Naser, Aktham Hikmat Naser2025-01-172025-01-172024https://hdl.handle.net/11363/9308Danışman: DR. ÖĞR. ÜYESİ HALİT YAHYA Yer Bilgisi: İstanbul Gelişim Üniversitesi / Lisansüstü Eğitim Enstitüsü / Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı Konu:Elektrik ve Elektronik Mühendisliği = Electrical and Electronics EngineeringNon-orthogonal multiple access (NOMA) is a promising technology that has the potential to deliver high spectral efficiency, reduced latency, improved reliability, and substantial connectivity. This primarily focuses on achieving optimal bit error rate (BER) performance. It utilizes recurrent neural networks (RNN) to efficiently decode messages for multiple users, treating each time step as a separate subcarrier. A deep neural network (DNN) is employed to eliminate the need for explicit channel estimation, leveraging its ability to autonomously learn patterns in data. This proves advantageous in tasks like decoding messages in traditional NOMA systems, simplifying the receiver's operation, and mitigating error propagation effects. Through careful simulation, the BER of the system is evaluated over varying signal-to-noise ratios (SNR) in additive white Gaussian noise (AWGN) and Rayleigh distribution systems. The results show that the DNN exhibits superior BER performance compared to least square (LS), maximum likelihood (ML), and minimum mean square error (MMSE). Utilizing a QPSK demodulation scheme with wide SNR range, the DNN exhibits superior BER performance compared to LS, ML, and MMSE across all symbol combinations for two users and for two tested cases of subcarrier pilot numbers with 16 & 64.Dik Olmayan Çoklu Erişim (NOMA), yüksek spektral verimlilik, azaltılmış gecikme süresi, arttırılmış güvenilirlik ve sağlam bağlantı sağlama potansiyeline sahip vaat edici bir teknolojidir. Bu, öncelikle optimal bit hata oranı (BER) performansının elde edilmesine odaklanmaktadır. Her bir zaman adımını ayrı bir alt taşıyıcı olarak ele alarak, birden fazla kullanıcı için mesajları etkili bir şekilde çözmek için tekrarlayan sinir ağları (RNN) kullanmaktadır. Ayrıca, verinin desenlerini otomatik olarak öğrenme yeteneğini kullanarak açık kanal tahmininin gereksiz olmasını sağlamak için derin bir sinir ağı (DNN) kullanılmaktadır. Bu, geleneksel NOMA sistemlerinde mesajları çözme gibi görevlerde, alıcının işlemini basitleştirme ve hata yayılma etkilerini azaltma açısından avantajlıdır. Dikkatli simülasyonlar aracılığıyla, sistemin bit hata oranı (BER), eklenmiş beyaz Gauss gürültüsü (AWGN) ve Rayleigh dağılım sistemlerinde değişen sinyal-gürültü oranlarında değerlendirilir. Sonuçlar, DNN'nin en küçük kareler (LS), maksimum olabilirlik (ML) ve minimum ortalama kare hatası (MMSE) ile karşılaştırıldığında üstün BER performansı sergilediğini göstermektedir. Geniş SNR aralığına sahip bir QPSK demodülasyon şeması kullanılarak, DNN, iki kullanıcı için tüm sembol kombinasyonlarında LS, ML ve MMSE'ye kıyasla üstün BER performansı sergiler.eninfo:eu-repo/semantics/openAccessNon-Orthogonal Multiple Access (NOMA)5G wireless technologyBit Error Rate (BER)Recurrent Neural Network (RNN)Deep Neural Network (DNN)Dik Olmayan Çoklu Erişim (NOMA)5G kablosuz teknolojisiBit Hata Oranı (BER)Tekrarlayan Sinir Ağı (RNN)Derin Sinir Ağı (DNN)Master Thesis