Aglari Ve Bulanik Mantik Kullanimi The Use of The Neural Network and The Fuzzy Logic For Multi User Detection in The Code Division Multiple Access Systems

T.
C
ERCYES NVERSTES
FEN BLMLER ENSTTS

KOD BLMEL OKLU ERM SSTEMLERNDE
OK KULLANICILI SEZME N YAPAY SNR
ALARI VE BULANIK MANTIK KULLANIMI

Tezi Hazrlayan
Yaln IIK

Tezi Yneten
Prof. Dr. Necmi TAPINAR

Elektronik Mhendislii Anabilim Dal
Doktora Tezi

ubat 2006
KAYSER

ii

TEEKKR

Bu tezin hazrlanmas srasnda deerli fikir ve eletirileri ile bana yol gstererek
desteini esirgemeyen Sayn Hocam Prof. Dr. Necmi TAPINARa sonsuz
teekkrlerimi sunarm.

iii
KOD BLMEL OKLU ERM SSTEMLERNDE OK KULLANICILI
SEZME N YAPAY SNR ALARI VE BULANIK MANTIK KULLANIMI

Yaln IIK
Erciyes niversitesi, Fen Bilimleri Enstits
Doktora Tezi, ubat 2006
Tez Danman: Prof. Dr. Necmi TAPINAR

ZET

Bu tez almasnda, yapay sinir a (YSA), bulank mantk (BM) ve uyarlanabilir
yapay sinir al bulank mantk (UYSABM) kullanlarak kod blmeli oklu eriim
sisteminde deiik ok kullancl alc yaplar oluturulmutur. YSAnn paralel ve
ardk giriim bastrma yntemlerinde nilem eleman olarak kullanlmasyla ok katl
giriim bastrmal alcya gre daha az hesap karmakl ile daha dk bit hata oran
elde edilmitir. YSA kullanarak oluturulan bir baka alc yapsnda da YSA oklu
eriim giriimini elde etmek zere eitilmitir. Bu alc yapsyla klasik tarzda veri bitini
elde etmek zere eitilen edeer hesap karmaklna sahip YSA alcya gre bit hata
oran performansnda iyiletirmeler salanmtr. Bulank mantk sisteminin ok
kullancl alcda karar cihaz olarak kullanlmasyla ezamanl toplanabilir beyaz
Gauss grltl kanalda byk sinyal-grlt oranlarnda tek kullanc snrna yakn bit
hata oran performans salanmtr. Bu alcnn hesap karmakl YSA alcya gre
daha fazla olmakla birlikte, performans olarak yakn olduu optimum alcya gre azdr.
Bu alcda kurallarn oluturulmas iin geen sre, YSA alcnn eitilmesi iin gereken
sreye gre yok denecek kadar azdr. Uyarlanabilir yapay sinir al bulank mantk
sisteminin alcda karar cihaz olarak kullanlmasyla ezamanl kanalda YSA alc ile
hemen hemen ayn bit hata oran performans salanmtr. Bu alcnn hesap
karmakl YSA alcya benzemekle birlikte eitim sresi byk kullanc saylarnda
YSA iin gereken sreye gre daha fazla olmaktadr. Ancak, bulank mantk sistemli
alcda ve uyarlanabilir yapay sinir al bulank mantk sistemli alcda artan kural says
sebebiyle hesap karmakl ezamansz kanalda ar artmaktadr.

Anahtar szckler: Kod blmeli oklu eriim, ok kullancl sezme, oklu eriim
giriimi bastrma, yapay sinir a, bulank mantk sistemi, uyarlanabilir yapay sinir al
bulank mantk sistemi.
iv
THE USE OF THE NEURAL NETWORK AND THE FUZZY LOGIC FOR
MULTI-USER DETECTION IN THE CODE DIVISION MULTIPLE ACCESS
SYSTEMS

Yaln IIK
Erciyes University, Graduate School of Natural and Applied Sciences
Ph. D. Thesis, February 2006
Thesis Supervisor: Prof. Dr. Necmi TAPINAR

ABSTRACT

In this thesis, multi-user receiver structures in the code division multiple access system
has been constructed by using neural network (NN), fuzzy inference system (FIS) and
adaptive neuro fuzzy inference system (ANFIS). A better bit error rate performance was
obtained with respect to the multi stage interference canceller by using the NN as a
preprocessing element for one stage parallel and successive interference canceller. In
the other receiver, NN was trained for the multiple access interference instead of data
bit. A better bit error rate performance was obtained with this NN receiver with respect
to the NN receiver which is trained for the data bit with the same computational
complexity. A bit error rate performance near the single user bound was obtained by
using a FIS as a decision device in the multi user receiver in the synchronous additive
white Gaussian noise channel for bigger signal-noise rates. Although this receiver has
higher computational complexity than the neural network receiver, but has lower
computational complexity than the optimum receiver which has similar bit error rate
performance. The required time for making rules of the FIS is much lower than the
training time of the neural network. Almost the same bit error rate performance with the
NN receiver was obtained by using an ANFIS as a decision device in the synchronous
channel. However this receiver has similar computational complexity with the NN
receiver, training time of this receiver is bigger than the training of the NN receiver for
bigger user numbers. Computational complexity of the FIS and ANFIS receivers
increases excessively by the increasing rule number in the asynchronous channel.

Key words: Code division multiple access, multi user detection, multiple access
interference canceling, neural network, fuzzy logic system, adaptive neuro-fuzzy
inference system.
v
NDEKLER

KABUL VE ONAY.....i
TEEKKR...ii
ZET.....iii
ABSTRACT...iv
KISALTMALAR VE SMGELER.......vii
TABLOLAR LSTES...........ix
EKLLER LSTES...........x

1. BLM ....1
GR1

2. BLM.....7
KBE SSTEM...7
2.1. KBE Prensibi...7
2.2. ok Kullancl Sezme...9
2.3. KBE Sistem Modeli......10
2.3.1. Ezamanl KBE Sistem Modeli..11
2.3.2. Ezamansz KBE Sistem Modeli....13
2.3.3. KBE Alc Sistem Modeli..15
2.3.3.1. Uyumlu Filtre Alc (Tek Kullancl Alc)...15
2.3.3.2. Optimum Alc...19
2.3.3.3. liki zc Alc.....21
2.3.3.4. Minimum Ortalamal Karesel Hata (MMSE) Alc...22
2.3.3.5. Giriim Bastrmal Alclar....23
2.3.3.5.1. Paralel Giriim Bastrmal Alc..23
2.3.3.5.2. Ardk Giriim Bastrmal Alc.26

3. BLM...28
YAPAY ZEKA TEKNKLER..28
3.1. Giri..28
3.2. Yapay Sinir Alar...28
vi
3.3. Bulank Mantk Sistemi...33
3.4. Uyarlanabilir Yapay Sinir Al Bulank Mantk Sistemi (UYSABM)........35

4. BLM...39
YSA, YSA-PIC VE YSA-SIC ALICILAR VE SMLASYON SONULARI...39
4.1. Yapay Sinir A Alcs........40
4.2. Yapay Sinir A nilemli Paralel Giriim Bastrmal Alc...53
4.3. Yapay Sinir A nilemli Ardk Giriim Bastrmal Alc..65

5. BLM...80
MAI DETEKTR OLARAK ETLEN YAPAY SNR ALI ALICI VE
SMLASYON SONULARI .........80

6. BLM..98
BULANIK MANTIK SSTEML ALICI VE SMLASYON SONULARI.....98

7. BLM.104
UYARLANABLR YAPAY SNR ALI BULANIK MANTIK SSTEML
(UYSABM) ALICI VE SMLASYON SONULARI .....104

8. BLM.....110
SONULAR VE NERLER......110

KAYNAKLAR.....115
ZGEM......127

vii

KISALTMALAR VE SMGELER

KBE : Kod blmeli oklu eriim
FBE : Frekans blmeli oklu eriim
ZBE : Zaman blmeli oklu eriim
MAI : oklu eriim giriimi
BER : Bit hata oran
BER
1
: 1. kullancnn bit hata oran
NFR :Yakn-uzak oran
NFR
k
: k. kullancnn yakn-uzak oran
SNR : Sinyal-grlt oran
SNR
1
: 1. kullancnn sinyal-grlt oran
TBGG : Toplanabilir beyaz Gauss grlts
EKK : kili evre kaydrmal kiplenim
YSA : Yapay sinir a
BM : Bulank mantk
UYSABM : Uyarlanabilir yapay sinir al bulank mantk sistemi
MMSE : Minimum ortalamal karesel hata
PIC : Paralel giriim bastrma
SIC : Ardk giriim bastrma
B : nceki bit
B : stenen bit
SB : Sonraki bit
UF : Uyumlu filtre
TKS : Tek kullanc snr
HOP : Hopfield a
DEC : liki zc alc
NN : Neural network
FIS : Fuzzy inference system
ANFIS : Adaptive neuro fuzzy inference system

r(t) : Kanal kndaki KBE iareti
viii
K : Kullanc says
A
k
: k. kullancnn sinyal genlii
b
k
: k. kullancnn veri biti
S
k
(t) : k. kullancnn yayma kodu
n(t) : Gauss grlts
T : Bit sresi
T
c
: Chip (krmk) sresi
: Kullanclar aras zaman kaymas
N : Yayma kodunun bit says
a
k
: k. kullancnn normalize edilmi yayma dizisi
p(t) : Krmk sresince kare dalga formu
: apraz iliki katsays
R : apraz iliki matrisi
h
k
(t) : k. kullancnn snml kanal cevab
C
k
: k. kullanc kanalnn Rayleigh dalma sahip genlii
k
: k. kullanc sinyalinin faz
t
k
: k. kullanc sinyalinin zaman gecikmesi
2M+1 : Gnderilen veri blounun bit says
y
k
: k. kullancnn uyumlu filtre k
b
)
: Tahmin edilen bit
2
: Sfr ortalamal grlt varyans
H : Ezamansz kanalda apraz iliki matrisi, Hessian matrisi
N
o
: Grlt gc
p : Yapay sinir a girileri
W : Arlk matrisi
J : Jacobian matrisi
g : Gradyan
e : Hata
Q : UYSABMde dm k

ix

TABLOLAR LSTES

Tablo 4.1. Ezamanl kanal simlasyonlarnda kullanlan 31 bitlik kodlar.41
Tablo 4.2. Ezamanl kanal simlasyonlarnda kullanlan 31 bitlik kodlarn apraz
iliki katsaylar..........42
Tablo 4.3. Ezamansz kanalda kullanlan 31 bitlik kodlar.43
Tablo 4.4. Ezamansz kanalda kullanlan 31 bitlik kodlarn ardk bit iin
apraz iliki katsaylar.......44
Tablo 4.5. Ezamanl kanalda 25 kullanc iin kullanlan 10 bitlik rnek bir eitim
veri seti...........48
Tablo 4.6. Ezamanl AWGN kanalda bir katl PIC, YSA ve YSA nilemli PIC
alclar iin btn kullanclara ait BER deerleri.....57
Tablo 4.7. Ezamansz AWGN kanalda bir katl PIC, YSA ve YSA nilemli
PIC alclar iin btn kullanclara ait BER deerleri..63
Tablo 4.8. Ezamanl kanalda uyumlu filtre BER deerleri....68
Tablo 4.9. Ezamanl kanalda YSA alc BER deerleri.69
Tablo 4.10. Ezamansz kanalda uyumlu filtre BER deerleri....75
Tablo 4.11. Ezamansz kanalda YSA alc BER deerleri.....76

Tablo 5.1. 25 kullancl ezamanl kanalda MAI detektr olarak eitilen YSA
iin kullanlan 10 bitlik rnek bir eitim veri seti..84
Tablo 5.2. Birinci kullancnn uyumlu filtre, YSA ve MAI detektr olarak eitilen
YSA alc iin 10 bitlik tahmin sonular....85

x

EKLLER LSTES

ekil 2.1. FBE, ZBE ve KBE sistemlerinin ematik gsterimi.....7
ekil 2.2. KBE sistemi (a) Verici (b)Alc......8
ekil 2.3. KBE sinyalinin elde edilii.8
ekil 2.4. ok kullancl KBE sistemi...8
ekil 2.5. Deiik KBE alc teknikleri...9
ekil 2.6. Ezamanl KBE haberlemede veri bitlerinin gsterimi.......10
ekil 2.7. Ezamansz KBE haberlemede veri bitlerinin gsterimi....11
ekil 2.8. K kullancl ezamanl KBE verici sistemi.........12
ekil 2.9. Snml kanal iin K kullancl ezamanl KBE verici sistemi.....13
ekil 2.10. K kullancl ezamansz KBE sistemi...14
ekil 2.11. Ezamansz apraz iliki...15
ekil 2.12. Snml kanal iin K kullancl ezamansz KBE verici sistemi.15
ekil 2.13. Uyumlu filtre bankasyla yaplan alc..16
ekil 2.14. liki zc alc...21
ekil 2.15. MMSE dorusal sezici..23
ekil 2.16. PIC alc yaps..26
ekil 3.1. Yapay sinir a yaps..29
ekil 3.2. Aktivasyon fonksiyonlar....29
ekil 3.3. YSA yaps (a) Tek nronlu. (b)ok nronlu ve ok katmanl...30
ekil 3.4. Hopfield yapay sinir a yaps....33
ekil 3.5. r kurall, n girili ve m kl bulank mantk sisteminin temel yaps...34
ekil 3.6. Kural 1 ve n girie bal olarak k 1i elde etmek iin yaplan ilemler.34
ekil 3.7. n girili, r kurall sistemde 1 kn elde edilii..35
xi
ekil 3.8. UYSABM yaps.........36
ekil 4.1. N giri, L dml bir gizli katmana ve M ka sahip YSA yaps......45
ekil 4.2. N giri, iki gizli katman ve bir ka sahip YSA yaps.....45
ekil 4.3. K girili ve K kl bir Hopfield a yaps...45
ekil 4.4. Ezamanl kanal iin YSA alc yaps46
ekil 4.5. Ezamansz kanal iin YSA alc yaps...46
ekil 4.6. leri beslemeli ok katmanl YSA ve Hopfield alc iin ezamanl TBGG
kanalda 1. kullancnn sinyal-grlt oran (SNR
1
) deiimine karlk 1.
kullancnn bit hata oran (BER
1
) performans..49
kanalda dier kullanclarn NFR deiimine karlk 1. kullancnn BER
performans.50
kanalda kullanc says deiimine karlk 1. kullancnn BER
performans.....50
kanalda btn kullanc glerinin eit olduu durumda 1. kullancnn
sinyal-grlt oran (SNR
1
) deiimine karlk 1. kullancnn bit hata
oran (BER
1
) performans...51
ekil 4.10. leri beslemeli ok katmanl YSA ve Hopfield alc iin ezamanl
snml kanalda birinci kullancnn SNR deiimine karlk birinci
kullancnn BER performans....52
snml kanalda dier kullanclarn NFR deiimine birinci kullancnn
BER performans.52
snml kanalda kullanc says deiimine karlk birinci kullancnn
xii
BER performans.53
ekil 4.13. Ezamanl kanal iin YSA nilemli PIC alc yaps...54
ekil 4.14. Ezamansz kanal iin YSA nilemli PIC alc yaps.55
ekil 4.15. YSA nilemli PIC alc iin ezamanl TBGG kanalda 1. kullancnn
1
oran (BER
1
) performans.........55
ekil 4.16. YSA nilemli PIC alc iin ezamanl TBGG kanalda dier
kullanclarn NFR deiimine karlk 1. kullancnn BER performans...56
ekil 4.17. YSA nilemli PIC alc iin ezamanl TBGG kanalda kullanc says
deiimine karlk 1. kullancnn BER performans......58
ekil 4.18. YSA nilemli PIC alc iin ezamanl snml kanalda 1. kullancnn
SNR deiimine karlk 1. kullancnn BER performans..58
ekil 4.19. YSA nilemli PIC alc iin ezamanl snml kanalda dier
ekil 4.20. YSA nilemli PIC alc iin ezamanl snml kanalda kullanc says
deiimine karlk 1. kullancnn BER performans...60
ekil 4.21. YSA nilemli PIC alc iin ezamansz TBGG kanalda 1. kullancnn
1
oran (BER
1
) performans.....61
ekil 4.22. YSA nilemli PIC alc iin ezamansz TBGG kanalda dier
ekil 4.23. YSA nilemli PIC alc iin ezamansz TBGG kanalda kullanc says
ekil 4.24. YSA nilemli PIC alc iin ezamansz snml kanalda 1. kullancnn
ekil 4.25. YSA nilemli PIC alc iin ezamansz snml kanalda dier
xiii
ekil 4.26. YSA nilemli PIC alc iin ezamansz snml kanalda kullanc
says deiimine karlk 1. kullancnn BER performans65
ekil 4.27. Ezamanl kanal iin YSA nilemli SIC alc yaps...66
ekil 4.28. Ezamansz kanal iin YSA nilemli SIC alc yaps.67
ekil 4.29. YSA nilemli SIC alc iin ezamanl TBGG kanalda 1. kullancnn
ekil 4.30. YSA nilemli SIC alc iin ezamanl TBGG kanalda dier
kullanclarn NFR deiimine karlk 1. kullancnn BER performans..70
ekil 4.31. YSA nilemli SIC alc iin ezamanl TBGG kanalda kullanc says
ekil 4.32. YSA nilemli SIC alc iin ezamanl snml kanalda 1. kullancnn
ekil 4.33. YSA nilemli SIC alc iin ezamanl snml kanalda dier
ekil 4.34. YSA nilemli SIC alc iin ezamanl snml kanalda kullanc says
ekil 4.35. YSA nilemli SIC alc iin ezamansz TBGG kanalda 1. kullancnn
ekil 4.36. YSA nilemli SIC alc iin ezamansz TBGG kanalda dier
ekil 4.37. YSA nilemli SIC alc iin ezamansz TBGG kanalda kullanc says
ekil 4.38. YSA nilemli SIC alc iin ezamansz snml kanalda 1. kullancnn
ekil 4.39. YSA nilemli SIC alc iin ezamansz snml kanalda dier
ekil 4.40. YSA nilemli SIC alc iin ezamansz snml kanalda kullanc
xiv
says deiimine karlk 1. kullancnn BER performans....79
ekil 5.1. Ezamanl kanal iin MAI detektr olarak eitilen YSA alc yaps.81
ekil 5.2. Ezamansz kanal iin MAI detektr olarak eitilen YSA alc yaps...81
ekil 5.3. SNR deiimine karlk BER performans iin simlasyon ak emas...83
ekil 5.4. MAI detektr olarak eitilen YSA alc iin ezamanl TBGG kanalda 1.
kullancnn SNR deiimine karlk 1. kullancnn BER performans....86
ekil 5.5. 25 kullancl ezamanl kanalda 10 dB SNR deerinde 30000 bitlik veri
iin MAI deerleri ile tahmin edilen MAI deerlerinin olaslk dalm.87
ekil 5.6. 25 kullancl ezamanl kanalda 10 dB SNR deerinde 30000 bitlik veri
iin uyumlu filtre kndaki deerler ve bu deerler ile MAI farknn
olaslk dalm...87
ekil 5.7. MAI detektr olarak eitilen YSA alc ve dier YSA alcnn 15
kullancl ezamanl TBGG kanalda iki farkl boyutta eitim seti iin 1.
kullancnn SNR deiimine karlk 1. kullancnn BER performans89
ekil 5.8. MAI detektr olarak eitilen YSA alc ve dier YSA alcnn 15
kullancl ezamanl TBGG kanalda tek kl ve ok kl olarak
kullanlmalar durumunda 1. kullancnn SNR deiimine karlk 1.
ekil 5.9. MAI detektr olarak eitilen YSA alc iin ezamanl TBGG kanalda
bir NFR deerinde eitim durumunda NFR deiimine karlk 1.
NFR deerinde eitim durumunda NFR deiimine karlk 1.
kullanc says deiimine karlk 1. kullancnn BER performans....91
ekil 5.12. MAI detektr olarak eitilen YSA alc iin ezamanl snml kanalda
xv
1. kullancnn SNR deiimine karlk 1. kullancnn BER performans....91
NFR deerinde eitim durumunda NFR deiimine karlk 1.
kullanc says deiimine karlk 1. kullancnn BER performans92
ekil 5.15. MAI detektr olarak eitilen YSA alc iin ezamansz TBGG kanalda
1. kullancnn SNR deiimine karlk 1. kullancnn BER performans....93
NFR deiimine karlk 1. kullancnn BER performans....94
kullanc says deiimine karlk 1. kullancnn BER performans95
ekil 5.18. MAI detektr olarak eitilen YSA alc iin ezamansz snml
kanalda 1. kullancnn SNR deiimine karlk 1. kullancnn BER
performans.....95
kanalda NFR deiimine karlk 1. kullancnn BER performans..96
kanalda kullanc says deiimine karlk 1. kullancnn BER
performans.97
ekil 6.1. Ezamanl kanal iin bulank mantk sistemli alc yaps...98
ekil 6.2. Ezamansz kanal iin bulank mantk sistemli alc yaps99
ekil 6.3. =2 ve y=5 iin Gaussian fonksiyon..99
ekil 6.4. a=2, b=4 ve c=6 iin gen fonksiyon..100
ekil 6.5. Bulank mantk sistemli alc iin ezamanl TBGG kanalda 1.
kullancnn SNR deiimine karlk 1. kullancnn BER performans..102
ekil 6.6. Bulank mantk sistemli alc iin ezamanl TBGG kanalda NFR
xvi
ekil 6.7. Bulank mantk sistemli alc iin ezamanl TBGG kanalda kullanc
says deiimine karlk 1. kullancnn BER performans.103
ekil 7.1. Ezamanl kanal iin uyarlanabilir yapay sinir al bulank mantk
sistemli alc yaps....105
ekil 7.2. Ezamanl K kullancl kanal iin uyarlanabilir yapay sinir al bulank
mantk sistemli alcdaki UYSABM yaps...106
ekil 7.3. Uyarlanabilir yapay sinir al bulank mantk sistemli alc iin ezamanl
TBGG kanalda 1. kullancnn SNR deiimine karlk 1. kullancnn
BER performans.......106
ekil 7.4. Uyarlanabilir yapay sinir al bulank mantk sistemli alc iin
ezamanl TBGG kanalda 2. kullancnn NFR deiimine karlk
1. kullancnn BER performans......107
ezamanl TBGG kanalda kullanc says deiimine karlk 1.
kullancnn BER performans......107
ezamanl snml kanalda 1. kullancnn SNR deiimine karlk 1.
ekil 7.7. Uyarlanabilir yapay sinir al bulank mantk sistemli i alc iin
ezamansz TBGG kanalda 1. kullancnn SNR deiimine karlk 1.
ezamansz snml kanalda 1. kullancnn SNR deiimine karlk 1.

