Tez No İndirme Tez Künye Durumu
421162
A low complexity detector for very large MIMO / Geniş MIMO sistemlerde hızlı kod çözme yöntemleri
Yazar:ERGİN ASLAN
Danışman: PROF. DR. MEHMET ERTUĞRUL ÇELEBİ
Yer Bilgisi: İstanbul Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı / Telekomünikasyon Mühendisliği Bilim Dalı
Konu:Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering
Dizin:
Onaylandı
Yüksek Lisans
İngilizce
2016
107 s.
Çok girişli çok çıkışlı sistemler (MIMO) alıcı ve vericide birden fazla anten kullanan sistemlerdir. Bu sistemler sığa kazancı, daha güvenilir bağlantı ve etkin güç kullanımı gibi avantajlar sağlar. Çok antenli sistemler kablosuz iletişim ağlarının performansını arttırır. MIMO sistemlerin sağlamış olduğu avantajlardan birisi de çeşitleme kazancıdır. MIMO sistemler çeşitleme kazancını artırarak kanal sönümlemesini azaltmak amacıyla kullanılmaktadır. Bu sistemlerin sağladığı maksimum çeşitleme kazancı n_t xn_r dir. Burada n_t vericideki anten sayısını ve n_r alıcıdaki anten sayısını göstermektedir. Bu sistemlerin sunmuş olduğu diğer bir avantaj ise yüksek veri hızıdır. Veri hızı bilgi dizisi antenlerden paralel olarak gönderilerek artırılabilir. Bir kanalda gönderilecek veri hızı kanal sığası ile sınırlıdır. Kanal sığası haberleşme sistemleri için bir performans ölçütüdür ve güvenilir bir iletişim için sağlanabilecek en yüksek veri hızını belirtir. Rayleigh sönümlemeli kanallar için kanal sığasının alıcı ve vericideki minimum anten sayısı ile doğrusal olarak arttığı görülmüştür. Görüldüğü gibi, MIMO sistemlerin sağlamış olduğu avantajlar alıcı ve vericide kullanılan anten sayısı ile orantılı artmaktadır. Dolayısıyla, MIMO sistemlerin potansiyeli kullanılan anten sayısı arttıkça artar. Yüksek potansiyele ulaşmak için, MIMO Sistemlerde alıcı ve vericide çok fazla sayıda anten kullanılmalıdır. Böyle sistemler literatürde çok geniş (very large) MIMO veya yoğun (massive) MIMO olarak adlandırılırlar. Geniş MIMO sistemlerde en önemli problemlerden biri vericiden gönderilen bilgi dizisinin alıcıda tekrar çözülmesidir. Verici antenlerden eş zamanlı olarak gönderilen işaretlerin alıcıda uzaysal girişim yaratmasından dolayı, geniş MIMO sistemlerde alıcıda alınan işaretin yeniden elde edilmesi tek girişli tek çıkışlı (SISO), tek girişli çok çıkışlı (SIMO) ya da çok girişli tek çıkışlı (MISO) sistemlere göre daha karmaşıktır. Uzaysal girişim olduğunda, alıcıda işaretin yeniden elde edilmesi karışık işaret işleme teknikleri gerektirmektedir. Ortalama bit hata olasılığını minimize etmede en iyi alıcı en büyük olabilirlikli (ML) alıcıdır. ML alıcı karesel Öklid uzaklığını minimize etme problemini çözer. Anten sayısının çok büyük olduğu durumlarda, sönümlemesiz tek girişli tek çıkışlı (SISO) toplamsal beyaz Gauss gürültülü (AWGN) kanalın performansı ML alıcının performansının üst sınırını vermektedir. ML alıcının sembol hata olasılığı (SER) performansı en iyidir. Buna rağmen bu alıcının hesaplama karmaşıklığı vericideki anten sayısı ile üsteldir. Öyle ki, M modülasyon kümesinin eleman sayısını ve n_t vericide kullanılan anten sayısını gösterdiğinde, ML alıcının hesaplama karmaşıklığı O(M^(n_t ) ) olur. Hesaplama karmaşıklığının bu kadar yüksek olmasından dolayı, ML alıcı sadece kullanılan anten sayısının küçük olduğu uygulamalarda kullanılabilir ve pratikte geniş MIMO sistemlerde kullanılmaya uygun değildir. Literatürde, bazı iyi bilinen düşük hesaplama karmaşıklığına sahip alıcılar bulunmaktadır. Bu alıcılara sıfır zorlama (ZF), uyumlu süzgeç (MF), minimum ortalama hata kare (MMSE) örnek olarak verilebilir. Bu kod çözme teknikleri düşük hesaplama karmaşıklığına sahiptirler. MMSE ve ZF alıcıların sembol başına düşen hesaplama karmaşıklığı O〖(n〗_t^2) dir. MF alıcının ise sembol başına düşen hesaplama karmaşıklığı O(n_t)dir. Burada n_t=n_r olarak farz edilmiş ve hesaplama karmaşıklığı ona göre verilmiştir. Bu alıcıların hesaplama karmaşıklığı ML kod çözme yönteminin hesaplama karmaşıklığına göre oldukça düşüktür. Buna rağmen, bu alıcıların BER performansları MIMO sistemde alıcı ve vericide kullanılan anten sayısı arttıkça düşmektedir. Bu yüzden bu alıcılar geniş MIMO sistemlerde kullanılmaya uygun değildirler. Literatürde SISO AWGN kanalın BER performansına yaklaşan ve düşük hesaplama karmaşıklığına sahip kod çözme yöntemleri bulunmaktadır. Bunlardan biri de yerel komşuluk aramaya dayalı, olabilirlik yükselen aramadır (LAS). Bu kod çözme algoritmasının performansı, alıcı ve vericide yüksek sayıda anten kullanıldığında, SISO AWGN kanalın performansına yaklaşmaktadır. LAS algoritmasının hesaplama karmaşıklığı yaklaşık olarak ZF ve MMSE gibi alıcıların hesaplama karmaşıklıkları ile aynıdır. Bu da ML alıcıya göre çok daha düşük bir karmaşıklığa sahip olduğunu göstermektedir. Yapay sinir ağlar çok girişli doğrusal olmayan aygıtlar olarak tanımlanabilir. Bu ağlarda sinirler giriş değerlerine, her bir bağlantının sinirsel ağırlığına ve eşik değerine bağlı olarak çıkış değeri üretirler. Yapay