated with new generation techniques. Artificial intelligence is one of the rapidly developing fields of computer science in the past decade. This study includes telecommunication applications of AI discipline. In the first stage of the thesis, the receiver design of single carrier systems has been made with artificial neural network. This section is an introduction for the purpose of interpreting and reasoning the artificial neural network structure in multi-carrier systems. In the second stage of the thesis, artificial neural network based receiver design is focused for multi-carrier wireless communication system. First, a modular unified transmitter structure is designed that combines orthogonal and non-orthogonal multi-carrier systems. Symbols are produced through the modulation matrix at the transmitter. These symbols are then transmitted from the transmitter to the receiver, passing through multi-path wireless channel. 1D CNN, 2D CNN and MLP based architectures are used to detect symbols sent from the transmitter. In this study, 2D CNN architecture was evaluated for the first time. In addition, in previous studies, channel equalization is performed as a preprocess in the receiver, while in this study, detection procedures are performed without channel equalization in the receiver design. Likewise, in the previous studies, after the symbols passed from the channel equalization, they are subjected to coarse detection and given to the neural network. The performances of the algorithms are evaluated on OFDM and GFDM multi carrier systems. The results are compared with classical techniques such as MF, ZF, MMSE. In the third stage of the thesis, Doppler frequency shift, which is an important parameter of the wireless channel and significantly affects the performance of the wireless communication system, has been detected with SCF and artificial neural network without any prior knowledge. Within the scope of the study, it is explained how to estimate the doppler frequency without the need for prior knowledge or signal and it have made blind for the first time in the literature. SCF is used to extract the statistics of the signal, and Regression CNN is used to estimate the parameter with these statistics. The performance of the algorithm is tested with a dataset containing analog modulations and results are shown.

Son zamanlarda toplumun değişen yaşam tarzına uygun olarak ihtiyaçlar kapsamında çeşitli endüstri uygulamaları geliştirilmektedir. Sanal ve arttırılmış gerçeklik, uzaktan ameliyat, tam otonom sistemler ve holografik yansıma gibi uygulamalar haberleşme sistemlerinde çeşitli değişimlere yol açacaktır. Mevcut teknoloji bu uygulamaların talep ettiği artan trafik ihtiyacını karşılamakta yetersiz kalmaktadır. Bununla birlikte bu uygulamalar için gecikme miktarında azalma gerekmektedir. Bu bağlamda haberleşme sistemleri yeni nesil tekniklerle güncellenmek durumundadır. Yapay zeka son on yılda bilgisayar biliminin hızla gelişen alanlarından biridir. İnternet kullanımının artmasıyla veri üretimi artmıştır. Bununla birlikte yüksek miktardaki verileri kullanarak anlamlı sonuçlar çıkarmaya ihtiyaç doğmuştur. Bu ihtiyacı klasik yöntemler işlem karmaşıklığı ve genelleştirememe gibi sorunları nedeniyle karşılamada yetersiz kalır. Derin öğrenme yardımıyla üretilen büyük veriler anlamlandırılarak istenen çıktı elde edilebilir. Bu sebeple derin öğrenme telsiz iletişimde kullanımı diğer disiplinlerde olduğu gibi ilgi çekici haline gelmiştir. Dolayısıyla, araştırmacıların ilgisini çekmiş kanal kestirimi, kanal kodlama, ağ katmanı en iyileştirmesi gibi alanlarda kulanımını ile ilgili çalışmalar yapılmıştır. Bu