1. BLM

GR

Bir hat zerinden, zellikle hava ortamnda birden ok bilginin birbirine karmadan
iletilebilmesi iin zaman blmeli oklu eriim (ZBE) ve frekans blmeli oklu eriim
(FBE) yntemleri ok eskiden beri kullanlmaktadr. Bu iki yntem oklu eriimi
salamakla birlikte iletiim gvenliini ve gizliliini yeterince salayamazlar. zellikle
2. Dnya Savandan sonra bilginin gizliliini n plana alarak oklu eriim salayan
yntemler zerinde allm ve yaylm spektrum yntemleri denenmitir. Son
yllarda ise, zellikle gezgin iletiimin yaygnlamasyla yaylm spektrum teknikleri
tercih edilir olmutur. Bu yntemlerde btn kullanclar geni bir spektrumu ayn anda
ortaklaa kullanmaktadr. Bunu salayan frekans atlama yntemi balangta yaygn
olarak kullanlmtr [1-5]. Bu yntemde, her kullancya ait veri, onun koduna uygun
olarak tayc sinyal frekansnn srekli deitirilmesiyle iletilir. Bylece, kodu
bilmeyen baka alclarn gnderilen veriyi elde etmeleri engellenir. Daha sonralar
frekans atlama yerine, gnderilecek verinin herkese ait farkl bir diziyle arpld, kod
blmeli oklu eriim (KBE) yaygn kullanm alan bulmutur. Bu yntemde, her
kullancya farkl bir kod niteliinde farkl bir dizi atanmtr. Bu dizideki bit sreleri
verinin bit srelerine kyasla ok daha azdr. Dolaysyla, bu diziyle arplan veri,
yaylm spektruma sahip olur. Alcda geerli dizinin tekrar kullanlmas gerektiinden,
bilgiye bakalar tarafndan ulalmas engellenmi olur. KBE, hcresel haberlemede
de frekanslarn yakn hcrelerde tekrar kullanmna olanak vermesi ve hcreler aras
geite kolaylk salamas ynyle de tercih edilmektedir. KBEde tek kullancl ve
ok kullancl alc yaplar oluturulabilmektedir [6,7].

Tek kullancl alc yapsnda alnan KBE sinyalinin kullancnn koduna uyumlu
filtreden geirilmesinin ardndan sfr eiinden geirilmesiyle kullanc veri biti tahmini
yaplr. Ancak, zellikle gezgin iletiimde kullanclarn baz istasyonuna ayn uzaklkta

2
olmamasndan kaynaklanan yakn-uzak probleminden ve dier kullanclarn etkisi olan
oklu eriim giriiminden dolay tek kullancl alc yntemleri yeterince etkili
olamamtr. Bilginin en az hatayla iletimini salayan ve mmkn olduunca az
karmakla sahip olan alc yntemleri elde etmek iin almalar yaplmaktadr. Bu
sebeple yakn-uzak ve oklu eriim giriimi probleminin etkisini azaltarak daha az
hatayla bilgi alnmasn salayan ok kullancl alc yntemleri tercih edilmeye
balanmtr.

ok kullancl sezme ilemi optimal alt ve optimal olarak iki farkl ekilde yaplrken,
optimal alt da dorusal ve dorusal olmayan olarak iki farkl ekilde yaplmaktadr.
Dorusal olarak, iliki zc, minimum karesel ortalamal hata (MMSE) yntemi
kullanlmakta, dorusal olmayan olarak da giriim bastrma ve yapay sinir a (YSA)
yntemleri kullanlmaktadr [8]. Verdu, uyumlu filtre klarndan sonra kullanlan
Viterbi maksimum olaslk (maximum likelihood) detektr ile optimum alc yapsn
oluturmutur [6, 9]. Literatrde maksimum olaslk fonksiyonunun kullanlmas
suretiyle yaplm deiik optimum alc almalar mevcuttur [10-12]. liki zc ve
MMSE yntemi ile ilgili literatrde pek ok kaynak mevcuttur [6, 13-24]. Alc ksmda
dier kullanclarn yapt bozucu etkilerin belirlenerek arzu edilen kullanc
sinyalinden karlmas suretiyle yaplan giriim bastrma teknikleri ile de ilgili pek ok
alma literatrde yerini almtr [25-39]. Yang yapt almada ardk giriim
bastrma teknii ile elde ettii sonular yapay sinir a ile dzelterek giriim bastrma
tekniinin performansn artrmtr [40]. Kanal artlarnn bilinmeden gerekletirildii,
sinyal alglama ve istenmeyen alclarn bastrlmas iin kullanlan, kr (blind)
algoritmalar oluturulmutur [41-44]. En byk olabilirlik ilevinin genetik ve tabu
aratrma algoritmalar vastasyla eniyilenmesi suretiyle optimum bit tahmin dizisinin
elde edildii almalar da yaplmtr [45-54].

Yapay sinir ann ok kullancl sezme ileminde kullanld pek ok alma
yaplmtr [55-103]. Bu konuda en temel alma 1992 ylnda yaplmtr. Aazhang,
Paris ve Orsakn bu almas, bu konuda alan hemen herkesin birinci kayna
olmutur [55]. Bu almada varlan en nemli ve dier klasik yntemlerden avantajl
zellik, sezme ileminde sinyal gcnn nemli olmamasyd. Klasik alcda ise sinyal
gc ok nemlidir ve bu sebeple yakn-uzak probleminden ok etkilenir. Bu almada

3
optimum alc referans olarak kullanlmtr. Yapay sinir ann eitiminde geri yaylm
(back propagation) algoritmas kullanlmtr. Monte Carlo simlasyonuyla klasik ve
optimum alc ile karlatrmalar yaplmtr. Uzak-yakn probleminden
etkilenmeksizin iyi bit hata oran (BER) elde edilmitir. YSAnn paralel ileme
zelliinden dolay da hesaplarn daha hzl yaplabilmesi mmkn olmaktadr. Hatal
alglama miktar da uyumlu filtreye nazaran ok dmtr. Mitra ve Poor ok
kullancl demodlasyon ileminde yapay sinir alar yntemlerini RBF (Radial Basis
Function) algoritmasyla kullanmlar, yapy adaptif olarak oluturarak deiik etkileri
incelemiler ve optimale yakn sonular elde etmilerdir [56-58]. Kechriotis ve
Manolakos, oluturduklar karma sinir a yapsyla, hesap verimliliini artrarak,
gerek zaman uygulamalarnda ok kullanl olacak sezici gelitirmilerdir [59].
Optimal ok kullancl sezicinin, sktrlm (compact) sinir a yapsyla elde edildii
ve eimli ini (gradient-descent) optimizasyon tekniinin kullanld almalar , Chen
ve Sheu tarafndan yaplmtr [60, 61]. Singh ve Takawira yapay sinir a ve
geniletilmi Kalman filtresi ile ok kullancl sezme ynteminde, yakn-uzak
probleminden fazla etkilenmeden iyi performans elde etmiler, ancak eitme zamannn
kullanc saysna bal olarak ok arttn belirtmilerdir [62]. Yapay sinir ann ok
kullancl alc yapsnda kullanc kodlarnn bilinmesine gerek duyulmakszn uyumlu
filtre yerine kullanld almalar da mevcuttur [63, 64]. Yoon ve Rao da hesap
karmakln azaltan ve BER performansn artran bir yapay sinir a uygulamas
yapmtr [65]. Guiqing ve Kot, yardmc olarak iliki zc sezici ve temel olarak ok
katl perseptron (multiple layer perceptron) kullanan, iki paradan oluan adaptif alc
yaps oluturarak, iyi BER performans elde etmilerdir [66]. G kontrolu
algoritmalar kullanarak, yakn-uzak problemini azaltacak yapay sinir a almalaryla
da iyi sonular alnmaktadr [67]. Merkez esasl fonksiyon (radial basis function)
kullanarak, karmakln artmasyla birlikte, ok daha fazla kullancya imkan tanyan
ve iyi performans gsteren alclar da elde edilmitir [68]. Valadon ve Tafazolli de
eitme sresini azaltan algoritmalar kullanarak , hzl adaptif yapay sinir a yapsyla
ok kullancl sezici yapmlardr [69]. Weng , Leung ve Bi, sgn( ) fonksiyonunu
optimizasyon algoritmas iine sktrarak, darbe grltsne kar etkili olacak ekilde,
ok kullancl sezici zerine almlardr [70]. Geri beslemeli ve olaslksal yapay
sinir alar ile ilgili almalar da yaplmtr [71, 72]. Yapay sinir ann uyarlanabilir
bir alc yapsyla birlikte kullanld, performans karlatrmalarnn yapld pek ok

4
alma literatrde bulunabilir [73-85]. Shayesteh ve Amindavar geri yaylm
algoritmasyla eitilen iki katl perseptron yapsnn KBE sisteminde ok kullancl
alc olarak kullanlmas durumunda TBGG ve snml kanallar iin performans
analizini yapmlardr [86]. Hesap verimliliinin artrld ve kanal artlarna baml
olmakszn yaplan kr alglama ynteminin de yapay sinir alaryla gerekletirildii
almalar mevcuttur [87-89]. Bu yntemde eitme sresi olduka azaltld iin,
gerek zaman uygulamalarnda ok kullanl olaca belirtilmektedir. z dzenlemeli
(self organizing), tavlamal (annealed) ve kaotik (chaotic) yapay sinir alarnn ok
kullancl sezme ileminde kullanld uygulamalar da literatrde mevcuttur [90-97].
Kechriotis ve Manolakos ok kullancl KBE alcda Hopfield algoritmasn
kullanarak verimli bir optimizasyon elde etmiler, ezamanl ve ezamansz iletimde de
optimuma yakn sonular almlardr [98-100]. Ayrca bu algoritmann kullanlmasyla,
devre karmaklnn kullanc saysyla lineer arttn, bylece alcnn pratik olarak
daha kolay gerekletirilebileceini belirtmektedirler. Hopfield algoritmasn kullanan
bir baka alma da Sankaran ve Ephremides tarafndan yaplmtr [101]. Jeney ve
arkadalar da iki farkl Hopfield algoritmasnn performansn karlatrmlardr
[102]. Kechriotis ve Manolakos bir baka almalarnda da Hopfield algoritmasyla
yaplan ok kullancl alcy dier klasik alclarla karlatrmlar, Hopfield
algoritmas kullanan alcnn daha iyi performans gstererek optimale yakn BER
performans gsterdiini belirtmilerdir [103].

Jang ve arkadalar nerdikleri bir bulank mantkl uyarlanabilir ok kullancl
detektr [55] nolu kaynaktaki ayn simlasyon artlarnda deneyerek iyi bit hata oran
performans elde etmilerdir [108]. Bu almada uyarlanabilir bulank mantk sistemi
ncelikle ok sayda iterasyon gerektiren bir srele eitilmitir. ki kullancl kanalda
eitim srecinin ardndan bulank mantk kullanlan bir alma da [109] nolu almada
yaplmtr. [110] nolu tez almasnda da LMS ve RLS algoritmalar yardmyla
eitim yaplarak uyarlanabilir bulank mantk temelli alc yaps incelenmi ve sonular
uyumlu filtre ve iliki zc alc ile karlatrlmtr. Genellikle bulank mantk
sistemi ok kullancl alc yaplarnda yardmc yntem olarak kullanlmaktadr [111-
116]. Naidoo ve arkadalar bulank mantk yntemini dar band giriim bastrmak iin
MMSE alcya uyarlamlardr [111]. Bas ve Neira bulank mantk sistemini Medyan
filtrede derece dzenlemesi iin kullanmlardr [112]. Bas ve arkadalar bir baka

5
almada Bayesian detektrn bulank mantk uygulamasn yapmlardr [113]. Baz
almalarda da bulank mantk sistemi paralel giriim bastrma tekniinde giriim
katsaylarnn arlklarnn belirlenmesinde kullanlmtr [114-116].

Literatrde KBEde ok kullancl sezme ilemi hem klasik yntemlerle hem de
yapay zeka teknikleriyle gerekletirilmitir. Klasik yntemlerle yaplan almalar
literatrde ok daha fazla olup sadece nemli grlenlere yer verilmitir. Yapay sinir
a kullanan tekniklerle iyi sonular alnmasna ramen genellikle karmak yaplarla
desteklenmilerdir.