sinir ağlar uzun yıllardır optimizasyon alanında kullanılmaktadır. Yapay sinir ağlarında farklı birçok model bulunmaktadır. Bu modellerden biri de Hopfield sinir ağlarıdır. Hopfield sinir ağlarının optimizasyon alanında kullanımı sinir ağlarının hızlı olmasından ve bu optimizasyon problemlerinin hızlı bir şekilde çözülebilmesinden kaynaklanmaktadır. Hopfield sinir ağlarının optimizasyon problemlerindeki uygulamaları Lyapunov (enerji) fonksiyonuna dayanmaktadır. Bu fonksiyon ağ değişirken azalmaktadır. Bu yüzden ağ durağan duruma geldiği zaman enerji fonksiyonunun yerel minimum noktası bulunmuş olur. Hopfield ağı ile özel bir optimizasyon problemini çözmek için Lyapunov fonksiyonunun hedef problemin maliyet fonksiyonuna göre düzenlenmesi ve buna göre ağın tasarlanması gerekmektedir. Daha sonra Hopfield sinir ağı dinamik olarak optimizasyon probleminin çözümünü bulmaktadır. Bu tezde, düşük hesaplama karmaşıklığına sahip, ayrık zaman Hopfield sinir ağı (DHNN) tabanlı bir alıcı önerilmektedir. Bu alıcı algoritmasında her seferde tek bir sinir güncellemesi yapan asenkron (seri) DHNN kullanılmıştır. Lyapunov fonksiyonu ML kod çözme probleminin maliyet fonksiyonuna göre düzenlenmiş ve Hopfield sinir ağı buna göre tasarlanmıştır. Her bir sinirin başlangıç değeri ZF, MMSE ve MF gibi bilinen kod çözücüler ile ya da rastgele olarak üretilmiştir. Hopfield ağı, güncelleme fonksiyonuna göre her seferde bir siniri günceller. Sinir ağın her bir sinir güncellemesinde maliyet fonksiyonu azalmaktadır. Böylece başlangıçta kullanılan filtrelere göre daha düşük bir yerel minimum noktası bulunabilmekte ve önerilen kod çözme algoritmasının BER performansı artmaktadır. Algoritma verilen durma ölçütü sağlanana kadar sinirleri güncellemeye devam etmektedir. Ağ durağan duruma geldiği zaman durma ölçütü sağlanmış olur ve algoritma güncellemeleri durdurur. Böylece algoritma çözüm kümesini bulmuş olur. Önerilen kod çözme algoritmasının BER performansının, alıcı ve vericide yüksek sayıda anten kullanıldığında, SISO AWGN performansına yaklaştığı görülmektedir. Hesaplama karmaşıklığı ML kod çözme algoritmasına göre daha düşüktür. Bu yöntem kullanıldığında, çok seviyeli kuantalama, çoklu eşik değerleri ile karşılaştırma ve bir takım koşulların kontrol edilmesi gibi işlem yükü gerektiren hesaplamalara gerek kalmamaktadır.
Multiple input multiple output (MIMO) systems is an antenna technology which uses multiple antennas at the transmitter and the receiver. MIMO systems have several advantages including high date rates and spatial diversity. The capacity of these systems grows linearly with increasing number of antennas. In order to achieve full capacity of MIMO system, large number of antennas should be used at the transmitter and the receiver. This system is referred to as large MIMO or massive MIMO system. One of the important problems in large MIMO system is the performance and complexity of the receiver. Optimum decoding in the sense of minimizing the average probability of bit error is maximum likelihood (ML) decoding. Bit error rate (BER) performance of ML decoding is best, but computational complexity of this decoding algorithm is exponential, i.e., O(M^(n_t )), where M is cardinality of modulation alphabet and n_t is number of transmit antennas. Because of the computational complexity, ML decoding algorithm is not feasible to use in large MIMO systems. There are some well-known low complexity detectors like zero-forcing (ZF), matched filter (MF), and minimum mean-square error (MMSE). These decoding techniques have low computational complexity, but they achieve poor performance. Therefore, these decoding algorithms cannot be used in large MIMO systems. Another decoding method is likelihood ascent search (LAS) which is based on local neighborhood search, have been investigated. This method converges to the performance of single input single output (SISO) additive white Gaussian noise (AWGN) for large number of antennas and has lower computational complexity than ML decoding. In this thesis, a low complexity decoding algorithm based on discrete-time Hopfield neural network (DHNN) is proposed. In this decoding algorithm, asynchronous DHNN is used which updates each neuron serially. The proposed decoding algorithm starts with an initial solution vector which is generated randomly or by well-known low complexity detectors like ZF, MMSE, or MF. Then the algorithm updates neurons until given stopping criteria is satisfied. When network reaches to a stable state, then stopping criteria is satisfied and algorithm terminates. It is shown that, the proposed detector converges to SISO AWGN performance for large number of antennas. The computational and algorithmic complexity of the proposed detector is much lesser than the complexity of ML decoding. Using the proposed decoding algorithm, there are no necessity to conditional evolution, comparison to multiple thresholds and multi-level quantizations for updating in the search stage.