REPRESENTATION LEARNING BASED DOWNLINK CHANNEL COVARIANCE MATRIX ESTIMATION FOR FDD MASSIVE MIMO

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRİK VE ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: İngilizce

Öğrenci: MELİH CAN ZERİN

Asıl Danışman (Eş Danışmanlı Tezler İçin): Ali Özgür Yilmaz

Eş Danışman: Elif Vural

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu tezde, baz istasyonunun (BS) düzgün doğrusal dizi (ULA) anten yapısına sahip olduğu frekans bölmeli çift yönlü (FDD) kitlesel çok girdili çok çıktılı (MIMO) haberleşme sistemleri için aşağı bağlantılı (DL) kanal kovaryans matrisi (CCM) kestirimi için bir algoritma önerilmektedir. Açısal karşılıklılık nedeniyle yukarı bağlantılı (UL) CCM ile DL CCM arasındaki doğal benzerlikten faydalanılmıştır. UL CCM'nin bir eşleme fonksiyonu ile DL CCM'ye eşlendiği bir ortam ele alınmıştır. Öncelikle, yüksek tahmin performansı elde etmek için eşleme fonksiyonunun Lipschitz düzenliliğinin önemine dikkat çeken bir eşleme fonksiyonu oluşturarak doğrusal olmayan bir gömülümü öğrenmenin teorik hata analizi sunulmuştur. Daha sonra, kestirim probleminin çözümü için, bu teorik temele dayanan bir gösterim öğrenme algoritması önerilmektedir. Bu algoritmada, UL CCM'leri DL karşılıklarına eşlemek için Gaussian RBF kernel interpolasyon fonksiyonları eşleme fonksiyonu olarak seçilmiştir. Önerilen algoritma, eğitim veri setindeki DL CCM ve UL CCM örnekleri arasında bir regresyon modeline uyan ve UL CCM uzayındaki verilerin yerel geometrik yapısını koruyan, aynı zamanda eşleme fonksiyonunun Lipschitz sürekliliğini teorik bulgularımız ışığında açık bir şekilde düzenleyen bir amaç fonksiyonun optimizasyonuna dayanmaktadır. Önerilen algoritma, simülasyonların gösterdiği üzere üç hata metriği açısından literatürdeki yöntemleri geride bırakmaktadır.