Bu tez almasnda, daha detayl bir almayla, yaplan almalarn da nda, daha
uygun yapay sinir a algoritmalar kullanarak ya da karma algoritmalar oluturarak
literatrde elde edilen sonulara gre daha iyi sonular alnabilecei ya da hesap
karmakln azaltacak yaplarn oluturulabilecei dnlmtr. Yaplan
simlasyon almalarnda, yapay sinir a (YSA) ve bulank mantk gibi yapay zekaya
bal yntemlerde etkili sonuca ulamada yap ve algoritmalarn yannda, eitim ve
kural belirleyici verilerin seiminin ok nemli olduu anlalmtr. Bu sebeple bu
yntemler kullanlrken, zellikle bu verilerin literatrdeki almalardan farkl olarak
deiik ekillerde oluturulmas zerine allmtr.

kinci blmde, KBE sistemi tantlarak, klasik ok kullancl alc yaplar olan
optimum alc, iliki zc alc, minimum ortalamal karesel hata alcs ve giriim
bastrmal alclar aklanmtr. nc blmde, Yapay zeka tekniklerinden, yapay
sinir alar, bulank mantk sistemi ve uyarlanabilir yapay sinir al bulank mantk
sistemi aklanmtr. Drdnc blmde, ezamanl kanalda ileri beslemeli ok katl
perseptronlu yapay sinir a ve Hopfield yapay sinir a ile gerekletirilen alclara ait
simlasyon sonular iliki zc alc ve minimum ortalamal karesel hata alcs ile
karlatrlarak verilmitir. Drdnc blmde ayrca, YSAnn paralel giriim
bastrma ve ardk giriim bastrma yntemleriyle birlikte kullanlmasyla elde edilen
birleik yaplarn hesap karmakln bir miktar artrmakla birlikte bit hata oran
performansnda byk oranda iyiletirmeler salad gsterilmitir. Beinci blmde,
ileri beslemeli ok katl perseptron YSAnn oklu eriim giriimini alglamak zere
kullanlmasyla ilgili simlasyon sonular verilmitir. Literatrde ileri beslemeli ok

6
katl perseptron YSAy kullanan almalar vardr. Ancak, bu almalarda YSA
dorudan kullanc verisini elde etmek zere eitilmi ve kullanlmtr. Bu tez
almasnda YSA, kullanc verisi yerine dier kullanclarn oluturduu oklu eriim
giriimini elde etmek zere eitilmi, kullanm esnasnda da YSAdan elde edilen bu
giriim, uyumlu filtre kndan karlarak kullanc verisi elde edilmitir. Bu yolla,
literatrde kullanlan ayn karmaklktaki YSAya gre daha iyi bit hata oran (BER)
performans elde edilmitir. Altnc blmde, bulank mantk sisteminin ok kullanc
alc yapsnda kullanlmasyla ilgili simlasyon sonular verilmitir. Bulank mantk
sisteminin literatrde dier yntemlerle birlikte kullanlmasna karn, yaplan
almada dorudan ok kullancl alc olarak kullanlmasyla byk sinyal-grlt
oranlarnda bit hata oran performansnda byk iyiletirmeler salanmtr. Ancak,
bulank mantk sistemli alcnn hesap karmakl nerilen dier yaplara gre olduka
fazla olmaktadr. Yedinci blmde, uyarlanabilir yapay sinir al bulank mantk
sisteminin ok kullanc alc yapsnda kullanlmasyla ilgili simlasyon sonular
verilmitir. UYSABM ile yaplan almalarda da YSAya yakn bit hata oran
performans kk kullanc saylarnda daha az eitim sresiyle salanrken, artan
kullanc says deerlerinde daha byk eitim sresiyle salanmtr. Sekizinci
blmde de sonu ve nerilere yer verilmitir.
2. BLM

KBE SSTEM

2.1. KBE Prensibi

Her bir kullanc FBE sisteminde farkl frekans, ZBE sisteminde farkl zaman
kullanrken KBE sisteminde ayn frekans ve zamanda farkl kodlar kullanmaktadr.
farkl oklu eriim yntemi ekil 2.1de grlmektedir. KBE sisteminde her bir
kullanc bilgisi kendisine ait bir yayma koduyla arplarak kanala verilir. Kanalda
btn kullanclara ait KBE sinyali toplanarak grlt benzeri sinyal oluturulur. Alc
tarafta, grltyle de toplanm olan btn kanallarn bilgisini ieren toplam KBE
sinyali her bir kullancya ait toparlama kodu ile tekrar arplarak kullanc bilgileri
tekrar elde edilir. ekil 2.2de KBE alc ve verici yaps grlmektedir. Bir kullanc
iin bilginin yayma koduyla arplarak KBE sinyalinin elde edilii ekil 2.3de
grlmektedir [5]. ok kullancl bir KBE sistemi ekil 2.4de grlmektedir.

ekil 2.1. FBE, ZBE ve KBE sistemlerinin ematik gsterimi.

Frekans
Zaman
Kod
FBE
Frekans
Zaman
Kod
ZBE
Kod
Frekans
Zaman
KBE
8

ekil 2.2. KBE sistemi (a) Verici (b)Alc.

ekil 2.3. KBE sinyalinin elde edilii.

ekil 2.4. ok kullancl KBE sistemi.

+1
t
Veri
0
-1
Sonu
sinyal
Yayma
kodu
t
-1
t
+1
0
+1
0
-1
T
b
T
c
NT
c

Veri
demodlatr
Toparlama
demodlatr
K kullancl alc
Yayma modlatr
1.kullanc
2.kullanc
K.kullanc
Veri
S
2
(t)
S
K
(t)
S
k
(t)
S
1
(t)

Alnan
Sinyal
r(t)
r(t)
Kod generatr
Veri dizisi
b(t)
m(t)
S(t)
Tayc
Binary
PSK
modlatr
k
Kod generatr
E zamanl
detektr
Yerel Tayc
9
2.2. ok Kullancl Sezme

Tek kullancl alc yaplarnda istenen kullanc bilgisini elde etmek iin sadece o
kullancya ait kod kullanlarak sezme ilemi yaplr. Yani, dier kullanclarn ilgili
kullanc zerindeki etkileri grlt olarak kabul edilir. Bu sebeple, yakn-uzak orannn
ve aktif kullanc saysnn artmas durumunda ok kt performans gsterirler. Dier
kullanc sinyallerinin grltden farkl olarak kodlara bal olan sistematik bir yaps
vardr. Bu sebeple, ok kullancl alc yaplarnda dier kullanc sinyalleri grlt
gibi kabul edilmeyerek, istenen bir kanal bilgisini elde etmek iin dier btn aktif
kullanc sinyalleri de dikkate alnr. Bylece yakn-uzak orannn ve kullanc saysnn
artmas durumunda bile daha iyi alc performans elde edilir. ekil 2.5de gelitirilen
ok kullancl alc yaplar grlmektedir [8].

ekil 2.5. Deiik KBE alc teknikleri.

KBE alclar

Tek kullancl

ok kullancl
Klasik
uyumlu
filtre
Giriim
bastrma

Optimal alt
Optimal
(MLSE)

Dorusal
Dorusal
olmayan
liki
zc
Polinomsal
geniletme

MMSE

ok
kademeli
IC
Dorusal
giderici
Asenkron
liki
zc
Uyarla-
nabilir
RLS

EM
tabanl
sezici
Sinir
alar
Paralel
Giriim
giderme
Sral
giriim
giderme
Karar
geribesleme
Standart
PIC
Ksmi
PIC
Uyarla-
nabilir
PIC
10
ok kullancl alc optimal olarak gerekletirilmekte, ancak yap pratik gerekletirme
iin fazla karmak olmaktadr. Bu sebeple deiik alt-optimal alclar gelitirilmitir.
Bunlar da dorusal ve dorusal olmayan tarzda olmak zere deiik trlere sahiptir.
Konu iinde zellikle yapay sinir a (YSA), bulank mantk (BM) sistemi ve
uyarlanabilir yapay sinir al bulank mantk (UYSABM) sistemi ile gerekletirilen
alc yaplar zerinde durulacaktr. Ancak, temel teorinin verilmesi ve karlatrma
amacyla ncelikle uyumlu filtre ile yaplan alc (klasik alc), optimum alc, iliki
zc alc, minimum ortalamal karesel hata alc, paralel giriim bastrc alc ve
ardk giriim bastrc alc yaplar zerinde durulacaktr.

2.3. KBE Sistem Modeli

KBE sistemi ezamanl ve ezamansz olmak zere iki farkl ekilde uygulanabilir.
Pratikte ounlukla ezamansz sistem geerli olmakla birlikte temel teorinin
verilebilmesi iin genellikle ezamanl sistem zerinde analizler yaplmaktadr.
Ezamanl sistemde btn vericilerin veri bitleri zamanda rtmektedir. Ezamansz
sistemde ise bitlerin balama zamanlar arasnda zaman kaymas olmaktadr. Bunlar
srasyla ekil 2.6 ve ekil 2.7de grlmektedir [6, 10, 11, 16, 17].

ekil 2.6. Ezamanl KBE haberlemede veri bitlerinin gsterimi.

T
T
T
zaman
S(t)
Kullanc 1
Kullanc 2
Kullanc 3

11

ekil 2.7. Ezamansz KBE haberlemede veri bitlerinin gsterimi.

2.3.1. Ezamanl KBE Sistem Modeli

Ezamanl sistemde her kullancnn veri biti dieriyle zaman ekseninde rtmektedir.
K kullancl bir ezamanl sistemde btn kullanclara ait klarn ve grltnn
toplam olan KBE verici sistemi ekil 2.8de grlmektedir. ktaki KBE iareti
yle ifade edilir [6, 10, 11, 16, 17]:

+ =
=
K
1 k
k k
) ( ) ( b A ) ( t n t S t r
k
(2.1)

Burada b
k
k. kullancnn veri biti ve b
k
{1, -1}, A
k
k. kullancnn alnan genlii, n(t)
toplanabilir beyaz Gauss grlts (TBGG) ve S
k
(t) k. kullanc iin T sresince yayma
kodudur. S
k
(t) N boyutlu yayma dizisi ve ikili evre kaydrmal anahtarlama (EKK)
modlasyonu iin yle tanmlanr:

=
=
1 - N
0 n
k
) ( a ) (
c k
nT t p t S (2.2)

Burada a
k
normalize edilmi yayma dizisi ve { } 1 , 1
k
a , T
c
ip aral (yayma kodunun
bit periyodu), p(t) T
c
sresince kare dalga formu, T bit periyodu (T=NT
c
)dir.

T
T
T
zaman
S(t)
Kullanc 1
Kullanc 2
Kullanc 3
1

12

ekil 2.8. K kullancl ezamanl KBE verici sistemi.

Yayma kodlarnn apraz ilikisi yle tanmlanr:

=
>= =<
N
k
j i j i ij
k s k s s s
1
) ( ) ( (2.3)

burada N kodun bit saysn gstermektedir.
apraz iliki matrisi yle tanmlanr:
R={
ij
}
R
(
(
(
(

=
kk 2 k 1 k
k 2 22 21
k 1 12 11
L
M K M M
L
L
(2.4)

Denklem (2.1)de sadece TBGG kanal iin verilen ezamanl kanal sinyali snml
(fading) kanal iin yle verilir:

=
+ =
K
1 k
k k
) ( ) ( * ) ( b A ) ( t n t h t S t r
k k
(2.5)

A
1
b
1

A
2
b
2

A
K
b
K

S
K
(t)
n(t)
r(t)
S
2
(t)
S
1
(t)
13

Burada

) ( ) (
k
j
k k
t t e C t h
k
=

(2.6)

olup, C
k
k. kullanc kanalnn Rayleigh dalma sahip genlii,
k
ve t
k
srasyla
[0, 2 ) aralnda faz ve [0,T) aralnda gecikmedir. Snml kanal iin ezamanl
KBE verici sistemi ekil 2.9da grlmektedir.

ekil 2.9. Snml kanal iin K kullancl
ezamanl KBE verici sistemi.

2.3.2. Ezamansz KBE Sistem Modeli

Ezamansz sistemde her kullancnn veri bitiyle dierlerinin arasnda zaman
ekseninde kaymalar vardr. K kullancl bir ezamansz sistemde btn kullanclara ait
klarn ve grltnn toplam olan KBE sistemi ekil 2.10da grlmektedir.
ktaki KBE iareti yle ifade edilir [6, 10, 11, 16, 17]:

= =
+ =
K
1 k
k k
M
) ( ) ( ) ( b A ) ( t n iT t S i t r
k k
M i
(2.7)

A
1
b
1
(i)
A
2
b
2
(i)
A
K
b
K
(i)
S
K
(t)

n(t)
r(t)
h
1
(t)

h
2
(t)

h
K
(t)

S
1
(t)
S
2
(t)
14
Burada 2M+1 gnderilen veri blounun bit saysn,
k
k. kullancnn bitindeki
referansa gre olan zaman kaymasn gstermekte olup, K k T
k
1 , 0 ,
T 0
k 2 1
< kabul edilir.

ekil 2.10. K kullancl ezamansz KBE sistemi.

Ezamansz KBE sisteminin performans her yayma kodu arasndaki apraz ilikiye
baldr. ekil 2.11de grld gibi her bir sembol dier kullancnn iki ardk
bitiyle akmaktadr. Bu durumda iki kod arasndaki apraz iliki i<j olmak zere yle
tanmlanr:

=
T
j i ij
dt ) t ( s ) t ( s ) ( (2.8)

+ =
0
j i ji
dt ) T t ( s ) t ( s ) ( (2.9)

Denklem (2.7)de sadece TBGG kanal iin verilen ezamansz kanal sinyali snml
kanal iin yle verilir:

= =
+ =
K
1 k
k k
M
) ( ) ( * ) ( ) ( b A ) ( t n t h iT t S i t r
k k k
M i
(2.10)

A
1
b
1
(i)
A
2
b
2
(i)
A
K
b
K
(i)
S
K
(t-iT)

n(t)
r(t)
K
S
1
(t-iT)
S
2
(t-iT)
15

ekil 2.11. Ezamansz apraz iliki.

Snml kanal iin ezamansz KBE verici sistemi ekil 2.12de grlmektedir.

ekil 2.12. Snml kanal iin K kullancl ezamansz
KBE verici sistemi.

2.3.3. KBE Alc Sistem Modeli

Bu blmde ezamanl sistem iin baz ok kullancl alc yaplar verilmektedir.

2.3.3.1. Uyumlu Filtre Alc (Tek Kullancl Alc)

Uyumlu filtre alcda her bir kullancya ait verinin elde edilmesi iin iletim
ortamndaki r(t) sinyali her bir uyumlu filtrede o kullancya ait kod ile arplr ve 1 bit
periyodunda integrali alnr. Her bir kanaln uyumlu filtre knda eik durumuna gre
bit deeri tahmin edilir. Bu yap ekil 2.13de grlmektedir. Ezamanl kanal iin k.
uyumlu filtre k yle ifade edilir [6, 10, 11, 16, 17]:

ij
()
ji
()
S
i
S
j
S
j

A
1
b
1
(i)
A
2
b
2
(i)
A
K
b
K
(i)
S
K
(t-iT)

n(t)
r(t)
K
S
1
(t-iT)
S
2
(t-iT)
h
1
(t)

h
2
(t)

h
K
(t)

16

ekil 2.13. Uyumlu filtre bankasyla yaplan alc.

=
T
k k
dt t s t r y
0
) ( ) ( (2.11)

r(t) ve
k
S (t) (2.1) ve (2.2) de verilmiti. Denklem (2.11) i genileterek,

)
`
+ =
=
T
0
k j
K
1 j
j j k
dt ) t ( s ) t ( n ) t ( s b A y (2.12)

Denklem (2.12)

k jk
K
1 j
j j k
n b A y + =
=
(2.13)

eklinde olup, burada n
k

=
T
0
k k
dt ) t ( s ) t ( n n (2.14)

dir.
11
=1 olduunda, denklem (2.13) yle sadeletirilir:

Kanal
k
r(t)
Uyumlu Filtre
(K.kullanc)

Uyumlu Filtre
(2.kullanc)

Uyumlu Filtre
(1.kullanc)
) i ( b
1
)
) i ( b
2
)

) i ( b
K
)
y
1
(i)

y
2
(i)

y
K
(i)

Sync 1

Sync 2

Sync K

17

k jk
K
k j
1 j
j j k k k
n b A b A y + + =

=
(2.15)

(2.15) deki 2. terim oklu eriim giriimi (MAI) dir. Uyumlu filtre MAI a tpk beyaz
grlt gibi davranr.
Denklem (2.15) btn kullanclar iin u hale getirilir:

(
(
(
(
+
(
(
(
(
(
(
(
(
(
(
(
(

=
(
(
(
(
k
2
1
k
2
1
k
2
1
kk 2 k 1 k
k 2 22 21
k 1 12 11
k
2
1
n
n
n
b
b
b
A 0 0
0 A 0
0 0 A
y
y
y
M M
L
M L M M
L
L
L
M L M M
L
L
M
(2.16)

Matris notasyonu aadaki gibi yazlr:

y=RAb+n (2.17)

Ezamansz kanal iin uyumlu filtre k yle ifade edilir:

+
=
k
T
k
k k k
dt t s t r y

) ( ) ( (2.18)

Denklem (2.2) ve (2.7) Denklem (2.18)de kullanlarak k. kullancnn uyumlu filtre
k yle elde edilir:

kj
k j
j j jk
k j
j j kj
k j
j j k k k
i b A i b A i b A i b A i y

> < <
+ + + + = ) ( ) ( ) 1 ( ) ( ) (
) ( ) 1 ( i n i b A
k jk
k j
j j
+ +
>
(2.19)

Denklem (2.19) matris formunda yle yazlr:

y(i)=R(-1)Ab(i+1)+R(0)Ab(i)+R(1)Ab(i-1)+n(i) (2.20)
18
Denklem (2.20) gnderilen btn paket iin yle yazlr:

y=RAb+n (2.21)

Burada y, A, b, n ve R yle tanmlanr:

y=| |
T
K K
M y M y M y M y M y M y ) ( ) ( ) ( ) ( ) ( ) (
2 1 2 1
L L L L (2.22)

A=diagonal | | ) ( ) ( ) ( ) ( ) ( ) (
2 1 2 1
M A M A M A M A M A M A
K K
L L L L (2.23)

b=| |
T
K K
M b M b M b M b M b M b ) ( ) ( ) ( ) ( ) ( ) (
2 1 2 1
L L L L (2.24)

n=| |
T
K K
M n M n M n M n M n M n ) ( ) ( ) ( ) ( ) ( ) (
2 1 2 1
L L L L (2.25)

R=
K M K M
R R
R
R R
R R R
R R
) 1 2 ( ) 1 2 (
) 0 ( ) 1 ( 0 0
) 1 (
0 ) 0 ( ) 1 ( 0
) 1 ( ) 0 ( ) 1 (
0 0 ) 1 ( ) 0 (
+ +
(
(
(
(
(
(
L
O O M
M L
L
(2.26)

Burada R(0), R(1) ve R(-1) yle tanmlanr:

R(i)={
jk
(i)}
KxK
i=0,1 (2.27)

R(-1)=R(1)
T
(2.28)

Uyumlu filtre alcda, bir bite +1 veya 1 olarak karar vermek iin, karar cihaz olarak
sfr eik devresi kullanlr. k. kullancnn i. biti yle bulunur:

) i ( b
k
)
=sgn[y
k
(i)] (2.29)

19
Uyumlu filtre alc yakn-uzak oran problemine ve aktif kullanc saysndaki arta
kar dayankl deildir. Her iki durumda da BER performans ktlemektedir. nk
uyumlu filtre alc gerekte ok kullancl alc olmayp, her kullanc bilgisini elde
etmek iin sadece o kullancya ait giri deerlendirilmektedir. Bu sebeple, istenen
kullanc bilgisini elde etmek iin aktif btn kullanc girilerini deerlendiren, yakn-
uzak oran ve aktif kullanc says deiimine dayankl ok kullancl yaplar
gelitirilmitir. Genellikle btn ok kullancl alc yaplar uyumlu filtreden sonra
karar mekanizmasnda farkllamaktadr. Uyumlu filtre alcda giriin kullanclara ait
kod ile arplmasndan sonra sadece bir eik ile kyaslamadan sonra k bitine karar
verilirken, dier yntemlerde kod ile arpma ileminden sonra, btn kullanclara ait
uyumlu filtre klar bir karar cihazna uygulanarak istenen klar elde edilir. Karar
cihaznn trne bal olarak da alclar isimlendirilir.

