Çok girişli çok çıkışlı dikgen frekans bölmeli çoğullama sistemlerinde yapay zeka teknikleri ile kanal kestirimi

Abstract

Çok girişli ve çok çıkışlı anten sistemi ile birleştirilmiş dikgen frekans bölmeli çoğullama (MIMO-OFDM), herhangi bir ilave güç ve band genişliği tüketimine ihtiyaç duymaksızın, yüksek hızlarda veri iletimini ve servis kalitesini sağlayan çok taşıyıcılı bir modülasyon tekniğidir. Ancak MIMO-OFDM sistemlerinde evre uyumlu demodülasyon ve veri tespiti için alıcı tarafta kanal dürtü cevabı gereklidir. Kanal dürtü cevabını kestirmek için kör ve pilot ton tabanlı kanal kestirimciler kullanılır. Kör kanal kestirim tekniği herhangi bir veri eklemesi yapılmadan kanalın istatistiksel verilerini kullanarak kanalı kestirir; ancak zaman değişimli ve sönümlemeli kanallardaki performansı düşüktür. Pilot ton tabanlı kanal kestiriminde sisteme sonradan eklenen pilot tonlar kullanılarak kestirim yapılır. Bu kestirim tekniği kör kanal kestirimi ile kıyaslandığında sönümlemeli kanallarda daha iyi performansa sahiptir. Pilot ton tabanlı kanal kestiriminde en küçük kareler (LS), en küçük ortalama kareler (LMS) ya da en küçük ortalama karesel hata (MMSE) gibi algoritmalar kullanılır. LS ve LMS algoritmalarının uygulaması basit olmasına rağmen zaman değişimli kanallardaki performansları düşüktür. MMSE algoritması sönümleme etkilerine karşı dayanıklıdır; ancak matris tersinin alınması, korelasyon hesaplaması ve kanal gürültüsünün istatistiksel verilerine ihtiyaç duyması nedeniyle karmaşık bir algoritmadır.Bu tezde çok katmanlı yapay sinir ağları, radyal tabanlı sinir ağı ve uyarlanabilir bulanık sinir ağları gibi yapay zeka yöntemlerinin öğrenme kabiliyetlerinden faydalanarak MIMO-OFDM sistemlerinde kanal kestirimi yapılmış ve yukarıda bahsedilen klasik algoritmaların dezavantajları ortadan kaldırılmıştır.Ayrıca pilot ton tabanlı kanal kestirimde kullanılan pilot tonların nasıl tasarlandığının kestirimci performansında önemli bir etkiye sahip olmasından dolayı genetik algoritma, parçacık sürü optimizasyonu, farksal gelişim algoritması ve yapay arı kolonisi algoritması gibi yapay zeka optimizasyon algoritmaları kullanarak pilot tonların yerleri ve güçleri optimize edilmiş ve bu sayede LS kanal kestirim algoritmasının performansı artırılmıştır.

Orthogonal frequency division multiplexing combined with multi input-multi output antenna system, which provides high data rate transmission and quality of service, is a multicarrier modulation technique without additional power and bandwidth consumption. However, at the receiver side channel impulse responses are necessary for coherent demodulation and data detection in MIMO-OFDM systems. In order to estimate the channels, blind and pilot based channel estimators are used. Blind channel estimation technique estimates the channels using channel statistics without any additional data; but it?s performance is low over time varying and fading channels. In pilot based channel estimation, channel is estimated by using data that is inserted to the system. When this technique is compared with the blind channel estimation, it has better performance in fading channels. In pilot based channel estimation, least square (LS), least mean square (LMS) or minimum mean square error (MMSE) algorithms are used. Although implementations of LS and LMS algorithms are easy, their performances are low in time varying channels. MMSE algorithm is robust against to the fading affects; however, it is a complex algorithm because it needs matrix inversion, correlation computation and statistical information of the channel noise.In this thesis, channel estimation is achieved in MIMO-OFDM systems by utilizing the learning ability of artificial intelligence methods such as multi layered perceptron artificial neural network, radial basis function neural network and adaptive neuro-fuzzy inference system and the disadvantages of the classical algorithms that are mentioned above are eliminated. Besides, since how to design the pilot tones that are used in pilot based channel estimation has a significant effect on the estimation performance, the placement and power of pilot tones are optimized using the artificial intelligence optimization algorithms such as genetic algorithm, particle swarm optimization, differential evolution algorithm and artificial bee colony algorithm. So that the performance of LS channel estimation algorithm is improved.