4. MIMO-OFDM SİSTEMİNDE HAT UYARLAMASI
4.6. Sonuçlar
Bu bölümde IEEE 802.11n fiziksel katman standardını kullanan MIMO-OFDM sisteminde frekansta düz ve frekansta seçici kanallar için uyarlamalı modülasyon ve kodlamaya dayanan hat uyarlaması için MLP ağ yapısı önerilmektedir. Benzetim sonuçları MLP tabanlı AMC’nin k-NN ile karşılaştırıldığında daha iyi PER
123
performansı ve daha yüksek doğru sınıflandırma oranı sergilediğini göstermektedir. Ancak, MLP ağı frekansta düz kanallarda biraz düşük, frekansta seçici kanallarda ise yaklaşık aynı spektral verimlilik başarımına sahiptir. Önerilen yapay sinir ağı modeliyle daha güvenilir kablosuz haberleşme yapılmasına olanak sağlayan, düşük indeksli ve dolayısıyla düşük veri hızına sahip modülasyon ve kodlama şemasının seçilmesi garanti edilmektedir. k-NN sınıflandırıcısı eğitim işlemi gerektirmediğinden hesaplama karmaşıklığı MLP sınıflandırıcısına göre daha iyidir. Ancak eğitim kümesinin boyutunun artması k-NN sınıflandırıcısının daha fazla hafıza kullanımına neden olmaktadır. MLP sınıflandırıcısının hesaplama karmaşıklığı LM öğrenme algoritmasından dolayı oldukça fazladır. Ancak, test aşamasında hesaplama karmaşıklığı k-NN’ye göre oldukça azdır. Eğitim işlemi sürekli gerçekleştirilmeyeceğinden dolayı MLP ağının eğitim aşamasındaki hesaplama karmaşıklığı göz ardı edilebilir. Sonuç olarak, önerdiğimiz yapay sinir ağı yaklaşımı frekansta düz ve frekansta seçici kanallarda en iyi modülasyon derecesi ve kod hızının seçimine uygulanabilir. Sınıflandırıcıların seçimi kullanıcı gereksinimlerine bağlı olarak PER ve spektral verimlilik arasındaki ödünleşmeye bağlı olarak değişir.
124 SONUÇLAR VE ÖNERİLER
Kablosuz haberleşmede, verici ve alıcıda çok elemanlı anten dizileri ile donatılan çok girişli çok çıkışlı (Multiple Input Multiple Output, MIMO) sistemler özellikle veri hızına (kapasite) olan artan talebi karşılayabilen önemli teknolojilerden birisidir. Sistem kapasitesi, verici ve alıcı antenler arasındaki yayılım kanalından önemli derecede etkilenir. Bu nedenle MIMO kanalının modellenmesi ve geliştirilen bu modellere göre kanal başarımının değerlendirilmesi aktif çalışma konularından birisidir.
Bu tez çalışmasının ilk bölümünde, gerçek kanal yayılım koşullarını sağlayan, zaman bölmeli çift yönlü iletim (Time Division Duplex, TDD) modunda çalışan MIMO sistemler için kanal modellemesi gerçekleştirilmiştir. Kanalın kapasite başarımı değişen yayılım ve anten parametreleri türünden incelenmiştir. Elde edilen sonuçlar, kanal modelinin teorik sonuçlarla örtüştüğünü göstermektedir. Bu da kanal modelinin geçerliliğini doğrulamaktadır. Kanal modellemeden sonra, hızlı sönümlenen kablosuz senaryolarda, kanal kapasite iyileştirmesi için yukarı bağlantı MIMO kanal vektörlerinin AR modellemeye dayalı tahminleri üzerinde durulmuştur. Tahmin modelinin başarımı çeşitli kanal yayılım (mobil hızı, çoklu yol sayısı ve açısal yayılımları) ve filtre derecesi koşulları altında incelenmiştir. Başarım ölçütü olarak, tahmin edilen MIMO kanal kapasitesinin gerçek değerine olan yakınlığını gösteren bağıl kapasite gelişimi (ΔC) kullanılmıştır. Düşük mobil hızları (V≤60km/h)
için MIMO kanal tahmini için AR modellemenin kullanılması ΔC türünden bir
avantaj sağlamamaktadır. Yüksek mobil hızlarında (V≥90 km/h) ve yüksek filtre derecesi (p8) koşullarında daha yüksek ΔC değerleri elde edilmektedir. Ayrıca,
ortama eklenen daha çok sayıdaki çokluyol ile daha iyi kapasite gelişimi elde edilmektedir. Verici ve alıcıdaki çokluyolların açısal yayılımları küçük olduğu zaman MIMO kanal kapasitesindeki kayıp azalmaktadır.
125
Tez çalışmasının ikici bölümünde, dikey frekans bölmeli çoklama (Orthogonal Frequency Division Multiplexing, OFDM) teknolojisi ve IEEE 802.11n fiziksel katman standardını kullanan bir MIMO sisteminin dörtlü genlik modülasyonu (Quadrature Amplitude Modulation, QAM) derecesi ve kod hızı parametrelerini değişen kanal koşullarına uyarlayan ve dolayısıyla paket hata oranını azaltıp, veri hızı başarımını arttıran hat uyarlaması yöntemi geliştirilmiştir. Uyarlamalı modülasyon ve kodlamaya dayanan hat uyarlaması için geleneksel başvuru çizelgesi yerine, makine öğrenmesi tekniklerinden çok katmanlı perseptron ağ yapısı önerilmiştir. Frekansta düz ve frekansta seçici kanal koşullarında gerçekleştirilen simülasyonlarda, önerilen MLP ağı bir diğer makine öğrenmesi tekniklerinden k-NN algoritması ile karşılaştırılmıştır. Simülasyon sonuçları, MLP tabanlı AMC’nin daha iyi PER başarımı ve daha yüksek doğru sınıflandırma yüzdesi sergilediğini göstermektedir. Ancak, MLP ağı k-NN’ye göre frekansta düz kanallarda biraz düşük, frekansta seçici kanallarda hemen hemen aynı spektral verimlilik başarımına sahiptir. Önerilen yapay sinir ağı modeliyle daha güvenilir kablosuz haberleşme yapılmasına olanak sağlayan düşük indeksli ve dolayısıyla düşük veri hızına sahip modülasyon ve kodlama şemasının seçilmesi garanti edilmektedir. Sınıflandırıcıların hesaplama karmaşıklığı, hafıza kullanımı ve çıktı alma süresi gibi parametreleri göz önüne alındığında, önerilen yapay sinir ağı her iki kanal koşulunda optimum modülasyon derecesi ve kodlama hızı seçimine uygulanabilir bir yaklaşımdır. Aynı zamanda simülasyon sonuçları, sınıflandırıcıların kullanıcı gereksinimlerine bağlı olarak paket hata oranı ve spektral verimlilik arasındaki ödünleşmeye bağlı olarak da seçilebileceğini göstermektedir.
Tez çalışmasında gerçekleştirilen;
Kanal tahmini ve ANN tabanlı hat uyarlaması ile MIMO sisteminin başarımının özellikle veri hızı (kapasite) türünden önemli derecede artırılması sağlanmıştır. Kanal modelleme ve kanal tahmini ile kanal başarımının değerlendirilmesi hala
aktif çalışma alanı olduğu için elde edilen ve teorik çalışmaları destekleyen sonuçlar araştırmacılar için önemli referans oluşturacaktır.
Hat uyarlamasında verinin en az hatayla iletilmesini yani güvenirliliğini garanti eden özgün bir sınıflandırıcı modeli geliştirilmiştir.
126 Tartışma ve Öneriler:
Bu tez çalışmasında, MIMO sistemlerde kanal tahmini ve hat uyarlaması ile sistemin kapasite başarımının geliştirilmesine yönelik simülasyon tabanlı çalışmalar yapılmıştır.
Tez çalışmasından esinlenerek, kanal tahmini ve hat uyarlaması beraber incelenerek sonuçlar değerlendirilebilir. Ayrıca, yeni bir kanal kalite metriğinin türetilmesi konusunda araştırma ve geliştirme çalışmaları gerçekleştirilebilir.
Tez çalışmasında gerçekleştirilen sinir ağı tabanlı hat uyarlaması literatürdeki diğer makine öğrenmesi yöntemleriyle birlikte kullanılarak, modülasyon derecesi ve kod hızı parametrelerinin değişen kanal koşullarına doğru uyarlanma yüzdesinin artırılması sağlanabilir. Fakat, bu sayısal olarak karmaşık olan sistemi daha karmaşık hale getirecektir.
Öznitelik kümesinin boyutunu azaltmak için gerçekleştirilen sıralama işlemi gerçek öznitelik kümesini yansıtmayabilir. Bu durum bilgi kaybına neden olabilmektedir. Bu nedenle literatürdeki diğer boyut azaltma yöntemleri kullanılarak, karşılaştırılmalı analiz gerçekleştirilebilir.
127 KAYNAKLAR
Abdi, A., and Kaveh, M., “A space-time correlation model for multielement antenna systems in mobile fading channels”, IEEE Journal on Selected Areas in
Communications, 20(3), 550-560, (2002).
Alamouti, S., “A Simple Transmit Diversity Technique for Wireless Communications”, IEEE Journal on Selected Areas in Communications, 16(8), 1451–1458, (1998).
Almers, P., Bonek, E., Burr, A., Czink, N., Debbah, M., Degli-Esposti, V., Hofstetter, H., Kyösti, P., Laurenson, D., Matz, G., Molisch, A.F., Oestges, C., and Özcelik, H., “Survey of channel and radio propagation models for wireless MIMO systems”,
Eurasip Journal on Wireless Communications and Networking, 2007, 1–19,
(2007).
Alpaydin, E., “Introduction to Machine Learning”, The MIT Press, (2004).
Anderson, S., Millnert, M., Viberg, M., and Wahlberg, B., “An adaptive array for mobile communication systems”, IEEE Transactions on Vehicular Technology, 40(1), 230 –236, (1991).
Arya S., Mount, D.M., Netanyahu, N.S., Silverman, R., Wu, A., “An optimal algorithm for approximate nearest neighbor searching fixed dimensions”, Journal of
the ACM, 45(6), 891–923, (1998).
Beyer, K.S., Goldstein, J., Ramakrishnan, R., and Shaft, U., “When is „nearest neighbor‟ meaningful?”, 7th International Conference on Database Theory, 1999, 217–235, London, UK, (1999).
Bialkowski, M., “Research into multiple element antennas to enhance performance of wireless communication systems”, XVI Intrnl. Conf. on Microwaves, Radar,
Wireless Communications, 3, 1071–1082, (2006).
Blankenship, Y., Sartori, P., Classon, B., Desai, V., and Baum, K., “Link error prediction methods for multicarrier systems”, IEEE Vehicular Technology
Conference, VTC’04-fall, 6, 4175–4179, Los Angeles, USA, (2004).
Bölcskei, H., Gesbert, D., and Paulraj, A., “On the capacity of OFDM-based spatial multiplexing systems”, IEEE Transactions on Communications, 50(2), 225-234, (2002).
Caire, G., Taricco, G., and Biglieri, E., “Bit-Interleaved Coded Modulation”, IEEE
128
Catreux, S., Erceg, V., Gesbert, D., Heath Jr., R.W., “Adaptive Modulation and MIMO Coding for Broadband Wireless Data Networks”, IEEE Communications
Magazine, 40(6), 108–115, (2002).
Choi, C.-H., and Im, G.-H., “Bit-Interleaved Coded Transmission with Multilevel Modulation for MIMO-OFDM Systems”, IEEE Global Communications
Conference, GLOBECOM ’09, 1-6, Hawaii, USA, (2009).
Choi Y.-S., Alamouti, S., “A pragmatic phy abstraction technique for link adaptation and mimo switcing”, IEEE Journal on Selected Areas in Communications, 26(6), 960–971, (2008).
Cristianini, N., Shawe-Taylor, J., “An Introduction to Support Vector Machines and Other Kernel-based Learning Methods”, Cambridge University Press, (2000).
Daniels R.C., and Heath, R.W., Jr., “Online Adaptive Modulation and Coding with Support Vector Machines”, 16th IEEE European Wireless Conference, EW’10, Lucca, Italy, (2010).
Daniels, R.C., and Heath, R.W., “2x2 IEEE 802.11n data sets”,
http://users.ece.utexas.edu/˜rheath/research/learning (Ziyaret tarihi: 23 Aralık 2009a).
Daniels, R.C., and Heath, R.W., “An online learning framework for link adaptation in wireless networks”, IEEE Information Theory and Applications Workshop,
ITA’09, 138-140, UC San Diego, USA, (2009b).
Daniels, R.C., Caramanis, C.M., and Heath, R.W., “A supervised learning approach to adaptation in practical MIMO-OFDM wireless systems”, IEEE Global
Communications Conference, GLOBECOM ’08, 4583-4587, New Orleans, LA,
USA, (2008).
Daniels, R.C., Caramanis, C.M., and Heath, R.W., “Adaptation in convolutionally coded MIMO-OFDM wireless systems through supervised learning and SNR ordering”, IEEE Transactions on Vehicular Technology, 59(1), 114 –126, (2010). Das, S.S., Tariq, F., Rahman, M.I., Frederiksen, F.B., De Carvalho, E., and Prasad, R., “Impact of nonlinear power amplifier on link adaptation algorithm of OFDM systems”, IEEE Vehicular Technology Conference, VTC’07-fall, 1303 –1307, Baltimore, MD, USA, (2007).
Dong, L., Xu, G., and Ling, H., “Prediction of fast fading mobile radio channels in wideband communication systems”, IEEE Global Communications Conference,
GLOBECOM’01, 6, 3287-3291, S. Antonio, TX, USA, (2001).
Forenza, A., Pandharipande, A., Kim, H., Heath Jr., R.W., “Adaptive Transmission Scheme Selection for MIMO Systems”, Wireless World Research Forum,
129
Foschini, G. J., and Gans, M. J., “On limits of wireless communications in an fading environment when using multiple antennas”, Wireless Personal Communications, 6(3), 311–335, (1998).
Freitas Jr., W.C., Cavalcanti, F.R.P., de Almeida, A.L.F., Lopes, R.R., “Exploiting Dimensions of the MIMO Wireless Channel: Multidimensional Link Adaptation”,
IEEE 61st Vehicular Technology Conference, VTC’05-spring, 2, 924–928,
Stockholm, Sweden, (2005).
Freudenthaler, K., Springer, A., and Wehinger, J., “Novel SINR-to-CQI Mapping Maximizing the Throughput in HSDPA”, IEEE Wireless Communications and
Networking Conference, WCNC 2006, 2231-2235, Hong Kong, (2007).
Gesbert, D., Shafi, M., Shiu, D.-S, Smith, P. J., and Naguib, A., “From theory to practice: an overview of MIMO space-time coded wireless systems”, IEEE Journal
on Selected Areas in Communications, 21(3), 281–302, (2003).
Goldsmith, A.J., and Chua, S., “Adaptive coded modulation for fading channels,”
IEEE Transactions on Communications, 46(5), 595–602, (1998).
Haardt, M., Klein, A., Koehn, R., Oestreich, S., Purat, M., Sommer, V., and Ulrich, T., “The TD-CDMA based UTRA TDD mode”, IEEE Journal on Selected Areas in
Communications, 18(8), 1375–1385, (2000).
Haleem, M.A., and Chandramouli, R., “Adaptive stochastic iterative rate selection for wireless channels”, IEEE Communications Letters, 8(5), 292–294, (2004).
Haykin, S., “Adaptive Filter Theory”, Englewood Cliffs, HJ: Prentice Hall, (1996). Haykin, S., “Neural Networks and Learning Machines”, Prentice Hall, (2009). Heath, R.W., Sandhu, S., and Paulraj, A., “Antenna selection for spatial multiplexing systems with linear receivers”, IEEE Communications Letters, 5(4), 142–144, (2001).
Hydra : A MIMO-OFDM Multihop Testbed, http://hydra.ece.utexas.edu/download/ (Ziyaret tarihi: 23 Ocak 2010).
IEEE 802.11n Working Group, Wireless LAN Medium Access Control (MAC) and Physical Layer (PHY) Specifications - Enhancements for Higher Throughput, part 11 standard edition, (2009).
Javornik, T., Plevel, S., and Kandus, G., “A recursive link adaptation algorithm for MIMO systems”, 12th IEEE Mediterranean Electrotechnical Conference,
MELECON 2004, 429-432, Dubrovnik, Croatia, (2004).
Jensen, M.A., and Wallace, J.W., “A review of antennas and propagation for MIMO wireless systems”, IEEE Transactions on Antennas and Propagation, 52(11), 2810–2824, (2004).
130
Kant, S., and Jensen, T.L., “Fast link adaptation for IEEE 802.11n”, M.S. thesis, Aalborg University, (2007).
Kavak, A., Yang, W., Xu, G., and Vogel, W.J., “Characteristics of vector propagation channels in dynamic mobile scenarios”, IEEE Transactions on Antennas and
Propagation, 39(12), 1695-1702, (2001).
Kavak, A., Yigit, H., and Ertunc, H.M., “Using adaline neural network for performance improvement of smart antennas in TDD wireless communications”,
IEEE Transactions on Neural Networks, 16(6), 1616-1625, (2005).
Krim, H., and Viberg, M., “Two decades of array signal processing research”, IEEE
Signal Processing Magazine, 13(4), 67-94, (1996).
Lamarca, M., and Rey, F., “Indicators for PER prediction in wireless systems: A comparative study”, IEEE Vehicular Technology Conference, VTC 2005-Spring, 2(30), 792-796, Stockholm, Sweden, (2005).
Lampe, M., Giebel, T., Rohling, H., Zirwas W., “PER-prediction for PHY mode selection in OFDM communication systems”, IEEE Global Communications
Conference, GLOBECOM’03, 1, 25-29, San Francisco, USA, (2003).
Lampe, M., Rohling, H., and Zirwas, W., “Misunderstandings about link adaptation for frequency selective fading channels”, IEEE International Symposium on
Personal, Indoor and Mobile Radio Communications, PIMRC 2002, 2, 710–714,
Lisbon, Portugal, (2002).
Li, J., and Stefanov, A., “Exact pairwise error probability for block-fading MIMO OFDM systems”, IEEE Transactions on Vehicular Technology, 57(4), 2607–2611, (2008).
Manso, R.C., “Performance analysis of M-QAM with Viterbi softdecision decoding”, M.S. thesis, Naval Postgraduate School, Monterey, CA, (2003).
Martin, C., and Ottersten, B., “Analytic approximations of eigenvalue moments and mean channel capacity for MIMO channels,” IEEE International Conference on
Acoustics Speech and Signal Processing, ICASSP’02, 3, 2389–2392, Orlando,
Florida, USA, (2002).
Marzetta, T., and Hochwald, B., “Capacity of a mobile multiple antenna communication link in Rayleigh flat fading”, IEEE Transactions on Information
Theory, 45(1), 139–157, (1999).
McKay M.R., and Collings, I.B., “Capacity and performance of MIMO-BICM with zero-forcing receivers”, IEEE Transactions on Communications, 53(1), 74–83, (2005).
Misra, A., Krishnamurthy, V., and Schober, R., “Stochastic Learning Algorithms for Adaptive Modulation”, IEEE International Conference on Acoustics, Speech and
131
Signal Processing, ICASSP 2006, 4, 756-760, Toulouse, France, (2006).
Mitchell, T.M., “MachineLearning”, McGraw-HillScience, (1997).
Molisch, F., Steinbauer, M., Toeltsch, M., Bonek, E., and Thoma, R., “Capacity of MIMO systems based on measured wireless channels”, IEEE Journal on Selected
Areas in Communications, 20(3), 561–569, (2002).
Paulraj, A., Nabar, R., Gore, D., “Introduction to Space-Time Wireless Communications”, Cambridge University Press, Cambridge, UK, (2003).
Peng, F., Zhang, J., Ryan, W.E., “Adaptive modulation and coding for IEEE 802.11n”, IEEE Wireless Communications and Networking Conference,
WCNC’07, 656-661, Hong Kong, (2007).
Rappaport, T., “Wireless Communications: Principles and Practice”, Prentice Hall
PTR, Upper Saddle River, NJ, USA, (2001).
Razavi, B., “RF Microelectronics”, Prentice-Hall, Inc., Upper Saddle River, NJ, USA, (1998).
Roh, J.C., Rao, B.D., “Multiple Antenna Channels with Partial Channel State Information at The Transmitter”, IEEE Transactions on Wireless Communications, 3(2), 677–688, (2004).
Rolf Johannesson, R., and Zigangirov, K.S., “Fundamentals of Convolutional Coding”, Wiley-IEEE Press, (1999).
Saeed, M.A., Ali, B.M., Ismail, M., and Khatun, S., “Effects of spatial correlation and associated parameters on the capacity of MIMO fading channels”, IEEE
International Conference on Networks, ICON’05, 2, 785-790, Kuala Lumpur,
Malaysia, (2005).
Sandell, M., “Link Adaptation for MIMO Systems using Reliability Values”, IEEE
Wireless Communications and Networking Conference, WCNC 2006, Las Vegas,
NV, USA, 3, 1608–1613, (2006).
Sandhu, S., Heath, R., and Paulraj, A., “Space-time block codes versus space-time trellis codes”, IEEE International Conference on Communications, ICC’01, 4, 1132-1136, St.Petersburg, Russia, (2001).
Shannon, C.E., “A Mathematical Theory of Communication”, The Bell System
Technical Journal, 27, 379–423, 623–656, (1948).
Sharma, N., Ozarow, L.H., and Kogiantis, A.G., “MIMO channel statistics in the presence of non-uniform angle spread”, IEEE Communications Letters, 8(7), 428- 430, (2004).
132
prediction for adaptive modulation and coding in multiple-antenna OFDM systems”,
Signal Processing, 86(8), 1911–1919, (2006).
Smith, P. J., and Shafi, M., “Waterfilling methods for MIMO systems”, 3rd
Australian Communications Theory Workshop, AusCTW’02, 33–37, Canberra-
Australia, (2002).
Song, K.-B., Ekbal, A., Chung, S.T., and Cioffi, J.M., “Adaptive modulation and coding for bit-interleaved coded OFDM”, IEEE Transactions on Wireless
Communications, 5(7), 1685–1694, (2006).
Svantesson, T., and Swindlehurst, A.L., “A performance bound for prediction of MIMO channels”, IEEE Transactions on Signal Processing, 54(2), 520-529, (2006).
Tan, P.H., Wu, Y., Sun, S., “Link adaptation based on adaptive modulation and coding for multiple-antenna OFDM system”, IEEE Journal on Selected Areas in
Communications, 26(8), 1599–1606, (2008).
Tarokh, V., Jafarkhani, H., Calderbank, A.R., “Space-Time Block Codes from Orthogonal Designs”, IEEE Transactions on Information Theory, 45(5), 1456– 1467, (1999).
Tarokh, V., Naguib, A., Seshadri, N., Calderbank, A.R., “Combined Array Processing and Space-Time Coding”, IEEE Transactions on Information Theory, 45(4), 1121–1128, (1999).
Tarokh, V., Seshadri, N., and Calderbank, A. R., “Space-time codes for high data rate wireless communications: Performance criterion and code construction”, IEEE
Transactions on Information Theory, 44, 744-765, (1998).
Telatar, I.E., “Capacity of Multi-Antenna Gaussian Channels”, European
Transaction on Telecommunications, 10, 585–595, (1999).
Tsai, S., and Soong, A. “Effective-SNR mapping for modeling frame error rates in multiple-state channels”, 3GPP Standardization Document, 3GPP2, number 3GPP- C30-20030429-010, (2003).
Tse, D., and Viswanath, P., “Fundamentals of Wireless Communication”, Cambridge University Press, (2005).
Van Nee, R., Jones, V.K., Awater, G., Van Zelst, A., Gardner J., and Steele, G., “The 802.11n MIMO-OFDM standard for wireless LAN and beyond”, Wireless Personal
Communications, 37(3-4), 445–453, (2006).
Viterbi, A., “Convolutional codes and their performance in communication systems”,
IEEE Transactions on Communications, 19(5), 751–772, (1971).
133
State Information at the Transmitter”, IEEE Global Communications Conference,
GLOBECOM ’08, 1-5, New Orleans, LA, USA, (2008).
Wong, I.C., and Evans, B.L., Exploiting Spatio-Temporal Correlations in MIMO Wireless Channel Prediction, IEEE Global Communications Conference,
GLOBECOM ’06, 1-5, San Francisco, California, USA, (2006).
Vu, M., Paulraj, A., “On The Capacity of MIMO Wireless Channels with Dynamic CSIT”, IEEE Journal on Selected Areas in Communications, 25(7), 1269–1283, (2007).
Wennström, M., “On MIMO systems and adaptive arrays for wireless communication: Analysis and pratical issues”, Dissertation for the degree of Doctor
of Philosophy in Signal Processing, (2002).
Winters, J. H., “Smart antennas for wireless systems”, IEEE Personal
Communications Magazine, 5(1), 23-27, (1998)
Wu, X., Kumar, V., Quinlan, J.R., Ghosh, J., Yang, Q., MotodaH., McLachlan, G.J., Ng, A. Liu, B., Yu, P.S., Zhou, Z.-H., Steinbach, M., Hand, D.J., Steinberg, D., “Top 10 algorithms in data mining”, Springer Journal on Knowledge and Information
Systems, 14(1), 1-37, (2008).
Yiğit, H., “Zaman Bölüşümlü Çift Yönlü Akıllı Anten Sistemlerinde Vektör Kanal Tahmini ile Performans İyileştirilmesi”, Yüksek Lisans Tezi, Kocaeli Üniversitesi, (2005).
Yigit, H., and Kavak, A., “Adaptation using neural network in frequency selective MIMO-OFDM systems”, 5th IEEE International Symposium on Wireless
Pervasive Computing, ISWPC 2010, 390-394, Modena, Italy, (2010).
Yigit, H., Kavak, A., and Kucuk, K., “Capacity Improvement for TDD-MIMO Systems via AR Modeling Based Linear Prediction”, Wireless Personal
Communications, 52(2), 411-418, (2010).
Yu Hen Hu, Hwang, E.-N., "Handbook of Neural Network Signal Processing", The
CRC Press, (2002).
Yu, K., and Ottersten, B., “Models for MIMO propagation channels: a review”, John
Wiley & Sons Wireless Communications and Mobile Computing, 2, 653-666,
(2002).
Yunqian Ma, “Improving wireless link delivery ratio classification with packet SNR”, IEEE International Conference on Electro Information Technology,
EIT’05, Lincoln, Nebraska, USA, (2005).
Zhang, Y., Zhiguo, W., and Daoben, L., “A simulation study on the MIMO channel capacity for small angle spread correlated fading signals”, IEEE International
134 Chengdu, China, (2004).
Zheng, L., Tse, D.N.C., “Diversity and multiplexing: A fundamental tradeoff in multipleantenna channels”, IEEE Transactions on Information Theory, 49(5), 1073–1096, (2003).
Zhou S., and Giannakis, G.B., “How accurate channel prediction needs to be for transmit-beamforming with adaptive modulation over Rayleigh MIMO channels?”,
135 EKLER
EK–A: TDD-MIMO KANAL TAHMİNİNE AİT PROGRAM KODLARI
% TDD-MIMO Kanal Üretimi
function [mimochannel,tetat,tetar,Ns] =
tdd_mimo_channel(Mt,Mr,vr,mul,meandodt,meandoar... ,anglespreadt,anglespreadr,SNR)
% Mt, Mr sırasıyla verici ve alıcı anten elemanları sayısı c = 3e8; % ışık hızı
fc = 1.8e9; % taşıyıcı frekansı ld = c / fc; % dalga boyu
dr = ld/2; % alıcı anten elemanları arasındaki uzaklık dt = ld/2; % verici anten elemanları arasındaki uzaklık inct = [0 : Mt-1]';
incr = [0 : Mr-1]'; k = 2 * pi / ld;
fdmaxr = (vr * 1e3/3600) / ld; % Alıcıdaki maksimum Doppler frekansı Ts = (10 / 15) * 1e-3; % örnekleme zamanı
t = Ts : Ts : 30 * Ts; % zaman aralığı Ns = size(t , 2); % örnek sayısı
[tetat] = anglegeneration(mul,anglespreadt,meandodt); [tetar] = anglegeneration(mul,anglespreadr,meandoar); % Rayleigh sönümlemesi
[rayleighchannel] = RayleighEnvelope(Ns, vr, mul); % Verici ve alıcıdaki dizi yanıt vektörleri
