Comparative study of novel deep neural network architecture designs for faster-than-nyquist signaling detection

Tez Türü: Doktora

Tezin Yürütüldüğü Kurum: Ankara Yıldırım Beyazıt Üniversitesi, Mühendislik Ve Doğa Bilimleri Fakültesi, Elektrik-Elektronik Mühendisliği, Türkiye

Tez Danışmanı: Enver Çavuş

Tezin Onay Tarihi: 2025

Tezin Dili: İngilizce

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Faster-than-Nyquist (FTN) işaretleme, geleneksel Nyquist sınırının ötesine geçerek spektral verimliliği artırmayı amaçlayan umut verici bir yöntem olarak öne çıkmaktadır. Ancak, FTN sistemlerinde kasıtlı olarak oluşturulan semboller arası girişim (ISI), algılama sürecini oldukça karmaşık hale getirmektedir. Bu tez çalışmasında, söz konusu zorluğu etkin bir biçimde ele almak amacıyla geliştirilen yeni derin öğrenme tabanlı algılayıcı mimariler sunulmuştur. Çalışma kapsamında, FTN işaretlerinin zamansal bağımlılıklarını en verimli şekilde kullanmak üzere tasarlanmış evrişimsel ve tekrarlayan sinir ağı yapıları dâhil olmak üzere çeşitli derin sinir ağı modelleri önerilmiştir. Önerilen her bir model, farklı sıkıştırma faktörleri ve modülasyon türleri altında eğitilmiş ve değerlendirilmiştir. Bu sayede modellerin dayanıklılığı, ölçeklenebilirliği ve hesaplama karmaşıklıkları karşılaştırmalı olarak incelenmiştir. Klasik algılama algoritmalarıyla yapılan kapsamlı karşılaştırmalar, önerilen mimarilerin benzer algılama doğruluğunu çok daha düşük hesaplama maliyetiyle elde edebildiğini göstermiştir. Elde edilen sonuçlar, yapay zekâ destekli FTN algılama yöntemlerine yönelik artan araştırma ilgisine katkı sağlamakta ve gelecekteki haberleşme sistemleri için mimari tasarım stratejileri konusunda önemli çıkarımlar sunmaktadır.