Derin Öğrenme Tabanlı Kanal Kestirimi: 5G NR OFDM Sistemleri için Hiperparametre Optimizasyonu ve Performans Karşılaştırması

Authors : Mehmet Merih Leblebici, Ali Çalhan

Pages : 11-20

Doi:10.46387/bjesr.1565528

View : 45 | Download : 28

Publication Date : 2025-04-30

Article Type : Research Paper

Abstract :Kablosuz haberleşme sistemlerinde kanal kestirimi, özellikle dik frekans bölmeli çoğullama (OFDM) gibi modern teknolojilerde kritik bir rol oynamaktadır. Geleneksel yöntemler olan en küçük kareler (LS) ve en küçük ortalama karesel hata (MMSE) teknikleri yaygın olarak kullanılmaktadır, ancak LS düşük SNR koşullarında performans kaybederken, MMSE\\\'nin yüksek işlem karmaşıklığı gerçek zamanlı uygulamalarda dezavantaj yaratmaktadır. Bu nedenle, daha uyarlanabilir ve verimli tekniklere ihtiyaç duyulmaktadır. Derin öğrenme (DL), kablosuz sinyallerin karmaşık yapısını modelleme yeteneğiyle umut verici bir alternatif olarak öne çıkmıştır. Evrişimli sinir ağları gibi DL modelleri, büyük veri setlerinden öğrenerek dinamik ortamlara uyum sağlayabilir. Bu çalışmada, farklı hiperparametrelerle DL tabanlı kanal kestirimi performansı 5G OFDM sistemlerinde analiz edilmiş ve LS yöntemi ile karşılaştırılmıştır. Sonuçlar, optimum hiperparametrelerle DL modellerinin daha etkili sonuçlar verdiğini göstermektedir.
Keywords : Kanal Kestirimi, OFDM, Kablosuz Haberleşme, Derin Öğrenme, Parametre Optimizasyonu

ORIGINAL ARTICLE URL