Derin Öğrenme Tabanlı Kanal Kestirimi: 5G NR OFDM Sistemleri için Hiperparametre Optimizasyonu ve Performans Karşılaştırması
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Beşinci nesil (5G) Yeni Radyo (NR), gelişmiş mobil geniş bant ve ultra güvenilir düşük gecikmeli iletişim sağlamak üzere tasarlanmış birleşik, esnek ve ölçeklenebilir kablosuz iletişim için küresel bir standarttır. Kanal kestirimi, 5G NR dik frekans bölmeli çoğullama (OFDM) sistemlerinin performansını optimize etmek için kritik bir öneme sahiptir. Bu çalışma, hiperparametre analizine ve geleneksel en küçük kareler (LS) yöntemiyle performans karşılaştırmasına odaklanarak derin öğrenme (DL) tabanlı kanal kestirim tekniklerini araştırmaktadır. 300 adet simülasyon aracılığıyla, DL modellerinin dinamik kablosuz ortamlardaki uyarlanabilirliklerinin ve doğruluklarının değerlendirilmesi için değişen parametreler altında analizi yapılır. Sonuçlar, DL modellerinin, ince ayar yapıldığında, tahmin doğruluğu açısından LS'den daha iyi performans gösterdiğini, daha düşük hatalar elde ettiğini ve değişen kanal koşullarına daha fazla uyum sağladığını göstermektedir. Ayrıca çalışma, optimize edilmiş DL modellerinin hesaplama karmaşıklığını azaltma potansiyelini vurgulayarak gerçek zamanlı uygulamalarda kullanılabileceklerine dikkat çekmekte ve 5G NR OFDM sistemlerinde DL tabanlı yaklaşımların avantajlarının altını çizmektedir.
Açıklama
Anahtar Kelimeler
Derin Öğrenme, Kablosuz Haberleşme, OFDM, Kanal Kestirimi, Parametre Analizi
Kaynak
Mühendislik bilimleri ve araştırmaları dergisi (Online)
WoS Q Değeri
Scopus Q Değeri
Cilt
7
Sayı
1