2.3.3.2. Optimum Alc

Optimum alcda, sadece bir kullancya ait bitin deil, btn kullanclara ait bitlerin
tahmini olan bit dizisi bulunmaya allr. Bu amala Denklem (2.30)da verilen
maksimum olaslk (maximum likelihood-ML) fonksiyonunun optimizasyonu yaplarak
b veri dizisi bulunur [6, 9, 10, 11].

=

=
dt ) t ( S A b ) t ( r
2
1
exp ) b (
2
T
0
K
1 k
k k k
2
(2.30)

Denklem (2.30) matris formunda yle yazlabilir:

{ }
max
b 1 1, -
arg
+
= b
)
2b
T
Ay-b
T
ARAb (2.31)

Optimum detektr doru veri dizisini ezamanl kanalda 2
K
vektr deneyerek
bulur. Ezamansz kanalda ise gnderilen btn paket iin 2
K(2M+1)
vektrn
denenmesi gerekir. nk R matrisinin boyutu gnderilen paket boyuyla ilgili
olarak K(2M+1)x K(2M+1)dr. Bununla birlikte, uyumlu filtre bankasndan sonra
Viterbi algoritmasn kullanan optimum ok kullancl alc ile bit bana ML
20
fonksiyonunun 2
K
kez deerlendirilmesiyle optimum dizi tahmini yaplabilmektedir
[9]. Bu vektrlerin deerlendirilmesi sreci optimum detektrn pratikte
kullanlamayaca kadar byktr. Ancak, ezamansz kanalda btn gnderilen
pakete bal optimizasyon yerine, ksaltlm gzlem penceresi metoduna gre de
optimizasyon yaplabilir. Bu yntemde her optimizasyon admnda 3 bitlik pencere
dikkate alnr [49]. Bu yntemde balang kenar bitleri (B) b
(i-1)
bir nceki
tahmin srecinden elde edilebilir. Bylece yalnzca arzu edilen bitler (B) b
(i)
ve
biti kenar bitleri (SB) b
(i+1)
nin bulunmas beklenir. Bu sebeple Denklem (2.31) B
ve SB dizilerini bulmak iin yle yazlabilir [49]:

{ } 1 1, -
arg{max
+
+
=
b
1) (i
opt
(i)
opt
b b
) )
, (2b
T
Ay-b
T
AHAb)} (2.32)

Burada y, H, A ve b yle tanmlanrlar:

y=| |
T
K K K
i y i y i y i y i y i y i y i y i y ) 1 ( ) 1 ( ) 1 ( ) ( ) ( ) ( ) 1 ( ) 1 ( ) 1 (
2 1 2 1 2 1
+ + + L L L (2.33)

A=diagonal[ ) 1 ( ) ( ) ( ) ( ) 1 ( ) 1 ( ) 1 (
1 2 1 2 1
+ i A i A i A i A i A i A i A
K K
L L
) 1 ( ) 1 (
2
+ + i A i A
K
L ]
T
(2.34)

b=| |
T
K K K
i b i b i b i b i b i b i b i b i b ) 1 ( ) 1 ( ) 1 ( ) ( ) ( ) ( ) 1 ( ) 1 ( ) 1 (
2 1 2 1 2 1
+ + + L L L (2.35)

H=
) 3 ( ) 3 (
) 0 ( ) 1 ( 0
) 1 ( ) 0 ( ) 1 (
0 ) 1 ( ) 0 (
K K
R R
R R R
R R
(
(
(
(2.36)

Bu yntemle her bir optimizasyon admnda, B b
(i)
ve SB b
(i+1)
dizileri tahmin edilir,
fakat yalnzca B b
(i)
dizisi bulunmu kabul edilir. SB b
(i+1)
dizisi dier
optimizasyon admnda b
(i)
olarak tekrar bulunur. Bylece, b
(i)
dizisinin doru
deerleri ezamansz kanalda btn paket iin 2
K(2M+1)
vektr yerine bit bana 2
2K

vektrn deerlendirilmesiyle bulunur.

21
2.3.3.3. liki zc Alc

liki zc alcda uyumlu filtreden sonra karar cihaz olarak (2.4) denkleminde
verilen apraz iliki matrisinin tersiyle arpma ilemi kullanlr. liki zc alc
yaps ekil 2.14de grlmektedir [6, 13-17].

ekil 2.14. liki zc alc.

liki zc sezici k yle verilir:

)) ( sgn(
1
n RAb R b + ++ + = == =

) sgn(
1
n R Ab b

+ ++ + = == = (2.37)

TBGG yokken, rnein N
o
=0 durumunda

) sgn(
Ab b = == =

b b = == =
(2.38)
elde edilir.

Kanal
k
r(t)
Uyumlu Filtre
(K.kullanc)

Uyumlu Filtre
(2.kullanc)

Uyumlu Filtre
(1.kullanc)
R
-1
) i ( b
1
)
) i ( b
2
)

) i ( b
K
)
y
1
(i)

y
2
(i)

y
K
(i)

Sync 1

Sync 2

Sync K

22
Grld gibi, iliki zc filtrede sinyal genliinin bilinmesine gerek yoktur ve
grlt olmad durumda mkemmel performans gsterir. Uyumlu filtreden farkl
olarak yayma kodlarnn apraz ilikisi de dikkate alndndan, yakn-uzak oran ve
aktif kullanc saysnn artnda dahi ok iyi performans gsterir. liki zc sezici
alnan uyumlu filtre kndaki sadece dorusal ilemleri gerekletirir ve bundan
dolay gerekten dorusal bir sezicidir. Ezamanl kanalda hesap karmakl KxK
boyutlu apraz iliki matrisi ile hesap yapldndan dolay K
2
seviyesinde, ezamansz
kanalda ise apraz iliki matrisi veri paketi boyutuyla ilgili olduundan hesap
karmakl daha da fazla olmaktadr. Ayrca byk kullanc saylarnda apraz iliki
matrisinin tersinin alnmas zorluk getirmektedir. apraz iliki matrisinin tekil olup
olmamas da tersinin alnmas asndan sorun oluturmaktadr.

2.3.3.4. Minimum Ortalamal Karesel Hata (MMSE) Alc

liki zc sezici gibi dorusal bir sezici olan MMSE alc, karar istatistiini
oluturmak iin alnan uyumlu filtre kn bir arlk vektr w ile deerlendirir.
Optimum arlklar yle elde edilir [6, 13-17]:

w
opt
( )
1
2
0

+ = A N R (2.39)

Burada

2
0
2
2
0
2
1
0 2
0
, , ,
K
A
N
A
N
A
N
diag A N L (2.40)

dir.
Denklem (2.39) alc ilemini ifade eder. Alc sadece
opt
W ile alnan istatistii
deerlendirir ve bir karar verir. ekil 2.15 de MMSE dorusal sezici yaps
grlmektedir. MMSE alcnn performans iliki zc alcnn performansna
benzerdir. Kk sinyal-grlt oranlarnda iliki zc alcya gre daha iyi
23
performansa sahip olmakla birlikte, artan sinyal-grlt oranlarnda her iki alc hemen
hemen ayn performansa sahip olmaktadr. Ancak, kullanc genliklerinin bilinmesine
ihtiya duyulmas iliki zc alcya gre bir dezavantajdr.

ekil 2.15. MMSE dorusal sezici

2.3.3.5. Giriim Bastrmal Alclar

ok kullancl alc tekniklerinden biri de ok katl giriim bastrma yntemidir. Bu
yntem paralel giriim bastrma (PIC) ve ardk giriim bastrma (SIC) olarak iki farkl
ekilde uygulanmaktadr. Giriim bastrma ynteminde her bir bit iin btn
kullanclara ait sinyal dikkate alnarak, hedeflenen kullancnn sinyalinden (uyumlu
filtre kndaki deerden) dierlerinin etkisi karlr [6, 8, 16, 25-28, 32, 33].

2.3.3.5.1. Paralel Giriim Bastrmal Alc

Varanasi ve Aazhang tarafndan nerilen [25] PIC ynteminde ayn anda her bir
kullancya ait uyumlu filtre k kullanlarak yaplan bit tahminleriyle her bir kullanc
iin giriim bastrma ilemi yaplr. Dolaysyla hatal alnan kullanc biti dierlerinin
de hatal alnmas olasln artrr. Bu sebeple yeterli BER performansn salamak iin
PIC genellikle ok katl olarak uygulanr. G kontrolnn iyi yaplmas durumunda iyi
sonu verir ve paralel yapda olduundan verinin tahmini esnasnda zaman gecikmesi
azdr; buna karlk hesap karmakl fazladr [6, 8, 16, 25, 32, 33].

Kanal
k
r(t)
Uyumlu Filtre
(K.kullanc)

Uyumlu Filtre
(2.kullanc)

Uyumlu Filtre
(1.kullanc)
) i ( b
1
)
) i ( b
2
)

) i ( b
K
)
y
1
(i)

y
2
(i)

y
K
(i)

Sync 1

Sync 2

Sync K

(
R
+
N
o
A
-
2

)
-
1

24
PIC alcda k. kullanc iin alnan sinyal, ezamanl kanalda Denklem (2.1), ezamansz
kanalda Denklem (2.7) kullanlarak, dier kullanc sinyallerinin alnan toplam
sinyalden karlmasyla srasyla yle tanmlanr:

=
=
K
k j
1 j
j j
) ( b A ) ( ) ( t S t r t r
j k
(2.41)

=
= =
K
k j
1 j
j j
M
) ( ) ( b A ) ( ) (
j j
M i
k
iT t S i t r t r (2.42)

Her bir kullancnn k. kullancya yapt giriim etkisi dikkate alndnda k. kullanc
iin alnan sinyal ezamanl ve ezamansz kanalda srasyla yle yazlr:

) ( )] ( b
) ( b [A ) ( b A ) (
j j
K
k j
1 j
j j k k
t n t S t S t S t r
j j k k
+ + =
=
(2.43)

+ =
= = =
K
k j
1 j
j j
M M
-M i
k k
) ( ) ( b [A ) ( ) ( b A ) (
j j
M i
k k k
iT t S i iT t S i t r

) ( )] ( ) ( b
j j
t n iT t S i
j j
+ (2.44)

Denklem (2.43) ve (2.44)de grld gibi her bir kullancnn giriim etkisi gerek
genlik ve veri biti deerleriyle onlarn tahminlerinin farkyla ilgilidir. Btn kullanclar
iin genlik ve veri bitinin doru tahmin edilmesi orannda k. kullancnn veri bitinin
doru tahmin edilmesi mmkn olur. Uyumlu filtre kndan alnan deerlerle yaplan
genlik ve veri biti tahminleriyle her bir kullanc iin hat sinyallerinin tekrar
25
oluturulmas suretiyle giriim bastrlmas yaplmaktadr. PIC alcnn hesap
karmakl K
2
seviyesindedir [8].

Bu almada her bir kullanc iin hat sinyalinin yeniden elde edilmesi yerine, her bir
kullancnn giriimi hesaplanarak istenen kullancnn uyumlu filtre kndan
karlmas suretiyle giriim bastrlmas yaplmtr. Bu amala kullanlan PIC alc
yaps ekil 2. 16 da grlmektedir. PIC alcda k. kullancnn i. bit tahmini, ezamanl
kanalda Denklem (2.15), ezamansz kanalda Denklem (2.19) kullanlarak srasyla
yle verilir:

) ( ) ( sgn[ ) (
1
i b A i y i b
j jk
K
k j
j
j k k
=
=
)
] (2.45)

kj
k j
j j jk
k j
j j kj
k j
j j k k
i b A i b A i b A i y i b + =
> < <
) ( ) ( ) 1 ( ) ( ) (

jk
k j
j j
i b A
>
) 1 ( (2.46)

Burada b
j
(i)=sgn[y
j
(i)]dir.

Her bir kullancnn istenen kullanc zerinde oluturduu giriim onlarn genlii,
uyumlu filtre klarna bal veri biti tahmini ve istenen kullanc ile olan apraz
ilikileriyle ilgilidir. apraz iliki katsaylar ezamansz kanalda ardk bit dikkate
alnarak yaplan alglamayla ilgili olarak Denklem (2.27) ve (2.28)de verilen R(0), R(1)
ve R(-1) apraz iliki matrisleri kullanlarak yaplmaktadr. Her bir veri bitinin tahmini
iin ardk bite PIC yntemi uygulanmakla birlikte, (i-1). veri biti tahmini bir nceki
yaplan i. bit tahmininden alnmaktadr. PIC alcda daha iyi BER performans elde
etmek iin ok katl yap kullanlabilmekle birlikte, belli bir kat saysndan sonra
performans iyilemesi olmamaktadr.

26

ekil 2.16. PIC alc yaps.

2.3.3.5.2. Ardk Giriim Bastrmal Alc

Patel ve Holtzman tarafndan nerilen [28] SIC alc yapsnda ncelikle en byk gl
sinyale sahip kullancnn biti tahmin edilir ve onun dierlerine olan etkisi yok edilir.
Ardndan bir sonraki gl sinyale sahip kullancnn biti tahmin edilir ve kendisinden
daha zayf sinyale sahip kullanclara olan etkisi yok edilir. Bu ilem en zayf sinyale
sahip kullancnn bitinin tahmin edilmesine kadar devam eder. Her admda daha nce
tahmin edilen kullanc bitlerinin doru tahmin edildii kabul edilir. Bu yntemin
baars byk lde balang adm olarak seilen byk sinyal gcne sahip
kullanc bitlerinin doru olarak tahminine baldr; aksi takdirde MAI azalaca yerde
artabilir. Sistemdeki kullanc says arttnda veri tahmini esnasnda byk zaman
gecikmeleri olur. G kontrolnn iyi olmad uygulamalarda SIC, PIC yntemine
kyasla daha iyi sonu verir ve hesap karmakl K seviyesindedir [6, 8, 16, 28].

) (
3
i b
)
) i ( b
1
)
) i ( b
K
)
Kanal
k
r(t)
Uyumlu Filtre
(2.kullanc)

Uyumlu Filtre
(1.kullanc)
Uyumlu Filtre
(K.kullanc)

Uyumlu Filtre
(3.kullanc)

1 2 1
.....
K K KK

31 32 3
.....
K
21 23 2
.....
K
12 13 1
.....
K
1
A
2
A
3
A
K
A
) i ( b
2
)

+
-
- -
+
-
-
-
+
- -
-
+
-
- -
27
SIC alcda k. kullancnn i. bitini tahmin etmek iin ezamanl ve ezamansz
kanallarda srasyla Denklem (2.45) ve (2.46) btn kullanclar azalan kullanc gc
srasna dizilmek suretiyle uygulanr. Her bir aamada daha kk gl kullanclara
olan dier kullanclarn giriimi hesaplanrken daha byk gl kullanclarn giriim
etkisinin bastrlm olduu yeni uyumlu filtre klar dikkate alnr. Veri biti tahmin
edilecek kullanc iin sadece kendisinden daha gl kullanc giriimleri dikkate alnr.
ekil 2.16da verilen yap veri biti tahminine en byk gl kullancdan balamak
zere SIC alc iin de uygulanr. Ezamansz kanalda PIC ynteminde anlatlan ayn
ilemler uygulanarak ardk bit kullanlarak veri biti tahminleri yaplmaktadr.
Ezamansz kanalda ve snml kanalda kullanc g tahminleri doru ve abuk
yaplabildii srece SIC alc yaps PIC alcya gre daha iyi sonu vermektedir [6, 28].

