Bir NOMA OFDM sistemi için derin öğrenme ile geleneksel alıcı tasarımının karşılaştırılması
No Thumbnail Available
Date
2022
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Kullanıcı ve uygulama sayısı arttıkça, kablosuz ağlar yakın gelecekte çok büyük miktarda veri trafiğiyle dolup taşacak ve kullanıcı sayısı da artacaktır. OFDM ve MIMO gibi geleneksel Ortogonal Çoklu Erişim (OMA) teknolojileri, kullanıcılara verimli bir şekilde hizmet vermek için yeterli olmayacaktır. 5G ağlarında, Ortogonal Olmayan Çoklu Erişim (NOMA) bu soruna etkili bir çözüm olarak kabul edilir. NOMA, mobil iletişim ağlarının spektral verimliliğini ve kullanıcı adaletini artırabilir. Ancak NOMA sinyallerinin hesaplama açısından pahalı alıcı yapıları kullanılarak işlenmesi gerekir. Öncelikle sistemdeki tüm kullanıcıların deneyimlediği kanalın tahmin edilmesi gerekir. Ardından alıcının, Ardışık Girişim Önleme (SIC) gibi yinelemeli çok kullanıcılı bir alıcı algoritması kullanarak tüm kullanıcıların sinyallerini işlemesi gerekir. Ortaya çıkan hesaplama karmaşıklığı, vericideki kanal durumunun (CS) kusurlu bilgisi, birden fazla kullanıcı için frekans kayması ve faz titreşimi ve birden çok kaynaktan gelen parazit gibi komplikasyonlar nedeniyle her zaman mükemmel demodülasyon anlamına gelmez. Derin Öğrenme (DL), son zamanlarda büyük miktarda veri içeren birçok farklı uygulamada kullanılmaktadır. Bu tezde DL ile NOMA-OFDM bir sistem alıcısı tasarlanmıştır. Anahtar Kelimeler: Ortogonal olmayan çoklu erişim (NOMA), Ortogonal Frekans Bölmeli Çoğullama (OFDM), Derin Öğrenme (DL), kanal tahmini, eşitleme
As the number of users and applications increases, wireless networks are crowded with massive amounts of data traffic in the near future, with the number of users increasing. Conventional Orthogonal Multiple Access (OMA) technologies such as OFDM and MIMO will not be enough to serve users efficiently. In 5G networks, Nonorthogonal Multiple Access (NOMA) is considered to be an effective solution to this issue. NOMA can increase spectral efficiency and user fairness of mobile communication networks. However, NOMA signals need to be processed using computationally expensive receiver structures. First the channel experienced by all users in the system needs to be estimated. Then the receiver needs to process all users' signals using an iterative multi-user receiver algorithm such as Successive Interference Cancelation (SIC). The computational complexity incurred does not always mean perfect demodulation because of complications such as imperfect knowledge of the channels state (CS) in the transmitter, frequency offset and phase jitter for multiple users and interference from multiple sources. Deep Learning (DL) has been used recently in many different applications involving large amounts of data. In this thesis it is applied to the design of a NOMA-OFDM system receiver. Keywords: Non-orthogonal multiple access (NOMA), Orthogonal Frequency Division Multiplexing (OFDM), Deep Learning (DL) , channel estimation, equalization
As the number of users and applications increases, wireless networks are crowded with massive amounts of data traffic in the near future, with the number of users increasing. Conventional Orthogonal Multiple Access (OMA) technologies such as OFDM and MIMO will not be enough to serve users efficiently. In 5G networks, Nonorthogonal Multiple Access (NOMA) is considered to be an effective solution to this issue. NOMA can increase spectral efficiency and user fairness of mobile communication networks. However, NOMA signals need to be processed using computationally expensive receiver structures. First the channel experienced by all users in the system needs to be estimated. Then the receiver needs to process all users' signals using an iterative multi-user receiver algorithm such as Successive Interference Cancelation (SIC). The computational complexity incurred does not always mean perfect demodulation because of complications such as imperfect knowledge of the channels state (CS) in the transmitter, frequency offset and phase jitter for multiple users and interference from multiple sources. Deep Learning (DL) has been used recently in many different applications involving large amounts of data. In this thesis it is applied to the design of a NOMA-OFDM system receiver. Keywords: Non-orthogonal multiple access (NOMA), Orthogonal Frequency Division Multiplexing (OFDM), Deep Learning (DL) , channel estimation, equalization
Description
Keywords
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering