19642

16972

كارشناسي ارشد

مخابرات سيستم

اصفهان : دانشگاه صنعتي اصفهان

1403

شانزده، 116ص. :مصور، جدول، نمودار

1403/06/13

كتابنامه

مهندسي برق

مهندسي برق و كامپيوتر

1403/06/17

23059823

صفحات بازتابنده هوشمند يا صفحات هوشمند قابل بازپيكربندي(RIS)از جمله تكنولوژي‌هاي مورد استفاده در نسل ششم شبكه‌هاي مخابراتي بي سيم هستندكه به علت كم هزينه بودن از لحاظ ساخت و سهولت استفاده، به عنوان يك راه حل كارآمد براي دستيابي به كارآيي طيفي بالا معرفي شده است. از لحاظ ساختار، RIS از تعدادي المان‌هاي قابل كنترل ساخته شده است كه مي‌تواند محيط انتشار را به شكل هوشمندانه تغيير دهد. اما در كنار اين مزيت‌ها چالش‌هايي نيز در به كارگيري RIS وجود دارد كه يكي از اين چالش‌ها تخمين كانال و به دست آوردن اطلاعات حالت كانال است. تخمين كانال در سيستم‌هاي مخابراتي مجهز به RIS با تخمين كانال در حالت مرسوم متفاوت است، به اين دليل كه به صورت همزمان با يك كانال مستقيم و يك كانال مركب مواجه هستيم. با توجه به تعداد بالاي المان‌هاي RIS ميزان سربار راهنماي مورد نياز براي تخمين كانال مركب بسيار بيشتر از حالت مرسوم است. از طرف ديگر اعمال روش‌هاي استفاده شده براي تخمين كانال در نسل‌هاي قبلي شبكه‌هاي مخابراتي همانند كمترين مربعات (LS) و كمترين ميانگين خطي مربعات خطا (LMMSE) ما را به نتيجه مطلوب نمي‌رساند. از اين رو نيازمند روش‌هايي هستيم كه در عين اينكه حجم محاسبات بالا براي تخمين كانال مركب را انجام مي‌دهند، سربار راهنماي كمتري را صرف كنند. در اين پايان نامه دو روش براي تخمين كانال در سيستم‌هاي مخابراتي مجهز به RIS معرفي شده است. روش اول از تركيب تخمين LS با يادگيري انباشتي به منظور حذف نويز از سيگنال دريافتي و تخمين كانال استفاده شده است. توانايي بالاي يادگيري انباشتي در نويز‌‌زدايي از سيگنال دريافتي توجه زيادي را در بحث تخمين كانال در سيستم‌هاي مخابراتي مجهز به RIS به خود جلب كرده‌است. در روش پيشنهادي اول سعي شده است تا با ايجاد تغييرات در يك ساختار مبتني بر پايه يادگيري انباشتي، ساختار جديدي ارائه شود تا ميزان دقت تخمين ساختار مرجع را افزايش دهد. يكي ديگر از ابزارهايي كه براي نويز‌زدايي از تصاوير به كار مي‌رود،تبديل موجك است. در روش دوم از تبديل موجك به منظور نويز‌زدايي از ماتريس سيگنال دريافتي استفاده شده است. در اين روش ابتدا ماتريس سيگنال دريافتي با استفاده از تبديل موجك نويز‌زدايي شده، تخمين LS بر روي آن اعمال مي شود و سپس عمليات نويز‌زدايي با استفاده از تبديل موجك بر روي ماتريس كانال تخمين زده شده اعمال مي‌شود. در قسمت نتايج نشان داده خواهد شد كه دقت حاصل از تخمين در اين روش با دقت حاصل از روش مرجع در يادگيري انباشتي تقريبا برابر است.

Smart Reconfigurable Surfaces or Reconfigurable Intelligent Surfaces (RIS) are among the technologies used in the sixth generation of wireless telecommunication networks. These surfaces have been introduced as an efficient solution to achieve high spectral efficiency due to their low construction costs and ease of use. Structurally, RIS is made up of a number of controllable elements that can change the propagation environment intelligently. However, despite these advantages, there are also challenges in using RIS, one of which is channel estimation and obtaining Channel State Information. Channel estimation in RIS-Aided telecommunication systems is different from traditional channel estimation because it involves dealing with both a direct channel and a cascade channel simultaneously. Due to the high number of RIS elements, the amount of pilot overhead required for the estimation of the cascade channel is much higher than in the traditional mode. On the other hand, applying methods used for channel estimation in previous generations of telecommunication networks, such as the least squares (LS) and the lowest linear mean square error (LMMSE), does not yield the desired results. Therefore, it requires methods that spend less pilot overhead while performing high computations for the estimation of the cascade channel. In this thesis, two methods for channel estimation in RIS-Aided telecommunication systems have been introduced. The first method combines LS estimation with Residual learning to remove noise from the received signal and improve channel estimation. The high ability of Residual learning to denoise the received signal has attracted a lot of attention in the discussion of channel estimation in RIS-Aided telecommunication systems. In the first proposed method, it has been tried to introduce a new structure by modifying a Residual learning-based framework to increase the accuracy of estimating the reference structure. Another tool used to denoise images is wavelet transform. In the second method, wavelet transformation is used to denoise the received signal matrix. In this method, the received signal matrix is first processed with LS estimation using the denoised wavelet transform. Then, wavelet transform is applied to the estimated channel matrix to further denoise it. In the results section, it will be shown that the accuracy of this method is nearly equivalent to that of the reference method based on residual learning.

فروغ السادات طباطباء , محمدصادق فاضل فلاورجاني

حسين سعيدي , نيلوفر احمدي پور