3. BLM

YAPAY ZEKA TEKNKLER

3.1. Giri

Bu blmde yapay zeka tekniklerinden yapay sinir alar (YSA), bulank mantk sistemi
(BM) ve uyarlanabilir yapay sinir al bulank mantk sistemi (UYSABM) ksaca
aklanarak problemimize uyarlamas hakknda bilgi verilecektir. Yapay sinir
alarndan da almada kullanlan ileri beslemeli ok katl perseptron yaps ve
Hopfield alar hakknda bilgi verilecektir.

3.2. Yapay Sinir Alar

Yapay Sinir Alar (YSA) birbirine arlklarla balanm, paralel alan pek ok
ilemci elemanlardan olumaktadr. Bu elemanlar biyolojik sinir sisteminden
esinlenerek oluturulmutur. An ilevi, byk oranda elemanlar arasndaki
balantlarla belirlenir. An elemanlar arasndaki arlklarn ayarlanmasyla aa
belirli bir ilem yaptrlabilir. Arlklarn ayarlanmas ilemi an eitilmesi olarak
adlandrlr. Bylece an belirli bir girie karlk belirli bir k vermesi salanr. Bu
durum ekil 3.1de grlmektedir. Sz konusu giri iin gerekli k elde edilene kadar
arlklar deitirilir. Bu ekildeki eitme ilemine danmanl eitme denir. Hedef
kn belirtilmedii yntem ise danmansz eitmedir ve genellikle dorudan tasarm
ilemlerinde kullanlr [105].

YSA iinde probleme bal olarak istenen miktarda giri, girilerin baland nronlar
ve gerekli miktarda ara katmanlar oluturulur. k says bir olabilecei gibi birden
fazla da olabilir. Arlklarn etkisiyle birlikte k belirleyen keskin
29
snrlayc (hardlim), dorusal (purelin), logsigmoid, tanjant sigmoid, yoku (ramp),
karekk, softmax, exponansiyel gibi deiik aktivasyon fonksiyonlar kullanlr. Yaygn
kullanlan baz aktivasyon fonksiyonlar ekil 3.2de grlmektedir. YSAlar kullanlan
aktivasyon fonksiyonuna, yaplan nron ve balant dzenlemesine ve kullanlan eitim
algoritmasna bal olarak deiik isimler almaktadr. En yaygn YSA yap ve
algoritmalar olarak, ileri beslemeli ok katmanl perseptron, merkezi esasl (radial
basis), z dzenlemeli (self organizing), geribeslemeli (recurrent), Hopfield ve Elman
saylabilir. Btn bu farkl YSAlar deiik problemlerde farkl performanslar
gstermektedir. Dolaysyla, probleme uygun YSA modelinin seilmesi byk nem
tamaktadr. KBEdeki ok kullancl sezme ileminde pek ok farkl algoritmalar
denenmitir. Bir nronlu YSA ile ok nronlu ve ok katmanl ileri beslemeli YSA
yaps ekil 3.3de grlmektedir.

ekil 3.1. Yapay sinir a yaps.

ekil 3.2. Yaygn kullanlan baz aktivasyon fonksiyonlar.

Skaler giri p balant noktasna skaler byklk olan w ile arplarak aktarlr. Eer
bias kullanlmyorsa arlklandrlm giri (wp=n), f transfer fonksiyonuyla a kn
retir. Eer bias varsa, arlklandrlm giri ve biasn toplam (wp+b=n), f transfer

a
n
+1
-1
0

n
-1
a
+1
0

a
n
+1
-1
0

a
n
+1
-1
0
a=hardlim(n) a=purelin(n)
a=logsig(n) a=tansig(n)
Hedef

Yapay Sinir A Karlatrma
k
Arlklarn
Ayarlanmas
giri
30
fonksiyonuyla a kn oluturur. Ayn balant noktasna K sayda giri varsa, her
birinin arl an eitimi esnasnda ayarlanr ve bu durumda a k a, f transfer
fonksiyonuyla yle belirlenir:

( ) b p w p w p w f a
K K
+ + + + = L
2 2 1 1
(3.1)

An ekil 3.3.(b)de grlen 3 katmanl durumunu ele alrsak, btn katman klar
matrisiyel formda yle gsterilir:

(a)

(b)
ekil 3.3. YSA yaps (a) Tek nronlu. (b)ok nronlu ve ok katmanl.

f
p
w n a
b
1

giri bias ve nron
a=f(wp+b)

1 1 1
1 1 1
1 1 1
Giri 1.Katman 2.Katman 3.Katman
f
1
f
1
f
1
f
2
f
2
f
2
f
3
f
3
f
3

n
1,1
n
1,2
n
1,L
n
2,1
n
2,2
n
2,M
n
3,1
n
3,2
n
3,N
a
1,1
a
1,2
a
1,L
a
2,1
a
2,2
a
2,M
a
3,1
a
3,2
a
3,N
p
1
p
2
p
3
p
K
b
1,1
b
1,2
b
1,L
b
2,1
b
2,2
b
2,M
b
3,1
b
3,2
b
3,N
W
1 W
3
W
2
a
1
=f
1
(W
1
p+b
1
) a
2
=f
2
(W
2
a
1
+b
2
) a
3
=f
3
(W
3
a
2
+b
3
)
a
3
=f
3
(W
3
f
2
(W
2
f
1
(W
1
p+b
1
)+b
2
)+b
3
)
31

a
1
=f
1
(W
1
p+b
1
), (3.2)

a
2
=f
2
(W
2
a
1
+b
2
) (3.3)

a
3
= f
3
(W
3
a
2
+b
3
) = f
3
(W
3
f
2
(W
2
f
1
(W
1
p+b
1
)+b
2
)+b
3
) (3.4)

Burada W
1
, W
2
ve W
3
matrisleri yle tanmlanr:

W
1
=
(
(
(
(
LK L L
K
K
w w w
w w w
w w w
L
M K M M
L
L
2 1
2 22 21
1 12 11
(3.5)

W
2
=
(
(
(
(
ML M M
L
L
w w w
w w w
w w w
L
M K M M
L
L
2 1
2 22 21
1 12 11
(3.6)

W
3
=
(
(
(
(
NM N N
M
M
w w w
w w w
w w w
L
M K M M
L
L
2 1
2 22 21
1 12 11
(3.7)

W
1
, W
2
ve W
3
arlk matrisleri an eitimi esnasnda belirlenir ve eitimden sonra
an klar p girileri iin Denklem (3.4)e gre belirlenir.

Arlklarn belirlenmesi esnasnda deiik eitim algoritmalar kullanlmaktadr. Bu tez
almasnda, hzl olmas sebebiyle yaygn olarak kullanlan Levenberg-Marquardt
algoritmas kullanlmtr.

Levenberg-Marquardt algoritmas [106, 107] Hessian matrisini hesaplamak zorunda
olmakszn ikinci derece eitim hzna yaklamak iin tasarlanmtr. Performans
32
fonksiyonu tipik olarak ileri beslemeli alarn eitiminde olduu gibi karelerin toplam
formunda olduunda, Hessian matrisi yle yazlabilir [105]:

H=J
T
J (3.8)

Gradyan yle hesaplanr:

g=J
T
e (3.8)

Burada J arlklar ve biaslara gre a hatalarnn ilk trevlerini ieren Jacobian matrisi
ve e bir a hatalar vektrdr. Jacobian matrisi Hessian matrisini hesaplamaktan daha
az kompleks olan standart bir geri yaylm tekniiyle hesaplanabilir.

Levenberg-Marquardt algoritmas u gncelleme fonksiyonunu kullanr:

w = -( J
T
J + I)
-1
J
T
e (3.9)

Levenberg-Marquardt formulndeki ilk terim dorusallatrlm kabul olan bir ikinci
derece gradyan ini admn gsterir. Kontrol parametresi bu iki yaklamn bal
etkisini kontrol eder. Levenberg-Marquardt algoritmas hatann azaltlmas snrnn
ald her bir anda, kontrol parametresini 10 faktryle azaltr. Bu dorusal kabul ve
dorudan minimuma gei teebbsn glendirir. Hatay azaltamad her bir anda ise
gradyan ini admna daha fazla etki vererek ve adm boyunu klterek kontrol
parametresini 10 faktryle artrr.

KBE sisteminde kullanlan alardan biri de Hopfield adr. Hopfield yapay sinir
alar ekil 3.4de grld gibi tek katl geri beslemeli alardr. Hopfield YSA
genellikle optimizasyon problemlerinde kullanlmaktadr. Hopfield YSAnn zaman
geliimini betimleyen denklemi yle verilir:

+ + =
j i
i j ij h i i
I V T u u / ) tanh(
i i
u V = (3.10)

33
Burada u
i
ve V
i
terimleri i sayl nronun durum ve klar, T
ij
terimi i sayl nron ile j
sayl nron arasndaki arabalant, I
i
terimi i sayl nrona olan dtan giri,
h
durum
deitirme zaman sabiti ve ise kazan lekleme katsaysdr. Eer arabalantlar
simetrik ise Hopfield YSA her zaman kararl duruma yaknsar. Hopfield YSAnn
kararl durumlar E
HYSA
olarak ifade edilen sinir ann enerjisinin minimumudur ve
yle yazlr [104]:

= = =
=
K
i
K
j
j i ij i
K
i
i HYSA
V V T I V E
1 1 1
2
1
(3.11)

Bu enerji fonksiyonu optimum ok kullancl alcda kullanlan ML fonksiyonuna
benzemektedir. Hopfield YSAnn ok kullancl alcda kullanlmasyla optimum ok
kullancl alc yaklam yaplarak en doru bit dizisinin bulunmas iin optimizasyon
yaplr. Hopfield YSAya I
i
girii olarak uyumlu filtre klar verildiinde, T
ij
olarak
apraz iliki matrisi kullanlmasyla kararl duruma ulaldnda kullanclara ait en
doru bit dizisi V elde edilir.

ekil 3.4. Hopfield yapay sinir a yaps [105].

3.3. Bulank Mantk Sistemi

Bulank mantk (BM) sistemi giri deerlerini daha nceden belirlenmi kurallara gre
deerlendirerek klar oluturur. Bir r kurall, n girili ve m kl bulank mantk
sisteminin temel yaps ekil 3.5de grlmektedir [118].
34

ekil 3.5. r kurall, n girili ve m kl bulank mantk sisteminin temel yaps.

Bulank mantk sreci be ksmdan olumaktadr: Giri deikenlerinin bulank
deerlere ayarlanmas, ayarlanan deerlere bulank mantk operatrlerinin uygulanmas
(VE veya VEYA), n deerlerden son deerleri elde etme, kurallara gre elde
edilenlerin deerlendirilmesi ve bulank mantk deerlerinden geri dnm. lk adm,
girilerin alnmas ve yelik fonksiyonlar vastasyla her birini ait olduklar mantk
setine gre derecelendirmektir. Girilerin bulank mantk deerleri belirlendikten sonra
bu deerlerin her bir kural iin uygunluk derecesi bilinir. Eer bir kural iin verilen
deerler birden oksa probleme bal olarak onlara VE veya VEYA ilemi uygulanr.
Sonra bu deer k fonksiyonuna uygulanr. Bulank mantk operatrne uygulanan
deerler birden ok olabilir, ancak k tek deerdir. Her bir kuraln arl belirlenir
ve gei yntemi uygulanr. Elde edilen deer yelik fonksiyonuyla gsterilen bir
bulank mantk setidir. Dnm ilemi iin bir deer olmakla birlikte k bir bulank
mantk setidir. Kural 1 ve n girie bal olarak k 1i elde etmek iin bu ilemler ekil
3.6da gsterilmektedir [118].

ekil 3.6. Kural 1 ve n girie bal olarak k 1i elde etmek iin yaplan ilemler.

Kural 1
Kural 2
Kural r
k 1
k 2
k m
Giri1
Giri 2
Giri n

Giri 1
1.giriin
yelik
fonksiyonu
VE
veya
VEYA
VE
veya
VEYA
Sonra
1.kn
yelik
fonksiyonu
1.kural iin
1.k
2.giriin
yelik
fonksiyonu
Giri 2
n.giriin
yelik
fonksiyonu
Giri n
35
Bulank mantk sistemi iinde kararlar btn kurallarn test edilmesine bal
olduundan, karar vermek iin kurallar bir yntemle birletirilmelidir. Her bir kuraln
kn gsteren bulank mantk setleri tek set haline getirilir. Son olarak da bu sete
bal olarak k deeri belirlenir. Bu ilemler ekil 3.7de grlmektedir.

ekil 3.7. n girili, r kurall sistemde 1 knn elde edilii.

3.4. Uyarlanabilir Yapay Sinir Al Bulank Mantk Sistemi (UYSABM)

UYSABM, yelik fonksiyonu parametrelerinin bir geri yaylm algoritmas veya karma
renme algoritmas kullanarak verilen bir giri/k veri seti vastasyla belirlendii
bir bulank mantk sistemi oluturur. UYSABMnin a yaps yapay sinir ana
benzerdir. Girii giri yelik fonksiyonlar ve ilgili parametrelere bal olarak ilenir ve
sonra k yelik fonksiyonlar ve ilgili parametrelere bal olarak k oluturulur. Bir
sistemin davrann daha kk boyutta gsterebilmek amacyla verilen byk bir veri
setinden verinin doal gruplamasn belirlemek iin kmeleme ilemi kullanlr. Bu
tezde kullanlan sistemde, bir set iindeki kmelerin saysn ve kme merkezlerini

k 1
1.giriin
yelik
fonksiyonu
VE
veya
VEYA
VE
veya
VEYA
Sonra
1.kn
yelik
fonksiyonu
2.kural iin
1.k
2.giriin
yelik
fonksiyonu
n.giriin
yelik
fonksiyonu
Giri 1
1.giriin
yelik
fonksiyonu
VE
veya
VEYA
VE
veya
VEYA
Sonra
1.kn
yelik
fonksiyonu
r.kural iin
1.k
2.giriin
yelik
fonksiyonu
Giri 2
n.giriin
yelik
fonksiyonu
Giri n
1.giriin
yelik
fonksiyonu
VE
veya
VEYA
VE
veya
VEYA
Sonra
1.kn
yelik
fonksiyonu
1.kural iin
1.k
2.giriin
yelik
fonksiyonu
n.giriin
yelik
fonksiyonu
36
tahmin etmek iin hzl ve tek geili olan karmal kmeleme teknii kullanlmtr.
Kme bilgisi minimum sayda kurallar kullanarak veri davranlarn en iyi modelleyen
Sugeno tipi [117] bulank mantk sistemini oluturmak iin kullanlr [118, 119, 120].
ekil 3.8de UYSABMnin birinci derece Sugeno bulank mantk sistemi olarak
modellenmesi grlmektedir. ekil 3.8de, her bir daire bir sabit dm gsterirken,
her bir kare bir uyarlanabilir dm gstermektedir.

ekil 3.8 UYSABM yaps.

Bu model iin, eer-ise artlamasyla yaygn kullanlan bir kural yle tanmlanabilir:

Kural 1: Eer y
1
A
1
ve y
2
B
1
ise,
1 2 1 1 1 1
r y q y p z + + = (3.12a)

Kural 2: Eer y
1
A
2
ve y
2
B
2
ise,
2 2 2 1 2 2
r y q y p z + + = (3.12b)

Burada y
1
ve y
2
uyumlu filtre klar olarak UYSABMye giriler, A
i
ve B
i

balangtaki bulank mantk setleri, p
i
, q
i
ve r
i
eitim ilemi esnasnda belirlenen sonu
parametreleridir. ekil 3.8de grld gibi, UYSABM be katman ierir:

Katman 1: lk katmandaki her bir i dm katman 1deki i. dmn kn
gsteren bir Q
1,i
dm fonksiyonuna sahiptir ve bu fonksiyon yle verilir:
y
1

y
2
A
1

A
2

B
1

B
2

Katman 3 Katman 2
Katman 1
Katman 4
Katman 5
y
1

y
1

y
2
y
2
z
N
N

W
1

W
2

W
1

W
2

W
1
Z
1

W
2
Z
2

37

=
=
=
iin i y
iin i y
Q
i
i
B
A
i
4 , 3 ), (
2 , 1 ), (
2
1
, 1
2
(3.13)

burada y
1
(veya y
2
) I dmne giri, A
i
(veya B
i-2
) dmle ilgili dilsel terim ve
) (
2 i i
B A
veya A
i
(veya B
i-2
) iin yelik fonksiyonudur. Dier bir deyile, her bir
dm fonksiyonu, A
i
(veya B
i-2
) belirleyicilerini salayan verilen y
1
(veya y
2
) giriine
olan dereceyi belirler.

Katman 2: Her bir dm k bir kuraln ateleme gcn gsterir ve bulank mantk
VE ilemini gerekletirir. i dmnn k i. kural iin btn gelen sinyallerin
arpmdr ve yle verilir:

iin i y y Q
i i
B A i i
2 , 1 ), ( ) (
2 1 , 2
= = = (3.14)

Katman 3: Bu katmandaki i. dm i. kuraln ateleme gcnn btn kurallarn
ateleme glerinin toplamna olan oran hesaplar. Bu katmandaki i dmnn k
normalize ateleme gcdr ve yle verilir:

2 , 1 i , Q
2 1
i
i i , 3
=
+

= = (3.15)

Katman 4: Bu katmanda, her bir dm aadaki dm fonksiyonuna sahiptir:

), (
2 1 , 4 i i i i i i i
r y q y p z Q + + = = (3.16)

Burada
i
katman 3den gelen bir normalize ateleme gcdr ve {p
i
, q
i
, r
i
} i
dmnn sonu parametre setleridir.

Katman 5: Bu katmandaki tek dm btn gelen sinyallerin toplam olarak k
hesaplar ve k fonksiyonu yle verilir:

38
5
.
i i
i
i i
i
i
i
z
Q z

= =

(3.17)

Bu tezde, en kk kareler metodu ve gradyan ini yntemini birletiren bir karma
renme algoritmas kullanlmtr. Referans parametrelerin deerleri sabit olduunda,
UYSABMnin btn k sonu parametrelerin bir dorusal kombinasyonu olarak
yazlabilir. Karma renme kuralnda, her bir eitim adm bir ileri gei ve bir geri
gei ierir. leri geite, 4. katmann dm klar hesaplanr, dm klar arzu
edilen deerlerle kyaslanr ve daha sonra sonu parametreleri en kk kareler
yntemiyle ayarlanr. Geri geite hata sinyalleri geri yaylr ve yelik fonksiyonlarnn
parametreleri gradyan ini yntemiyle gncellenir [118].

4. BLM

YSA, YSA-PIC VE YSA-SIC ALICILAR VE SMLASYON SONULARI

Bu blmde yapay sinir ann (YSA), ileri beslemeli ok katmanl perseptron ve
Hopfield tarznda ok kullancl alc yapsnda kullanllar incelenecektir. Btn
simlasyonlarda sadece kullanclardan baz istasyonuna doru olan iletiim dikkate
alnmtr. Bu alclarn performanslar ezamanl kanalda, toplanabilir beyaz Gaussian
grlts (TBGG) ve Rayleigh snml kanal durumlar iin incelenmitir. Bu
alclarn performanslar minimum ortalamal karesel hatal (MMSE) alc, iliki zc
alc, uyumlu filtre ve tek kullanc snr ile karlatrlmtr. Bu blmde ayrca,
literatrde kullanlan bir ileri beslemeli ok katmanl YSA alc yapsnn bir PIC ve SIC
alc yapsna n ilem eleman olarak kullanlmasyla elde edilen alc yaplar ele
alnmaktadr. Bu alc performanslar da ezamanl ve ezamansz kanallarda TBGG ve
Rayleigh snml kanal durumlar iin uyumlu filtre, tek kullanc snr ve sadece
YSA, PIC veya SIC olmas durumuna gre karlatrlmaktadr. Performans incelemesi
birinci kullancnn sinyal-grlt oranna (SNR
1
) karlk birinci kullancnn bit hata
oran (BER
1
), dier kullanclarn bit enerjilerinin birinci kullancnn bit enerjisine
oranna (NFR) karlk birinci kullancnn bit hata oran ve kullanc saysna karlk
birinci kullancnn bit hata oran olarak yaplmtr. SNR
1
ve NFR
k
yle tanmlanr:

2
2
1
1
2
A
gc grlt
gc sinyal
SNR = = (4.1)

2
1
2
gc sinyal 1.
gc sinyal k.
A
A
NFR
k
k
= = (4.2)

40
Burada
2
sfr ortalamal grlt varyans ve A
k
k. kullanc sinyalinin genliidir.
Btn ezamanl simlasyonlarda simlasyon artlarn zorlatrmak iin aralarndaki
apraz iliki katsaylar olduka byk olan 31 bit uzunluklu kodlar kullanlrken,
ezamansz kanalda ise, aralarndaki apraz iliki katsaylar 1/31 olan 31 bitlik kodlar
kullanlm ve deiik zaman kaymalarnda performans incelemeleri yaplmtr.
Ezamanl kanalda kullanlan kodlar ve bunlarn apraz iliki katsaylar srasyla
Tablo 4.1de ve Tablo 4.2de verilmektedir. Ezamansz kanalda kullanlan kodlar
Tablo 4.3de, kullanlan kayma deerlerinde ardk bit iin bunlarn apraz iliki
katsaylar da Tablo 4.4de verilmektedir SNR deiimine karlk BER deiiminin
incelendii simlasyon almalarnda dier kullanclarn NFR deeri 2 olarak
alnmtr. NFR deiimine karlk BER deiiminin incelendii simlasyon
almalarnda SNR
1
deeri 5 dB olarak alnmtr. Kullanc says deiimine karlk
BER deiiminin incelendii simlasyon almalar iin de SNR
1
deeri 5 dB olarak
alnm ve btn kullanc gleri eit kabul edilmitir.

4.1. Yapay Sinir A Alcs

Yapay sinir a alcsnda uyumlu filtre bankasndan sonra karar cihaz olarak yapay
sinir a (YSA) kullanlmaktadr. YSA istenen katman ve dm saysnda
belirlenebilmekte, deiik algoritmalarla eitilebilmektedir. Eitme ilemi esnasnda
dmler arasndaki arlklar seilen hedefe gre deitirilmekte, eitim
tamamlandnda en az hatayla doru sonu alnabilmektedir. YSA ile yaplan alcda
hesap karmakl az olmakta ve esnek yapsndan dolay deiimlere kolaylkla
uyarlanabilmektedir. YSAnn giri deerleri uyumlu filtre klarndan alnmakta ve
k olarak kullanclara ait bit tahminleri elde edilmektedir. Giri ve gizli
katmanlardaki dm says deiik deerlerde olabilmekle birlikte k dm says
kullanc says kadar seilmektedir. N giri dm saysna, L dml bir gizli
katmana ve M ka sahip olan YSA yaps ekil 4.1de grlmektedir.Ancak,
istenirse ekil 4.2de grld gibi kta sadece bir kullanc k olacak ekilde
a oluturulabilir ve eitme ilemi ona gre yaplabilir [121]. K girili ve K kl bir
Hopfield a yaps da ekil 4.3de grlmektedir.

Blm 4.1de K kullanc iin K girie ve sadece bir ka sahip ileri beslemeli ok
katmanl YSA yaps ile K girili ve K kl Hopfield a kullanlmtr. Bu yapnn

4
1

T
a
b
l
o

4
.
1
.

E
z
a
m
a
n
l

k
a
n
a
l

s
i
m
l
a
s
y
o
n
l
a
r
n
d
a

k
u
l
l
a
n
l
a
n

3
1

b
i
t
l
i
k

k
o
d
l
a
r

[
1
0
2
]
.

K
u
l
l
a
n

1

2

3

4

5

6

7

8

9

1
0

1
1

1
2

1
3

1
4

1
5

1
6

1
7

1
8

1
9

2
0

2
1

2
2

2
3

2
4

2
5

2
6

2
7

2
8

2
9

3
0

3
1

1

1

1

1

-
1

1

-
1

-
1

1

1

-
1

1

-
1

1

1

-
1

-
1

1

-
1

1

1

1

1

-
1

-
1

-
1

1

1

-
1

-
1

-
1

1

2

-
1

-
1

-
1

-
1

1

-
1

1

1

1

-
1

1

-
1

-
1

-
1

-
1

-
1

1

1

-
1

1

1

1

-
1

-
1

1

1

1

-
1

1

1

-
1

3

1

-
1

1

1

-
1

1

1

-
1

1

-
1

-
1

-
1

1

1

1

1

1

-
1

1

-
1

1

1

1

1

1

-
1

-
1

-
1

1

-
1

1

4

1

-
1

1

1

1

-
1

-
1

-
1

-
1

-
1

-
1

1

1

1

-
1

1

1

1

1

1

-
1

-
1

1

1

1

-
1

-
1

1

1

1

1

5

1

-
1

1

1

-
1

-
1

-
1

-
1

1

1

1

-
1

-
1

-
1

-
1

1

1

-
1

1

1

-
1

-
1

1

-
1

-
1

-
1

-
1

1

-
1

-
1

1

6

1

1

1

-
1

-
1

1

1

-
1

-
1

1

-
1

-
1

-
1

1

1

1

1

-
1

-
1

-
1

1

-
1

-
1

1

1

-
1

-
1

1

1

1

1

7

1

-
1

-
1

1

-
1

1

1

-
1

-
1

1

-
1

-
1

1

-
1

-
1

1

1

-
1

1

-
1

-
1

1

1

1

-
1

1

1

1

-
1

1

1

8

-
1

1

1

1

-
1

-
1

1

-
1

-
1

1

1

1

-
1

1

-
1

1

1

-
1

-
1

-
1

-
1

-
1

-
1

-
1

-
1

-
1

-
1

1

1

-
1

1

9

1

-
1

1

-
1

-
1

-
1

-
1

-
1

1

-
1

-
1

-
1

-
1

-
1

1

-
1

1

-
1

1

1

-
1

1

1

-
1

-
1

1

1

-
1

1

1

-
1

1
0

-
1

-
1

-
1

1

-
1

-
1

1

-
1

-
1

-
1

-
1

1

1

-
1

-
1

-
1

1

-
1

1

-
1

1

-
1

1

-
1

1

-
1

-
1

-
1

1

1

-
1

1
1

1

1

1

-
1

1

1

1

1

-
1

1

1

1

1

1

1

-
1

-
1

-
1

-
1

1

-
1

1

-
1

1

-
1

-
1

-
1

-
1

1

1

1

1
2

-
1

-
1

1

1

-
1

1

1

-
1

1

1

1

1

1

1

1

-
1

1

1

-
1

1

1

-
1

-
1

-
1

1

1

-
1

-
1

1

1

-
1

1
3

-
1

1

1

1

-
1

1

1

1

1

-
1

-
1

1

-
1

-
1

-
1

-
1

-
1

-
1

1

-
1

-
1

1

1

1

1

-
1

1

1

1

-
1

1

1
4

-
1

1

-
1

1

-
1

-
1

1

-
1

-
1

-
1

-
1

-
1

1

1

1

1

-
1

-
1

1

1

1

1

-
1

-
1

-
1

-
1

-
1

1

-
1

-
1

1

1
5

-
1

-
1

-
1

-
1

1

1

1

-
1

-
1

1

-
1

-
1

-
1

1

-
1

1

-
1

1

1

1

1

-
1

1

1

-
1

1

-
1

-
1

1

1

-
1

1
6

-
1

-
1

-
1

1

1

1

1

1

1

1

1

-
1

-
1

-
1

1

1

1

-
1

1

-
1

-
1

-
1

1

-
1

-
1

-
1

1

-
1

1

1

1

1
7

1

1

1

-
1

-
1

-
1

1

-
1

1

-
1

-
1

-
1

-
1

1

-
1

1

-
1

-
1

-
1

1

1

1

-
1

1

1

-
1

1

-
1

1

1

-
1

1
8

-
1

-
1

1

-
1

1

1

1

-
1

1

1

-
1

1

1

1

-
1

1

-
1

-
1

1

-
1

1

-
1

-
1

1

1

1

-
1

-
1

1

-
1

1

1
9

1

-
1

1

1

1

-
1

-
1

-
1

-
1

1

-
1

-
1

-
1

-
1

1

1

1

-
1

1

-
1

1

-
1

-
1

1

1

1

1

-
1

-
1

1

-
1

2
0

-
1

-
1

1

-
1

1

-
1

1

1

-
1

-
1

1

1

1

-
1

-
1

-
1

1

-
1

-
1

-
1

1

1

1

-
1

-
1

1

1

-
1

1

-
1

1

2
1

-
1

-
1

1

-
1

-
1

1

1

-
1

-
1

-
1

1

-
1

-
1

-
1

-
1

1

-
1

1

1

-
1

1

-
1

-
1

-
1

-
1

1

-
1

-
1

-
1

1

1

2
2

-
1

1

1

-
1

1

-
1

1

1

1

1

-
1

-
1

1

1

-
1

1

1

1

1

1

-
1

1

1

-
1

-
1

1

1

1

1

-
1

1

2
3

1

1

-
1

1

-
1

-
1

1

-
1

1

1

-
1

-
1

-
1

-
1

1

-
1

1

1

1

1

1

1

1

1

1

-
1

1

-
1

-
1

-
1

-
1

2
4

1

-
1

1

1

-
1

1

1

1

1

-
1

1

-
1

1

-
1

-
1

-
1

1

-
1

-
1

1

1

1

-
1

-
1

-
1

-
1

-
1

1

1

-
1

-
1

2
5

1

-
1

1

-
1

-
1

1

1

-
1

1

1

1

-
1

1

1

-
1

-
1

1

-
1

1

-
1

1

-
1

1

1

1

1

1

1

-
1

1

-
1

41

4
2

T
a
b
l
o

4
.
2
.

E
z
a
m
a
n
l

k
a
n
a
l

s
i
m
l
a
s
y
o
n
l
a
r
n
d
a

k
u
l
l
a
n
l
a
n

3
1

b
i
t
l
i
k

k
o
d
l
a
r
a
p
r
a
z

i
l
i
k
i

k
a
t
s
a
y
l
a
r
.

