AI Summary & Key Takeaways
AI InsightIn addition, the ability using the CNN network as a detector in NOMA systems reveals the power of classifiers in wireless communication systems.
📌 3 Key Takeaways
Abstract
Methods implemented at the physical level in order to transmit and receive signals at the receiver against channel fading in communication systems cause processing complexity. In recent years, Deep learning (DL) networks have been used as an alternative to reduce processing complexity. Non-orthogonal multiple access (NOMA) which has been to be a pioneer for future generation, provides high spectral efficiency by sharing users on the power axis in the same source block. However, successive interference cancellation (SIC) used for signal detection causes processing complexity. In this study, it is proposed to detect the received signal with DL as an alternative method in downlink and non-orthogonal multiple access (NOMA) communication systems. Convolutional neural network (CNN) is used as DL network. The error performance of CNN aided detector and SIC- ML (maximum likehood )based detector has been compared. In downlink and uplink NOMA communication systems, it is an important advantage that the near and far user bits can be estimated jointly with the CNN network and in some cases the bit error rate curves are better in DL detectors than SIC-ML detectors. In addition, the ability using the CNN network as a detector in NOMA systems reveals the power of classifiers in wireless communication systems.
Özet
Haberleşme sistemlerinde kanal sönümlemelerine karşı işareti iletmek ve alıcıda almak için fiziksel seviyede geliştirilen yöntemler işlem karmaşıklığına sebep olmaktadır. Son yıllarda işlem karmaşıklığını azaltmak için alternatif olarak Derin öğrenme (deep learning-DL) ağlarına başvurulmaktadır. Gelecek nesil haberleşme sistemleri için öncü olacağı düşünülen dikgen olmayan çoklu erişim (non-orthogonal multiple access-NOMA) kullanıcıları aynı kaynak bloğunda güç ekseninde paylaştırarak yüksek spektral verim sağlar. Fakat sinyal sezimi için kullanılan ardışık girişim engelleyici (successive interference cancellation-SIC) işlem karmaşıklığına sebep olmaktadır. Bu çalışmada aşağı yönlü (downlink) ve yukarı yönlü (uplink) NOMA haberleşme sistemlerinde alıcıya ulaşan işaretin alternatif olarak DL ile sezimi amaçlanmıştır. DL ağı olarak evrişimli sinir ağı (convolutional neural network-CNN) kullanılmıştır. CNN yardımlı sezici ve maksimum olabilirlikli (maximum likehood-ML)-SIC sezicisi hata başarımları karşılaştırılmıştır. Aşağı ve yukarı yönlü NOMA haberleşme sistemlerinde yakın ve uzak kullanıcı bitlerinin CNN ağıyla ortak kestirilebilmesi ve bazı durumlarda bit hata oranı grafiklerinin DL sezicilerde SIC-ML sezicilerden daha iyi bulunması önemli bir avantajdır. Ayrıca NOMA sistemlerinde CNN ağının sezici olarak kullanılabilmesi, sınıflandırıcıların kablosuz haberleşme sistemlerinde gücünü ortaya koymaktadır.