Vt = zeros(Mt , mul); Vr = zeros(Mr , mul);
Vt = exp( - sqrt(-1) * k * dt * inct * sin(tetat) ); Vr = exp( - sqrt(-1) * k * dr * incr * sin(tetar) );
phsr = exp( sqrt(-1)*rand(mul,1) * 2*pi ); % alıcı antenlerdeki faz gecikmesi
for ars = 1 : size(Vr,2)
Vr(:,ars) = Vr(:,ars) * phsr(ars); end
% Doppler
Vangle = rand(mul,1) *2* pi; fd = fdmaxr * cos(Vangle); mimochannel = [];
for ii = 1 : Ns,
fid = 2 * pi * fd * t(ii); Doppler = exp( sqrt(-1) * fid ); spvec = zeros(Mr,Mt);
for ij = 1 : mul
sp = rayleighchannel(ij,ii) *Vr(:,ij) * Vt(:,ij)' * Doppler(ij); spvec = spvec + sp;
end
mimochannel = [mimochannel spvec]; end
% DOD ve DOA açılarının üretimi
function [teta] = anglegeneration(mul,anglespread,meanangle) if mul == 1,
teta = meanangle; else
136
maxangle = meanangle + anglespread / 2; tetamin = minangle;
tetamax = maxangle;
tetaara = round( rand(1 , mul - 2) * anglespread ) + tetamin; teta = [tetamin tetaara tetamax];
teta = sort(teta); end
teta = teta * pi / 180; % direction angle of multipaths signals
% Rayleigh zarfı
function [alfa] = RayleighEnvelope(Ns, v, mul) alfa=[]; fc = 1.8e9; sr = 3; % oversampling rate randn('seed',sum(100*clock)); rand('seed',sum(100*clock)) v = v + .01; sz = Ns; for ii = 1 : mul, % Doppler filter hI = randn(1,sz); hQ = randn(1,sz); h1 = hI + j*hQ; fm = v * fc / 300e3 / 3600; sz1 = 2 * fix(sz / 2) + 3; f = fc - .99 * 15000 : .99 *30000/(sz1-1):fc+.99*15000; S=abs((1./sqrt(1-((f-fc)/fm).^2))); S=S(2:sz+1); S=[S(sz/2+1:sz) S(1:sz/2)]; hI=fft(hI); hQ=fft(hQ); hI1=real(ifft(S.*hI)); hQ1=real(ifft(S.*hQ)); se=mean(S); h=hI1+j*hQ1; clear hI hQ; R=abs(h); R=1/(mean(R))*R; alfa=[alfa;R]; end
% TDD-MIMO Kanal Analizi ve Kanal Tahmini Simülasyonları
clear all; clc; close all; % Boş matris
Xmatrix_no_csi = []; Xmatrix_csi = [];
CDFmatrix_no_csi = []; CDFmatrix_csi = []; A=[]; % Parametreler
SignalEnergyMin = 0; % minimum iletim enerjisi SignalEnergyMax = 30; % maksimum iletim enerjisi SignalEnergy_inc = 5; % enerji artırım aralığı WGNPower = 1; % gürültü gücü EnergiesdB = SignalEnergyMin:SignalEnergy_inc:SignalEnergyMax; Energies = 10.^(EnergiesdB./10); SNR = Energies / WGNPower ; Eb = SNR(3) / Mt transmitter = [2 3 4 5 6 7 8]; receiver = [2 3 4 5 6 7 8]; ast = [5 15 30 45 60 75 90]; asr = [5 15 30 45 60 75 90]; hiz = [0 10 20 30 40 50 60 70 80 90 100]; multipath = [5 10 15 20 25 30];
order = [2 4 6 8]; % Tahmin filtresi derecesi
% Hız değişiminin kanal kapasitesi ve kapasite gelişimi üzerine etkisi for k = 1 : size(hiz,2)
Mt = transmitter(4); % verici antenlerin sayısı Mr = receiver(4); % alıcı antenlerin sayısı vr = hiz(k); % mobil istasyonun hızı (km/h) mul = multipath(4); % çokluyol sayısı for iteration = 1 : 30000
137
meandodt = round(rand(1)*180); % vericideki çokluyolların ortalama DOD meandoar = round(rand(1)*180); % alıcıdaki çokluyolların ortalama DOD anglespreadt = round(rand(1)*90); % Vericideki açısal yayılım
anglespreadr = round(rand(1)*90); % Alıcıdaki açısal yayılım