1

2

3

4

5

6

7

8

9

1
0

1
1

1
2

1
3

1
4

1
5

1
6

1
7

1
8

1
9

2
0

2
1

2
2

2
3

2
4

2
5

1

1
.
0
0

0
.
2
2

-
0
.
0
3

-
0
.
1
6

0
.
0
9

-
0
.
2
9

-
0
.
1
6

-
0
.
1
6

0
.
2
2

-
0
.
2
9

0
.
0
9

-
0
.
1
6

-
0
.
1
6

0
.
0
9

-
0
.
2
9

-
0
.
1
6

0
.
0
9

-
0
.
0
3

-
0
.
0
3

0
.
3
5

-
0
.
0
3

0
.
3
5

-
0
.
0
3

0
.
2
2

0
.
0
9

2

0
.
2
2

1
.
0
0

-
0
.
2
9

-
0
.
2
9

-
0
.
2
9

-
0
.
2
9

-
0
.
2
9

-
0
.
2
9

0
.
2
2

0
.
0
9

-
0
.
1
6

0
.
2
2

-
0
.
1
6

-
0
.
2
9

0
.
0
9

0
.
0
9

0
.
2
2

-
0
.
1
6

-
0
.
0
3

0
.
3
5

0
.
0
9

0
.
0
9

0
.
0
9

0
.
2
2

-
0
.
0
3

3

-
0
.
0
3

-
0
.
2
9

1
.
0
0

0
.
2
2

0
.
0
9

0
.
3
5

0
.
2
2

-
0
.
0
3

0
.
0
9

0
.
2
2

-
0
.
0
3

0
.
0
9

0
.
2
2

0
.
2
2

-
0
.
0
3

0
.
0
9

0
.
2
2

0
.
3
5

0
.
0
9

-
0
.
0
3

-
0
.
0
3

-
0
.
0
3

0
.
2
2

0
.
2
2

0
.
2
2

4

-
0
.
1
6

-
0
.
2
9

0
.
2
2

1
.
0
0

0
.
2
2

0
.
0
9

0
.
0
9

0
.
0
9

-
0
.
0
3

0
.
2
2

-
0
.
0
3

-
0
.
0
3

-
0
.
0
3

-
0
.
0
3

0
.
0
9

-
0
.
1
6

-
0
.
0
3

0
.
0
9

0
.
0
9

-
0
.
1
6

-
0
.
1
6

0
.
0
9

-
0
.
1
6

-
0
.
1
6

-
0
.
0
3

5

0
.
0
9

-
0
.
2
9

0
.
0
9

0
.
2
2

1
.
0
0

-
0
.
0
3

0
.
2
2

0
.
3
5

0
.
2
2

-
0
.
0
3

-
0
.
2
9

-
0
.
1
6

-
0
.
0
3

0
.
0
9

-
0
.
1
6

0
.
2
2

-
0
.
1
6

-
0
.
1
6

0
.
0
9

-
0
.
1
6

0
.
0
9

0
.
0
9

0
.
0
9

0
.
2
2

0
.
0
9

6

-
0
.
2
9

-
0
.
2
9

0
.
3
5

0
.
0
9

-
0
.
0
3

1
.
0
0

0
.
0
9

0
.
3
5

-
0
.
1
6

-
0
.
0
3

0
.
2
2

0
.
0
9

-
0
.
0
3

0
.
0
9

0
.
0
9

-
0
.
0
3

0
.
3
5

0
.
2
2

0
.
2
2

-
0
.
2
9

0
.
0
9

-
0
.
1
6

-
0
.
0
3

-
0
.
0
3

0
.
2
2

7

-
0
.
1
6

-
0
.
2
9

0
.
2
2

0
.
0
9

0
.
2
2

0
.
0
9

1
.
0
0

-
0
.
0
3

0
.
0
9

0
.
0
9

-
0
.
1
6

-
0
.
2
9

0
.
0
9

0
.
0
9

0
.
0
9

0
.
2
2

-
0
.
1
6

-
0
.
0
3

0
.
2
2

-
0
.
0
3

0
.
0
9

0
.
0
9

0
.
0
9

-
0
.
0
3

0
.
3
5

8

-
0
.
1
6

-
0
.
2
9

-
0
.
0
3

0
.
0
9

0
.
3
5

0
.
3
5

-
0
.
0
3

1
.
0
0

-
0
.
2
9

0
.
0
9

0
.
0
9

0
.
0
9

0
.
0
9

0
.
2
2

-
0
.
1
6

0
.
0
9

-
0
.
0
3

0
.
0
9

-
0
.
1
6

0
.
0
9

0
.
0
9

0
.
0
9

-
0
.
2
9

0
.
0
9

-
0
.
1
6

9

0
.
2
2

0
.
2
2

0
.
0
9

-
0
.
0
3

0
.
2
2

-
0
.
1
6

0
.
0
9

-
0
.
2
9

1
.
0
0

0
.
0
9

-
0
.
1
6

-
0
.
0
3

-
0
.
0
3

-
0
.
1
6

-
0
.
0
3

0
.
0
9

0
.
2
2

-
0
.
2
9

0
.
2
2

0
.
0
9

-
0
.
0
3

0
.
0
9

0
.
2
2

0
.
0
9

0
.
0
9

1
0

-
0
.
2
9

0
.
0
9

0
.
2
2

0
.
2
2

-
0
.
0
3

-
0
.
0
3

0
.
0
9

0
.
0
9

0
.
0
9

1
.
0
0

-
0
.
2
9

0
.
2
2

0
.
0
9

0
.
0
9

0
.
0
9

0
.
0
9

-
0
.
0
3

0
.
0
9

0
.
0
9

0
.
2
2

0
.
0
9

-
0
.
2
9

0
.
0
9

0
.
0
9

0
.
0
9

1
1

0
.
0
9

-
0
.
1
6

-
0
.
0
3

-
0
.
0
3

-
0
.
2
9

0
.
2
2

-
0
.
1
6

0
.
0
9

-
0
.
1
6

-
0
.
2
9

1
.
0
0

0
.
0
9

-
0
.
0
3

-
0
.
0
3

-
0
.
0
3

-
0
.
0
3

0
.
0
9

0
.
0
9

-
0
.
2
9

0
.
0
9

-
0
.
1
6

-
0
.
0
3

-
0
.
2
9

0
.
0
9

-
0
.
1
6

1
2

-
0
.
1
6

0
.
2
2

0
.
0
9

-
0
.
0
3

-
0
.
1
6

0
.
0
9

-
0
.
2
9

0
.
0
9

-
0
.
0
3

0
.
2
2

0
.
0
9

1
.
0
0

-
0
.
2
9

-
0
.
1
6

0
.
0
9

-
0
.
0
3

-
0
.
0
3

0
.
2
2

-
0
.
0
3

-
0
.
0
3

0
.
0
9

-
0
.
1
6

-
0
.
0
3

0
.
2
2

0
.
2
2

1
3

-
0
.
1
6

-
0
.
1
6

0
.
2
2

-
0
.
0
3

-
0
.
0
3

-
0
.
0
3

0
.
0
9

0
.
0
9

-
0
.
0
3

0
.
0
9

-
0
.
0
3

-
0
.
2
9

1
.
0
0

-
0
.
0
3

-
0
.
2
9

0
.
0
9

0
.
0
9

0
.
0
9

-
0
.
2
9

0
.
0
9

-
0
.
1
6

0
.
0
9

0
.
0
9

0
.
0
9

-
0
.
0
3

1
4

0
.
0
9

-
0
.
2
9

0
.
2
2

-
0
.
0
3

0
.
0
9

0
.
0
9

0
.
0
9

0
.
2
2

-
0
.
1
6

0
.
0
9

-
0
.
0
3

-
0
.
1
6

-
0
.
0
3

1
.
0
0

-
0
.
0
3

-
0
.
1
6

0
.
0
9

-
0
.
0
3

-
0
.
1
6

-
0
.
1
6

0
.
0
9

0
.
0
9

0
.
0
9

0
.
0
9

-
0
.
2
9

1
5

-
0
.
2
9

0
.
0
9

-
0
.
0
3

0
.
0
9

-
0
.
1
6

0
.
0
9

0
.
0
9

-
0
.
1
6

-
0
.
0
3

0
.
0
9

-
0
.
0
3

0
.
0
9

-
0
.
2
9

-
0
.
0
3

1
.
0
0

0
.
0
9

0
.
0
9

0
.
3
5

0
.
0
9

-
0
.
1
6

0
.
3
5

0
.
0
9

-
0
.
0
3

-
0
.
2
9

0
.
0
9

1
6

-
0
.
1
6

0
.
0
9

0
.
0
9

-
0
.
1
6

0
.
2
2

-
0
.
0
3

0
.
2
2

0
.
0
9

0
.
0
9

0
.
0
9

-
0
.
0
3

-
0
.
0
3

0
.
0
9

-
0
.
1
6

0
.
0
9

1
.
0
0

-
0
.
2
9

-
0
.
0
3

0
.
0
9

0
.
0
9

0
.
0
9

0
.
0
9

-
0
.
0
3

-
0
.
0
3

-
0
.
0
3

1
7

0
.
0
9

0
.
2
2

0
.
2
2

-
0
.
0
3

-
0
.
1
6

0
.
3
5

-
0
.
1
6

-
0
.
0
3

0
.
2
2

-
0
.
0
3

0
.
0
9

-
0
.
0
3

0
.
0
9

0
.
0
9

0
.
0
9

-
0
.
2
9

1
.
0
0

0
.
0
9

0
.
0
9

-
0
.
1
6

-
0
.
0
3

-
0
.
0
3

0
.
2
2

0
.
0
9

0
.
0
9

1
8

-
0
.
0
3

-
0
.
1
6

0
.
3
5

0
.
0
9

-
0
.
1
6

0
.
2
2

-
0
.
0
3

0
.
0
9

-
0
.
2
9

0
.
0
9

0
.
0
9

0
.
2
2

0
.
0
9

-
0
.
0
3

0
.
3
5

-
0
.
0
3

0
.
0
9

1
.
0
0

0
.
0
9

0
.
0
9

0
.
2
2

0
.
0
9

-
0
.
2
9

-
0
.
1
6

0
.
2
2

1
9

-
0
.
0
3

-
0
.
0
3

0
.
0
9

0
.
0
9

0
.
0
9

0
.
2
2

0
.
2
2

-
0
.
1
6

0
.
2
2

0
.
0
9

-
0
.
2
9

-
0
.
0
3

-
0
.
2
9

-
0
.
1
6

0
.
0
9

0
.
0
9

0
.
0
9

0
.
0
9

1
.
0
0

-
0
.
1
6

0
.
0
9

-
0
.
2
9

0
.
2
2

-
0
.
2
9

0
.
2
2

2
0

0
.
3
5

0
.
3
5

-
0
.
0
3

-
0
.
1
6

-
0
.
1
6

-
0
.
2
9

-
0
.
0
3

0
.
0
9

0
.
0
9

0
.
2
2

0
.
0
9

-
0
.
0
3

0
.
0
9

-
0
.
1
6

-
0
.
1
6

0
.
0
9

-
0
.
1
6

0
.
0
9

-
0
.
1
6

1
.
0
0

0
.
0
9

0
.
2
2

-
0
.
2
9

0
.
2
2

-
0
.
0
3

2
1

-
0
.
0
3

0
.
0
9

-
0
.
0
3

-
0
.
1
6

0
.
0
9

0
.
0
9

0
.
0
9

0
.
0
9

-
0
.
0
3

0
.
0
9

-
0
.
1
6

0
.
0
9

-
0
.
1
6

0
.
0
9

0
.
3
5

0
.
0
9

-
0
.
0
3

0
.
2
2

0
.
0
9

0
.
0
9

1
.
0
0

-
0
.
1
6

-
0
.
2
9

-
0
.
0
3

0
.
0
9

2
2

0
.
3
5

0
.
0
9

-
0
.
0
3

0
.
0
9

0
.
0
9

-
0
.
1
6

0
.
0
9

0
.
0
9

0
.
0
9

-
0
.
2
9

-
0
.
0
3

-
0
.
1
6

0
.
0
9

0
.
0
9

0
.
0
9

0
.
0
9

-
0
.
0
3

0
.
0
9

-
0
.
2
9

0
.
2
2

-
0
.
1
6

1
.
0
0

-
0
.
0
3

-
0
.
0
3

-
0
.
0
3

2
3

-
0
.
0
3

0
.
0
9

0
.
2
2

-
0
.
1
6

0
.
0
9

-
0
.
0
3

0
.
0
9

-
0
.
2
9

0
.
2
2

0
.
0
9

-
0
.
2
9

-
0
.
0
3

0
.
0
9

0
.
0
9

-
0
.
0
3

-
0
.
0
3

0
.
2
2

-
0
.
2
9

0
.
2
2

-
0
.
2
9

-
0
.
2
9

-
0
.
0
3

1
.
0
0

-
0
.
0
3

0
.
0
9

2
4

0
.
2
2

0
.
2
2

0
.
2
2

-
0
.
1
6

0
.
2
2

-
0
.
0
3

-
0
.
0
3

0
.
0
9

0
.
0
9

0
.
0
9

0
.
0
9

0
.
2
2

0
.
0
9

0
.
0
9

-
0
.
2
9

-
0
.
0
3

0
.
0
9

-
0
.
1
6

-
0
.
2
9

0
.
2
2

-
0
.
0
3

-
0
.
0
3

-
0
.
0
3

1
.
0
0

0
.
0
9

2
5

0
.
0
9

-
0
.
0
3

0
.
2
2

-
0
.
0
3

0
.
0
9

0
.
2
2

0
.
3
5

-
0
.
1
6

0
.
0
9

0
.
0
9

-
0
.
1
6

0
.
2
2

-
0
.
0
3

-
0
.
2
9

0
.
0
9

-
0
.
0
3

0
.
0
9

0
.
2
2

0
.
2
2

-
0
.
0
3

0
.
0
9

-
0
.
0
3

0
.
0
9

0
.
0
9

1
.
0
0

42

4
3

T
a
b
l
o

4
.
3
.

E
z
a
m
a
n
s
z

k
a
n
a
l
d
a

k
u
l
l
a
n
l
a
n

3
1

b
i
t
l
i
k

k
o
d
l
a
r
.

K
u
l
l
a
n

1

2

3

4

5

6

7

8

9

1
0

1
1

1
2

1
3

1
4

1
5

1
6

1
7

1
8

1
9

2
0

2
1

2
2

2
3

2
4

2
5

2
6

2
7

2
8

2
9

3
0

3
1

1

1

-
1

1

-
1

1

1

1

-
1

1

1

-
1

-
1

-
1

1

1

1

1

1

1

1

-
1

-
1

1

-
1

-
1

1

1

-
1

-
1

-
1

-
1

2

1

-
1

1

1

-
1

1

-
1

1

-
1

-
1

-
1

1

1

1

-
1

1

-
1

-
1

1

1

1

1

1

1

-
1

1

-
1

-
1

-
1

-
1

-
1

3

-
1

-
1

-
1

1

1

-
1

1

1

1

1

-
1

1

1

-
1

1

-
1

-
1

-
1

1

1

-
1

1

-
1

-
1

-
1

-
1

-
1

1

-
1

-
1

-
1

4

1

1

1

1

-
1

1

-
1

-
1

-
1

1

-
1

-
1

1

-
1

-
1

1

1

-
1

1

1

-
1

-
1

-
1

1

1

-
1

1

1

1

-
1

-
1

5

1

-
1

-
1

-
1

-
1

-
1

1

1

1

-
1

-
1

-
1

-
1

-
1

-
1

-
1

-
1

1

1

1

-
1

-
1

1

1

-
1

1

1

-
1

1

1

-
1

6

1

-
1

1

1

1

-
1

-
1

-
1

-
1

1

1

-
1

-
1

1

-
1

-
1

-
1

-
1

-
1

1

-
1

-
1

1

-
1

-
1

-
1

-
1

-
1

-
1

1

1

7

1

-
1

1

-
1

-
1

1

-
1

1

1

-
1

-
1

1

-
1

1

1

-
1

-
1

-
1

1

-
1

-
1

-
1

1

-
1

1

-
1

1

1

-
1

-
1

1

8

-
1

-
1

1

-
1

1

-
1

1

1

-
1

1

1

-
1

1

1

1

1

1

-
1

1

1

1

-
1

1

-
1

1

1

1

-
1

1

-
1

-
1

9

-
1

1

1

-
1

1

1

-
1

-
1

-
1

-
1

-
1

1

-
1

-
1

1

1

1

1

1

1

-
1

1

1

-
1

1

1

-
1

-
1

-
1

1

-
1

1
0

1

1

-
1

-
1

1

1

1

1

1

-
1

1

-
1

1

1

-
1

1

1

1

-
1

1

-
1

-
1

-
1

-
1

1

1

-
1

1

-
1

-
1

1

1
1

1

-
1

-
1

1

1

1

1

-
1

-
1

1

1

1

-
1

-
1

1

-
1

-
1

1

-
1

-
1

-
1

-
1

1

1

1

1

-
1

1

1

-
1

-
1

1
2

-
1

-
1

1

1

-
1

1

1

-
1

1

-
1

-
1

1

1

1

-
1

1

1

-
1

-
1

-
1

1

-
1

1

-
1

-
1

1

-
1

1

1

1

-
1

1
3

1

1

1

-
1

-
1

-
1

1

-
1

1

1

1

-
1

1

-
1

1

-
1

-
1

1

1

-
1

1

1

1

-
1

1

-
1

-
1

1

1

1

1

1
4

1

-
1

-
1

-
1

1

-
1

-
1

-
1

1

1

-
1

1

-
1

-
1

-
1

1

1

-
1

-
1

1

1

1

-
1

-
1

1

1

1

1

1

1

1

1
5

-
1

-
1

1

1

1

1

-
1

1

1

1

-
1

-
1

1

1

-
1

-
1

1

1

-
1

-
1

1

1

-
1

1

-
1

-
1

1

-
1

-
1

-
1

-
1

43
44
Tablo 4.4. Ezamansz kanalda kullanlan 31 bitlik kodlarn ardk bit iin apraz
iliki katsaylar.

R(-1)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0.06 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 -0.06 -0.06 0 0 0 0 0 0 0 0 0 0 0
6 0 0.12 0.06 0 0.06 0 0 0 0 0 0 0 0 0 0
7 -0.19 -0.19 0.12 -0.12 -0.06 0 0 0 0 0 0 0 0 0 0
8 -0.06 0.19 0 -0.06 -0.06 0.06 -0.06 0 0 0 0 0 0 0 0
9 -0.12 0.06 0 0 -0.19 0 -0.06 0.06 0 0 0 0 0 0 0
10 0.12 -0.19 -0.06 0.12 0 -0.06 0 0.12 -0.06 0 0 0 0 0 0
11 0.19 -0.12 -0.12 -0.12 0.19 0.12 0 0 -0.12 0 0 0 0 0 0
12 0.12 -0.00 0.06 0 0.25 0 -0.12 -0.06 -0.12 0.12 0 0 0 0 0
13 -0.06 0.32 -0.00 0.19 -0.06 -0.12 -0.25 0.06 0.12 -0.06 -0.06 0 0 0 0
14 -0.12 -0.25 0.19 -0.25 -0.06 0 -0.00 -0.12 -0.25 0.19 0.06 0 0.06 0 0
15 0.19 0.06 0.06 -0.00 -0.12 -0.19 -0.19 0.19 -0.06 0.12 0 0 0.06 0 0
R(0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 1.00 0.22 -0.29 -0.03 0.22 -0.03 0.16 0.03 0.09 -0.16 0.03 -0.16 0.03 0.09 0.03
2 0.22 1.00 -0.29 0.22 -0.03 0.09 -0.09 0.03 0.16 -0.09 -0.16 0.22 -0.09 -0.03 -0.09
3 -0.29 -0.29 1.00 0.16 0.03 -0.09 -0.16 0.22 -0.29 0.03 0.09 -0.09 -0.03 0.03 -0.09
4 -0.03 0.22 0.16 1.00 0.03 -0.29 -0.16 0.03 -0.03 -0.16 -0.16 0.22 0.03 -0.03 -0.03
5 0.22 -0.03 0.03 0.03 1.00 -0.09 0.03 0.03 0.16 -0.03 0.03 -0.03 0.03 0.03 0.09
6 -0.03 0.09 -0.09 -0.29 -0.09 1.00 -0.03 0.16 -0.03 -0.22 -0.16 -0.03 -0.16 -0.29 -0.09
7 0.16 -0.09 -0.16 -0.16 0.03 -0.03 1.00 -0.22 0.03 -0.03 0.22 -0.16 -0.03 0.22 -0.09
8 0.03 0.03 0.22 0.03 0.03 0.16 -0.22 1.00 0.16 -0.41 -0.03 -0.22 0.16 -0.16 0.03
9 0.09 0.16 -0.29 -0.03 0.16 -0.03 0.03 0.16 1.00 -0.22 -0.16 -0.16 0.09 -0.03 0.29
10 -0.16 -0.09 0.03 -0.16 -0.03 -0.22 -0.03 -0.41 -0.22 1.00 0.22 0.09 0.03 0.03 0.09
11 0.03 -0.16 0.09 -0.16 0.03 -0.16 0.22 -0.03 -0.16 0.22 1.00 0.22 0.03 0.16 -0.03
12 -0.16 0.22 -0.09 0.22 -0.03 -0.03 -0.16 -0.22 -0.16 0.09 0.22 1.00 -0.03 0.22 -0.03
13 0.03 -0.09 -0.03 0.03 0.03 -0.16 -0.03 0.16 0.09 0.03 0.03 -0.03 1.00 -0.09 0.16
14 0.09 -0.03 0.03 -0.03 0.03 -0.29 0.22 -0.16 -0.03 0.03 0.16 0.22 -0.09 1.00 0.22
15 0.03 -0.09 -0.09 -0.03 0.09 -0.09 -0.09 0.03 0.29 0.09 -0.03 -0.03 0.16 0.22 1.00
R(1)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 0 0 0 0 0 0 -0.19 -0.06 -0.12 0.12 0.19 0.12 -0.06 -0.12 0.19
2 0 0 0 0 0 0.12 -0.19 0.19 0.06 -0.19 -0.12 -0.00 0.32 -0.25 0.06
3 0 0 0 0.06 -0.06 0.06 0.12 0 0 -0.06 -0.12 0.06 0 0.19 0.06
4 0 0 0 0 -0.06 0 -0.12 -0.06 0 0.12 -0.12 0 0.19 -0.25 0
5 0 0 0 0 0 0.06 -0.06 -0.06 -0.19 0 0.19 0.25 -0.06 -0.06 -0.12
6 0 0 0 0 0 0 0 0.06 0 -0.06 0.12 0 -0.12 0 -0.19
7 0 0 0 0 0 0 0 -0.06 -0.06 0 0 -0.12 -0.25 0 -0.19
8 0 0 0 0 0 0 0 0 0.06 0.12 0 -0.06 0.06 -0.12 0.19
9 0 0 0 0 0 0 0 0 0 -0.06 -0.12 -0.12 0.12 -0.25 -0.06
10 0 0 0 0 0 0 0 0 0 0 0 0.12 -0.06 0.19 0.12
11 0 0 0 0 0 0 0 0 0 0 0 0 -0.06 0.06 0
12 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
13 0 0 0 0 0 0 0 0 0 0 0 0 0 0.06 0.06
14 -0.12 -0.25 0.19 -0.25 -0.06 0 -0.00 -0.12 -0.25 0.19 0.06 0 0.06 0 0
15 0.19 0.06 0.06 -0.00 -0.12 -0.19 -0.19 0.19 -0.06 0.12 0 0 0.06 0 0

kullanld alclar ezamanl kanal iin ekil 4.4de, ezamansz kanal iin de ekil
4.5de grlmektedir. Ezamansz durumda i. bite karar vermek iin (i-1). ve (i+1).
bitler de kullanld iin, YSAdan nce bir gecikme nitesi kullanlmtr ve giri
dm says kullanc saysnn kat olarak belirlenmitir.
45

ekil 4.1. N giri, L dml bir gizli katman ve M ka sahip
YSA yaps.

ekil 4.2. N giri, iki gizli katman ve bir ka sahip
YSA yaps.

ekil 4.3. K girili ve K kl bir Hopfield a yaps.

k

giri
1
giri
2
giri
N
giri
1
giri
2

giri
N
k
1
k
2
k
M
gizli katman

dm
L
giri
1
giri
2

giri
K
dm
K
k
1
k
2
k
K
46

ekil 4.4. Ezamanl kanal iin YSA alc yaps.