çalışma AI disiplininin telekomünikasyon uygulamalarını içermektedir. Gelecek nesil fiziksel katman yapısına uygun olarak yapay zeka tabanlı alıcı yapısı ve kör en büyük doppler frekansı kestirim algoritması uygulamaları üzerine çalışılmıştır. Bu bağlamda, CNN ve MLP yapılarını kullanan derin alıcı ve SCF ve CNN yapılarını kullanan doppler parametre tahmin algoritması tartışılmıştır. Tezin ilk aşamasında tek taşıyıcılı sistemlerin alıcı tasarımı yapay sinir ağı ile yapılmıştır. Bu kısım ikinci bölümde tartışılacak olan çok taşıyıcılı sistemlerde yapay sinir ağı yapısını anlamlandırma ve yorumlama amacıyla giriş niteliğindedir. Tasarlanan sistemde tek taşıyıcılı PSK modülasyonuna uğramış vericide üretilen semboller kanaldan geçerek alıcıda yapay sinir ağı ile çözülür. Alıcıda yoğun ağ yapısı bilinen sembollerle eğitilmiştir. Yapay sinir ağının performansı karşılaştırmak amacıyla klasik yapı olarak kullanılan en büyük olabilirlik kriteri ile karşılaştırılmıştır. Bu yöntem yıldız diyagramdaki hangi sembolün alınan işarete en yakın olduğu belirleyenerek tespit gerçekleştirir ve tek taşıyıcılı alıcı problemi için optimum alıcıdır. Bulunan sonuçlar klasik alıcısının BER performansı ile örtüşmektedir. Bunun sebebi sinir ağını karar bölgesi eğitim sonunda optimum kararla neredeyse aynı olmasıdır. Tezin ikinci aşamasında çok taşıyıcılı kablosuz haberleşme sistemi için yapay sinir ağı tabanlı alıcı tasarımına odaklanılmıştır. Öncelikle dik olan ve dik olmayan çok taşıyıcılı sistemleri birleştiren modüler birleşik bir verici yapısı tasarlanmıştır. Vericide semboller modülasyon matrisi aracılığı ile üretilir. Modülasyon matrisi farklı modülasyon teknikleri için farklı operasyonlar ihtiva eder. Örneğin OFDM iletişim sistemi için $ N $-nokta IFFT işlemi gerçekleştirir. GFDM iletişim sistemi için örnekleme, darbe şekillendirme ve frekans kaydırma işlemlerini gerçekleştirir. Üretilen semboller kablosuz kanaldan geçerek alıcıya ulaşır. Kanal çok yollu sönümlemeli kanal olarak modellenmiştir. Temel bantta alınan semboller gerçel ve sanal bileşene sahip komplex verilerden oluşur. Semboller kanaldan geçmesi sebebiyle bozunumlara uğramıştır. Alıcıda yapay sinir ağı ile özellik çıkarma ve sınıflandırma işlemleri yapılarak kanalın bozucu etkileri yok edilmeye çalışılır. Dolayısıyla yapay sinir ağı sembol tespit algoritması olarak değerlendirilir. Sinir ağı eğitimininde denetimli öğrenme benimsenmiştir. Ağ eğitim aşamasında etiket olarak kabul edilen bilinen semboller ile eğitilmiştir. Yapay sinir ağı tabanlı alıcı olarak üç tür yapı tasarlanmıştır. İlk algoritmada, gerçel ve sanal bileşenleri olan semboller seri hale getirilip MLP yardımıyla tespit işlemi gerçekleştirilir. Benzer şekilde bir boyutlu CNN tasarımında sembollerin gerçel ve sanal bileşenleri seri hale getirilip sinir ağına verilir. Üçüncü algoritmada ise gerçel ve sanal bileşenleri paralel hale getirilip iki boyutlu CNN sinir ağına verilir. Yapılan çalışmada iki boyutlu CNN mimarisi ilk kez değerlendirilmiştir. Ayrıca daha önceki çalışmalarda alıcıda ön işlem olarak kanal denkleştirme gerçekleştirilirken, bu çalışmada alıcı tasarımında kanal denkleştirme olmadan tespit işlemleri yapılır. Aynı şekilde daha önceki çalışmalarda kanal denkleştirmeden gecen semboller sonrasında kaba tespit işlemine tabi tutularak sinir ağına verilir. Bu çalışmada alıcıya ulaşan semboller direk olarak algoritmanın girişini besleyerek gönderilen semboller tespit edilir. Bu işlemler dolayısıyla önceki çalışmalarda önerilen sinir ağı tabanlı yaklaşımlara göre karmaşıklık azaltılmıştır. Ayrıca eğitim yüksek çevrim sayısı ile gerçekleştirilir. Öğrenme aktarımı yardımıyla daha önceki