Neural Network Based Channel Estimation for Time-Varying Ofdm Systems

Abstract

LTE gibi sistemler sayesinde, maksimum 100 Mbit/s'ye kadar veri hızlarına ulaşmak mümkün olmaktadır. Ancak, bu hızlara kullanıcı tarafındaki hareketliliğin olmadığı veya düşük olduğu senaryolarda erişilebilir. Kullanıcının hareket hızı arttıkça, kanal kestirimi yönteminin düşük kompleksiteye sahip olması gerekliliği de artmaktadır, çünkü kanalın zamana bağımlı özelliği kötüleşmektedir. Derin öğrenme, birçok sektörde geleneksel yöntemlerin yavaş yavaş yerini almaya başlayarak, çeşitli alanlarda sıkça kullanılır hale gelmektedir. Derin öğrenmenin hesaplama karmaşıklığını azaltmak ve sistem performansını artırmak hakkındaki kabiliyeti kanıtlanmıştır. Bu tez, derin sinir ağları (DNN) kullanarak zamana bağlı ortogonal frekans bölmeli çoklu erişim (OFDM) kanalları için bir kanal kestirimi yöntemi önermektedir. Kanal kestiriminin hesaplama karmaşıklığını azaltmak için zamana bağlı hızla değişen OFDM kanalını temsil etmek için Legendre polinom katsayıları kullanılmaktadır. Lineer minimum ortalama karesel hata (LMMSE) kullanılarak kanalı temsil eden polinom katsayılarının başlangıç değerleri kestirilmiş ve kestirim doğruluğu DNN ile arttırılmıştır. Sonuçlar, mekansal alternatif genelleştirilmiş beklenti maksimizasyonu - maksimum a posteriori olasılık (SAGE-MAP) ve LMMSE kanal kestirim yöntemi ile karşılaştırılmaktadır. Düşük sinyal-gürültü oranlarında DNN temelli kestirim daha küçük ortalama karesel hata (MSE) ve sembol hata oranları (SER) elde edildiği gösterilmiştir.

Systems like LTE makes it possible to reach data rates up to a maximum of 100Mbit/s. However, these bit rates are accessible when there is nomadic mobility at the user end. As the user's movement speed increases, the necessity of a low-complexity channel estimation method is also increasing because the time-invariant feature of the channel deteriorates. Deep learning is increasingly embedded in various fields and slowly replacing conventional methods across many sectors. It has already proven its capability to decrease computational complexity and increase the system's performance. This thesis proposes a channel estimation method for time-varying orthogonal frequency division multiplexing (OFDM) channels using deep neural networks (DNN). We utilize a Legendre polynomial approach to represent the rapidly changing time-varying OFDM channel to reduce the computational complexity of the estimation. Using linear minimum mean-square error (LMMSE), initial values of the polynomial coefficients that represent the channel are estimated, and the estimation accuracy has been improved with DNN. The results are compared with an iterative estimation algorithm that is space alternating generalized expectation maximization—maximum a posteriori probability (SAGE-MAP) and LMMSE estimation. It is shown that smaller mean square error (MSE) and symbol error rates (SER) were obtained with DNN-based estimation at lower signal-to-noise ratios.