Hybrid channel estimation in wireless sensor networks using machine learning
Makine öğrenmesi ile kablosuz sensör ağlarında hibrit kanal kestirimi
- Tez No: 971539
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDULLAH TALHA SÖZER
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Görünür ışık iletişimi, Kablosuz sensör ağları, Kanal kestirimi, Karar ağacı, Makine öğrenmesi, Radyo frekanslı tanıma, Rastgele ormanlar, Visible light communication, Wireless sensor networks, Channel estimation, Decision tree, Machine learning, Radio frequency identification, Random forests
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, Görünür Işık İletişimi (VLC) ve Radyo Frekansı (RF) bağlantıları üzerinden Genelleştirilmiş Frekans Bölmeli Çoğullama (GFDM) kullanan Kablosuz Sensör Ağlarında (WSN'ler) hibrit kanal kestirimi için Ağaç tabanlı bir regresyon modeli sunmaktadır. Hibrit kanal modeli, gerçekçi yayılım koşullarını yakalamak amacıyla Toplamsal Beyaz Gauss Gürültüsü (AWGN) ve Rayleigh solma etkilerini içermektedir. Minimum Ortalama Kare Hata Kestiricisi (MMSE) Doğrusal Minimum Ortalama Kare Hata Kestiricisi (LMMSE) gibi geleneksel kestiriciler, katı analitik yapıları nedeniyle doğrusal olmayan ve dinamik ortamlarda genelleme yeteneklerini kaybetmektedir. Bu sınırlamaları aşmak için, –5 dB ile 30 dB arasında 36 SNR seviyesinde, 18.000 sentetik örnek üzerinde eğitilen sekiz teknik (MMSE, LMMSE), Doğrusal Regresyon, Karar Ağacı (önerilen), Rastgele Orman, Destek Vektör Makinesi (SVM), Yapay Sinir Ağı (ANN) ve Tekrarlayan Sinir Ağı (RNN)) değerlendirilmiştir. Başarım; doğruluk, bit hata oranı (BER), determinasyon katsayısı (R²) ve çıkarım süresi ile ölçülmüştür. Düşük SNR'de (0 dB) MMSE %62,024 doğruluk, 0,3797 BER ve R² = –2,0949 elde ederken, LMMSE %62,049 doğruluk, 0,37951 BER ve R² = –2,0355 değerleriyle benzer şekilde düşük model uyumu göstermiştir. Buna karşılık önerilen Ağaç modeli %61,465 doğruluk, 0,3853 BER ve pozitif R² = 0,1098 ile gürültü altında daha iyi genelleme göstermiştir. Orta SNR'de (10 dB) MMSE %80,593 doğruluk, 0,1940 BER ve R² = 0,6434; LMMSE ise %80,671 doğruluk, 0,19329 BER ve R² = 0,6436 elde etmiştir. Ağaç modeli ise %82,591 doğruluk, 0,1740 BER ve R² = 0,7118 ile daha iyi öngörü uyumu sağlamıştır. Yüksek SNR'de (30 dB) MMSE %88,645 doğruluk, 0,1135 BER ve R² = 0,7794; LMMSE ise %88,782 doğruluk, 0,11218 BER ve R² = 0,7768 kaydetmiştir. Ağaç modeli ise %97,633 doğruluk, 0,023669 BER ve R² = 0,9601 ile daha yüksek performans göstermiştir. Çıkarım süresi analizinde MMSE (0,0073 s) ve LMMSE (0,0090 s) en hızlı yöntemler olsa da, düşük genelleme kabiliyeti pratik uygulanabilirliklerini sınırlamaktadır. Ağaç modelinin çıkarım süresi (45,53 s), Rastgele Orman (140,09 s) ve SVM'den (189,35 s) belirgin şekilde daha kısa (ANN: 603,21 s, RNN: 854,72 s) olup çok daha verimlidir. Bu durum, modeli gecikmeye duyarlı ve düşük güçlü WSN uygulamaları için uygun kılmaktadır. Sonuç olarak, Rastgele Orman ve SVM zaman zaman tekil metriklerde Ağaç modelini geçse de yüksek hesaplama maliyetleri pratik kullanımlarını kısıtlamaktadır. ANN ve RNN yüksek SNR'de güçlü performans göstermiş ancak hesaplama açısından pahalı kalmıştır. Önerilen Ağaç tabanlı yaklaşım; doğruluk, BER, genelleme ve hız arasında tutarlı bir denge sağlayarak, gerçek zamanlı hibrit VLC–RF kanal kestirimi için GFDM tabanlı WSN'lerde cazip bir seçenek sunmaktadır.