eğitim ağırlıkları kullanılarak çevrim sayısı azaltılıp eğitim süresi azaltılmıştır. Aynı zamanda bu yaklaşım alıcın kanal etkilerindeki değişime karşı oldukça uyumlu olarak çalışmasını sağlar. Ayrıca, dik olmayan çok taşıyıcılı GFDM benzeri modülasyonlar için sinir ağı tabanlı yaklaşım karmaşıklığı azaltmaktadır ve algoritmalar tak çıkar sistemi olan modüler olarak üretilen bir yapıdadır. Algoritmaların performansları OFDM ve GFDM çok taşıyıcılı sistemleri üzerinde değerlendirildilmiştir. Sonuçlar MF, ZF, MMSE gibi klasik tekniklerle karşılaştırılmıştır. Ön simülasyonlarda, farklı hiper parametreleri olan farklı katmanlar içeren ağlar test edilmiştir ve sonuçlarda gösterildiği gibi, sığ ağlar en iyi performansı vermiştir. Hem OFDM hem de GFDM deneyleri için, 2 + 1 ağlar CNN mimarı arasında en iyi performansı vermiştir. MLP tabanlı algoritma OFDM için biraz daha iyi performans verebilirken, bellekte tutulması için daha fazla parametre gerektirebilir. Başka çalışmalarda farklı ağ mimarileri farklı modülasyonlar için performans analizine odaklanılabilir. Tezin üçüncü aşamasında kablosuz kanalın önemli bir parametresi olan ve kablosuz iletişim sisteminin performansını önemli ölçüde etkileyen Doppler frekansı kayması yapay sinir ağı hiçbir ön bilgi kullanılmadan tespit çalışması yapılmıştır. Doppler frekansı radardaki hedef hızlarını ölçmek, sabit ve hareketli hedefleri birbirinden ayırmak gibi uygulamarda kullanılan önemli bir parametredir. Buna karşın etki kablosuz kanaldan geçen sembollerin alıcıda tespiti büyük oranda zorlaştırır. Etkiyi tamamen yok etmek hareketli nesnelerin durdurulması ile mümkün olmaktadır. Pratikte bu yaklaşım gerçekci değildir. Bunun yerine Doppler frekansı kaymasını ve izgesini tespit edip etkileri azaltıcı algoritmalar geliştirmek gerçekci bir yaklaşım olacaktır. Doppler tahmini, önceki çalışmalarda iletilen sinyaller, bilinen sinyaller veya bilinen önceki bilgilerle yapılmıştır. Çalışma kapsamında, önceden bilgi veya sinyale ihtiyaç duymadan doppler frekansının nasıl tahmin edileceği açıklanmaktadır ve literatürde ilk kez kör olarak yapılmıştır. Vericiden üretilen işaretin modülasyon türü, modülasyon parametreleri ve kodlama gibi çeşitli özellikleri gözlemci tarafından bilinmemektedir. Bunun yanı sıra doppler etkisi ile beraber kanalın diğer bozucu etkilerine maruz kalan sembollerin değişimide sisteme serbestlik derecesi kazandırmaktadır. Bu noktada gözlemci doppler frekansı kaymasına duyarlı ve diğer tüm parametrelere karşı duyarsız davranan algoritma ile tespit işlemi gerçekleştirmesi gerekir. Ayrıca geliştirilen algoritma farklı gürültü seviyelerinde sağladığı istatistiği korumak durumundadır. Bu sebeple çeşitli denemelerden döngüsel korelasyona dayalı SCF algoritmasının işaretin ve kanalın tüm etkilerine karşı minimum duyarlı ve doppler frekansına oldukça duyarlı olduğu gözlemlenmiştir. Ayrıca fonksiyon frekans düzleminde çalışması sebebiyle AWGN etkisiyle istatistiksel özellikleri oldukça az etkilenmektedir. Bu fonksiyonu hesaplamada FAM yönteminden yararlanılmıştır. Doppler frekansı artması SCF düzleminde yayılmaya yol açar. Yayılmanın miktarının ölçülmesi ile frekans kayması miktarı üzerinde tahminlerde bulunulabilir. Çıktıyı işlemek için Regresyon CNN ağı kullanılmıştır. Fonksiyonun çıktısı frekans ve döngüsel frekans düzlemini içeren iki boyutlu bir matris olması sebebiyle CNN ağ yapısının çalışma prensiplerine uygun olmaktadır. Bu kapsamda analog modülasyonları içeren bir veri kümesi oluşturulup algoritma test edilmiştir ve algoritmanın performansı gösterilmiştir. Daha ileri bir çalışmada, performansı artırmak için ön bilgileri dikkate almaya odaklanılabilir.