Özet (Çeviri)
This work presents a Tree-based regression model for hybrid channel estimation in Wireless Sensor Networks (WSNs) employing Generalized Frequency Division Multiplexing (GFDM) over both Visible Light Communication (VLC) and Radio Frequency (RF) links. The hybrid channel model incorporates Additive White Gaussian Noise (AWGN) and Rayleigh fading, capturing realistic propagation conditions. Conventional estimators, such as Minimum Mean Square Error Estimator (MMSE) and Linear Minimum Mean Square Error Estimato (LMMSE), often fail to generalize in nonlinear and dynamic environments due to their rigid analytical structure. To address these limitations, we evaluate eight techniques MMSE, LMMSE, Linear Regression, Decision Tree, Random Forest, Support Vector Machine (SVM), Artificial Neural Network (ANN), and Recurrent Neural Network (RNN) trained on 18,000 synthetic samples across 36 SNR levels from –5 dB to 30 dB. Performance was assessed using accuracy, bit error rate (BER), coefficient of determination (R²), and inference time. At low SNR (0 dB), MMSE achieved 62.024% accuracy, 0.3797 BER, and R² = –2.0949, while LMMSE recorded 62.049% accuracy, 0.3795 BER, and R² = –2.0355, both showing poor model fit. In contrast, the proposed Tree model achieved 61.465% accuracy, 0.38535 BER, and positive R² = 0.1098, indicating better generalization under noise. At mid SNR (10 dB), MMSE reached 80.593% accuracy, 0.1940 BER, and R² = 0.6434, while LMMSE achieved 80.671% accuracy, 0.19329 BER, and R² = 0.64367. The Tree model delivered 82.591% accuracy, 0.17409 BER, and R² = 0.71186, maintaining a superior predictive fit. At high SNR (30 dB), MMSE recorded 88.645% accuracy, 0.11355 BER, and R² = 0.7794, and LMMSE produced 88.782% accuracy, 0.1121 BER, and R² = 0.7768. The Tree model outperformed them with 97.633% accuracy, 0.0236 BER, and R² = 0.9601. Inference time analysis shows that while MMSE (0.0073 s) and LMMSE (0.0090 s) were the fastest, their poor generalization limits applicability. The Tree model's inference time (45.53 s) was significantly lower than Random Forest (140.09 s) and SVM (189.35 s), and vastly more efficient than (ANN: 603.21 s, RNN: 854.72 s), making it suitable for latency-sensitive, low-power WSN deployments. In conclusion, although Random Forest and SVM occasionally surpassed the Tree model in single metrics, their high computational cost restricts practical use. ANN and RNN models offered strong performance at high SNR but were computationally prohibitive. The proposed Tree-based approach consistently balances accuracy, BER, generalization, and speed, making it a compelling choice for real-time hybrid VLC–RF channel estimation in GFDM-enabled WSNs.
Benzer Tezler
- Enablıng 5G and 6G technologıes through mıllımeter-wave and VLC ıntegratıon for enhanced remote health monıtorıng systems
5G ve 6G teknolojilerinin gelişimi uzaktan sağlık izleme sistemleri için milimetre dalga ve VLC entegrasyonu ile sağlanması
AHMED H A DALLOUL
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik MühendisliğiIşık ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FARSHAD MIRAMIRKHANI
- YENİ YAKLAŞIMLAR KULLANILARAK İNDİS MODÜLASYONLU DİKGEN FREKANS BÖLMELİ ÇOĞULLAMA (OFDM-IM) SİSTEMLERİNDE KANAL KESTİRİMİ
CHANNEL ESTIMATION IN ORTHOGONAL FREQUENCY DIVISION MULTIPLEXING WITH INDEX MODULATION (OFDM-IM) SYSTEMS USING NEW APPROACHES
ÖMER ADIGÜZEL
Doktora
Türkçe
2026
Elektrik ve Elektronik MühendisliğiErciyes ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM DEVELİ
- Hybrid CN-LS Channel Estimation for High- Doppler Channels
Yüksek Doppler Kanalları için Hibrit CN-LS Kanal Tahmini
MAİSARAH BİNTİ SAİHUN
Yüksek Lisans
İngilizce
2026
İstanbul Gelişim ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAMİDULLAH RİAZ
- Deep learning aided parametric channel covariance matrix estimation for millimeter wave hybrid massive mimo
Milimetre dalga hibrit kitlesel mimo için derin öğrenme destekli parametrik kanal kovaryans matrisi kestirimi
ESEN ÖZBAY
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN MUZAFFER GÜVENSEN
- Kablosuz haberleşme ağlarında makine öğrenmesi tabanlı kanal kestirimi
Machine learning based channel estimation for wireless communication networks
SEKOU J MASSALAY
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiManisa Celal Bayar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLHAN BAŞTÜRK