Her iki kanal durumunda da ileri beslemeli ok katmanl perseptron YSA ncelikle
belli saydaki eitim verisi kullanlarak eitilir. Eitim esnasnda YSAya giri olarak
uyumlu filtre klar, hedef olarak da bu uyumlu filtre klarnn retilmesi iin
kullanlan veri setinden sadece birinci kullancnn veri bitleri kullanlr. Bylece ileri
beslemeli ok katmanl perseptron YSA simlasyonda kullanlrken giriine gelen
uyumlu filtre klarndan birinci kullancnn bitlerini tahmin etmek zere eitilmi
olur. Hopfield a ise nceden eitilmemekte, simlasyonda her bir veri bitinin
alglanmas esnasnda eitilerek, bit dizisinin optimizasyonu yoluyla bit tahmini
yaplmaktadr.

ekil 4.5. Ezamansz kanal iin YSA alc yaps.

Kanal
k
r(t)
Uyumlu Filtre
(K.kullanc)

Uyumlu Filtre
(2.kullanc)

Uyumlu Filtre
(1.kullanc)
YSA

) i ( b
1
)
) i ( b
2
)

) i ( b
K
)
y
1
(i)

y
2
(i)

y
K
(i)

Sync 1

Sync 2

Sync K

YSA
) i ( b
1
)
) i ( b
2
)

) i ( b
K
)
Gecikme
Hatt

y
1
(i-1)

y
1
(i)

y
1
(i+1)

y
K
(i-1)

y
K
(i)

y
K
(i+1)

Kanal
k
r(t)
Uyumlu Filtre
(K.kullanc)

Uyumlu Filtre
(2.kullanc)

Uyumlu Filtre
(1.kullanc)
y
1
(i)

y
2
(i)

y
K
(i)

Sync 1

Sync 2

Sync K

47
Bu alclarn performansnn incelenmesi iin yaplan simlasyon almalarnda 25
kullancl ezamanl kanal dikkate alnmtr. Simlasyonda kullanlan YSA 25 girie,
25 dml bir gizli katmana ve 1 ka sahiptir. Gizli katmanda tanjant sigmoid
aktivasyon fonksiyonu kullanlrken, k katnda saf dorusal (pure linear)
aktivasyon fonksiyonu kullanlmtr. YSA her bir kullanc iin 10000 bit ieren veri
seti kullanlarak eitilmitir. Ezamanl kanalda 25 kullanc iin kullanlan 10 bitlik
rnek bir eitim veri seti Tablo 4.5de grlmektedir. Btn simlasyon almalar
iin YSA 10 dB SNR
1
deerinde eitilmitir. SNR deiimine karlk BER
deiiminin ve NFR deiimine karlk BER deiiminin incelendii simlasyon
almalar iin YSAnn eitiminde dier kullanclarn NFR deeri 2 olarak
alnmtr. Kullanc says deiimine karlk BER deiiminin incelendii
simlasyon almalarnda YSAnn eitiminde btn kullanc gleri eit kabul
edilmitir. Eitim danmanl olarak Levenberg- Marquardt algoritmas kullanlarak
0.1 renme katsaysyla yaplmaktadr. Eitim 0.001 minimum ortalamal hata
(MSE) hata elde edilinceye kadar srdrlmektedir. Hopfield a iin de RC zaman
sabiti 0.2 alnrken kazan lekleme katsays 10 alnmtr. Bir kez eitilen ileri
beslemeli ok katmanl perseptron YSA btn simlasyon boyunca kullanlmakta, ara
eitimler yaplmamaktadr. Simlasyonlar 1000 bitlik paketler kullanlarak 1000 farkl
paket iin yaplm ve ortalama BER deerleri elde edilmitir.

Ezamanl TBGG kanal iin arzu edilen kullancnn (1. kullanc) sinyal-grlt oran
(SNR
1
) deiimine karlk birinci kullancnn bit hata oran (BER
1
) deiimi ekil
4.6da grlmektedir. ekil 4.6da grld gibi, 7 dB SNR deerine kadar ileri
beslemeli ok katmanl YSA (YSA), Hopfield a (HOP) ve iliki zc alcs
(DEC) hemen hemen ayn performans gstermekte, MMSE alc tahmin ileminde
grlty de ierdiinden biraz daha iyi performans gstermektedir. Btn alclarn
performans tek kullanc snrna (TKS) olduka uzak olmakla birlikte, uyumlu filtre
(UF) performansnda artan SNR deeriyle hibir iyileme olmamaktadr. 7 dB SNR
deerinden sonra Hopfield alc performans dierlerine gre olduka kt olmakta, 15
dB SNR deerinden sonra da iliki zc alcsnn performans grltnn etkisinin
azalmasyla MMSE alcdan daha iyi hale gelmektedir. leri beslemeli ok katmanl
YSA alc ise, 12 dB SNR deerinden sonra iliki zc ve MMSE alcya gre
daha kt performans gstermektedir. NFR deiimine karlk

4
8

T
a
b
l
o

4
.
5
.

.

E
z
a
m
a
n
l

k
a
n
a
l
d
a

2
5

k
u
l
l
a
n
i
n

k
u
l
l
a
n
l
a
n

1
0

b
i
t
l
i
k

r
n
e
k

b
i
r

e
i
t
i
m

v
e
r
i

s
e
t
i
.

G
i
r
i

v
e
r
i
s
i
\
b
i
t

n
u
m
a
r
a
s

1

2

3

4

5

6

7

8

9

1
0

1
.

k
u
l
l
a
n

U
F

-
3
6
.
2
1
6
9

2
.
0
2
2
7

7
4
.
8
5
4
4

1
2
.
8
8
1
0

-
1
9
.
0
3
3
3

1
0
1
.
5
9
9
7

5
.
9
0
5
5

1
0
.
7
0
8
5

-
2
6
.
2
4
0
1

1
.
8
6
9
7

2
.

k
u
l
l
a
n

U
F

7
5
.
8
0
9
9

-
4
9
.
2
5
3
9

9
2
.
2
8
1
7

6
7
.
7
1
2
8

-
3
8
.
1
8
6
9

4
7
.
3
7
9
6

3
.
4
2
0
7

1
8
.
1
9
9
2

8
0
.
7
5
0
0

6
3
.
3
8
6
3

3
.

k
u
l
l
a
n

U
F

-
6
2
.
2
7
7
6

3
0
.
8
7
6
2

4
3
.
0
8
1
4

1
3
.
7
6
8
8

9
5
.
7
6
6
5

3
7
.
7
6
0
0

1
7
.
8
7
4
5

1
0
.
9
6
6
5

-
1
5
.
1
5
5
2

-
8
6
.
8
1
2
6

4
.

k
u
l
l
a
n

U
F

-
1
5
.
4
2
7
4

-
3
5
.
9
7
2
5

-
8
1
.
5
6
1
4

-
5
7
.
0
6
9
9

7
7
.
4
6
2
7

-
5
3
.
7
3
2
8

-
3
.
6
6
8
8

2
8
.
1
0
8
1

2
3
.
5
7
3
5

4
9
.
9
8
7
3

5
.

k
u
l
l
a
n

U
F

5
9
.
7
5
9
7

-
3
4
.
2
1
6
2

-
7
9
.
9
9
0
2

3
7
.
9
6
3
8

-
3
7
.
2
8
1
4

4
4
.
3
2
7
4

6
8
.
1
1
1
5

-
6
3
.
2
2
8
8

8
0
.
9
6
5
0

-
2
8
.
9
0
8
3

6
.

k
u
l
l
a
n

U
F

-
2
.
7
9
1
0

4
0
.
4
2
9
0

2
9
.
9
0
2
7

-
4
7
.
2
2
1
5

1
.
0
1
1
2

-
4
3
.
2
3
0
1

7
4
.
5
4
7
8

-
4
5
.
8
6
5
1

4
2
.
5
2
0
5

1
7
.
8
3
5
8

7
.

k
u
l
l
a
n

U
F

7
4
.
0
2
5
7

-
4
1
.
0
9
1
9

-
9
7
.
9
6
7
7

-
3
5
.
6
7
2
5

-
4
3
.
4
1
1
0

2
5
.
7
6
2
9

6
8
.
7
7
4
8

3
7
.
9
7
0
2

-
2
1
.
7
4
8
0

-
6
3
.
0
5
9
6

8
.

k
u
l
l
a
n

U
F

2
9
.
5
4
4
6

6
0
.
7
5
9
2

-
5
8
.
7
4
0
0

1
6
.
4
9
4
3

-
2
6
.
1
4
0
2

4
0
.
3
7
9
8

5
8
.
7
8
7
2

-
8
5
.
4
7
7
8

4
6
.
2
0
4
2

3
2
.
6
2
5
4

9
.

k
u
l
l
a
n

U
F

8
5
.
6
0
6
4

-
1
8
.
3
5
4
9

5
0
.
7
1
0
2

2
1
.
1
3
3
8

3
5
.
2
2
8
4

6
4
.
2
0
7
0

3
2
.
0
8
8
4

-
9
.
7
3
3
9

7
9
.
5
9
0
7

-
4
0
.
1
8
3
1

1
0
.

k
u
l
l
a
n

U
F

6
0
.
4
6
3
0

2
2
.
6
7
1
9

-
8
7
.
8
9
3
4

7
5
.
1
4
8
7

5
3
.
0
5
0
0

1
3
.
6
4
5
5

-
2
.
2
3
2
1

-
6
.
7
8
2
7

7
3
.
4
2
8
4

2
4
.
4
9
1
3

1
1
.

k
u
l
l
a
n

U
F

-
8
8
.
5
1
3
7

5
9
.
8
7
4
6

1
0
2
.
5
7
5
6

-
7
.
8
4
6
7

-
2
5
.
2
3
9
1

5
.
4
9
0
2

3
6
.
1
1
5
5

4
1
.
9
3
3
6

-
7
7
.
6
6
2
2

-
4
9
.
3
7
1
2

1
2
.

k
u
l
l
a
n

U
F

5
2
.
6
4
0
0

-
3
5
.
6
7
9
3

7
8
.
3
8
8
9

1
0
2
.
8
8
0
4

3
0
.
0
8
4
6

-
5
5
.
8
0
5
7

-
8
.
4
2
6
9

-
3
3
.
8
9
6
0

7
1
.
9
3
8
5

1
0
6
.
7
6
1
2

1
3
.

k
u
l
l
a
n

U
F

-
7
9
.
3
2
4
4

5
3
.
5
9
8
5

-
1
9
.
7
8
1
5

-
3
3
.
3
2
5
8

5
6
.
5
2
1
0

2
4
.
1
7
5
5

-
4
0
.
0
1
2
7

5
1
.
3
2
7
0

-
2
0
.
7
9
1
8

-
1
0
8
.
8
0
6
5

1
4
.

k
u
l
l
a
n

U
F

-
1
0
5
.
3
0
1
5

-
3
4
.
8
1
1
0

-
4
1
.
2
5
7
0

-
7
2
.
3
9
5
9

5
7
.
6
6
2
9

8
5
.
6
5
8
5

3
2
.
2
0
0
7

-
9
2
.
5
1
4
9

-
8
3
.
0
4
7
8

-
7
5
.
8
3
4
7

1
5
.

k
u
l
l
a
n

U
F

5
7
.
3
5
9
0

-
3
5
.
7
4
4
2

-
3
7
.
9
9
5
6

-
8
1
.
1
7
8
2

-
3
7
.
5
2
5
9

-
2
5
.
6
1
7
3

6
2
.
2
6
2
7

-
7
6
.
9
2
3
1

3
5
.
2
6
7
9

1
6
.
2
0
3
7

1
6
.

k
u
l
l
a
n

U
F

1
2
3
.
5
1
0
3

6
8
.
9
6
5
6

-
0
.
6
2
4
1

6
1
.
4
7
6
7

-
8
6
.
8
5
8
7

6
2
.
9
0
1
6

3
2
.
9
0
3
0

-
2
6
.
9
8
2
9

5
4
.
1
5
2
5

-
4
3
.
6
1
8
0

1
7
.

k
u
l
l
a
n

U
F

-
7
7
.
7
8
6
8

-
2
8
.
7
1
7
3

9
9
.
9
3
7
6

-
5
9
.
5
5
2
7

7
2
.
0
4
1
1

3
5
.
1
3
5
9

6
4
.
1
3
4
3

-
4
3
.
4
0
4
8

6
3
.
0
3
9
4

-
3
6
.
3
3
8
2

1
8
.

k
u
l
l
a
n

U
F

-
2
5
.
0
3
8
1

7
9
.
5
8
0
1

-
4
.
0
2
3
2

-
4
7
.
2
2
5
8

4
6
.
9
9
3
7

-
3
.
3
1
9
6

1
0
.
4
3
1
6

-
3
3
.
9
2
2
3

-
1
2
.
7
4
5
9

5
.
4
4
1
8

1
9
.

k
u
l
l
a
n

U
F

8
7
.
1
7
9
6

3
7
.
8
8
7
5

-
3
0
.
8
3
6
0

2
6
.
0
1
9
7

8
.
2
7
3
5

-
3
8
.
0
2
8
9

0
.
2
9
1
4

2
.
2
9
0
0

7
3
.
1
2
4
4

5
5
.
5
5
0
2

2
0
.

k
u
l
l
a
n

U
F

5
9
.
3
1
2
7

8
9
.
8
1
4
6

3
.
3
4
0
6

8
1
.
6
6
0
9

-
3
7
.
9
4
5
9

1
0
5
.
2
6
4
1

6
.
5
5
2
4

7
3
.
7
3
9
2

-
1
3
.
3
0
0
4

0
.
1
3
6
7

2
1
.

k
u
l
l
a
n

U
F

3
7
.
7
2
6
7

5
5
.
0
7
3
6

-
9
4
.
2
4
9
6

-
3
4
.
5
5
0
6

-
6
4
.
7
4
8
7

3
8
.
8
2
2
8

7
7
.
1
5
2
3

-
8
1
.
5
4
6
1

8
0
.
0
2
2
7

5
4
.
3
7
2
3

2
2
.

k
u
l
l
a
n

U
F

3
4
.
6
5
2
4

-
5
7
.
4
1
2
6

4
5
.
9
0
2
5

-
7
6
.
7
5
9
6

-
1
5
.
4
0
6
2

1
0
2
.
7
8
4
5

9
.
8
1
7
1

-
3
8
.
2
2
5
2

-
5
6
.
7
0
5
3

-
1
8
.
7
8
3
9

2
3
.

k
u
l
l
a
n

U
F

-
1
4
.
8
1
3
8

-
9
0
.
2
5
1
8

5
9
.
9
6
1
7

4
6
.
2
5
5
2

1
9
.
2
9
4
7

2
2
.
9
1
8
3

-
1
2
.
9
3
0
0

-
2
0
.
4
1
5
1

-
1
8
.
8
7
7
0

-
5
9
.
0
4
8
5

2
4
.

k
u
l
l
a
n

U
F

-
3
1
.
4
0
0
5

-
4
6
.
8
2
9
1

7
0
.
4
0
4
8

1
0
8
.
4
6
7
5

1
7
.
9
8
3
9

3
0
.
2
5
0
6

4
7
.
4
3
7
7

4
5
.
9
0
4
7

5
3
.
5
9
4
9

-
5
7
.
6
3
1
2

2
5
.
k
u
l
l
a
n

U
F

8
1
.
8
8
2
8

-
4
5
.
2
3
1
3

-
6
.
2
3
1
4

3
4
.
4
9
6
7

-
3
2
.
5
3
4
9

-
5
1
.
8
7
0
8

5
0
.
0
5
4
6

3
5
.
2
9
6
5

7
3
.
8
8
6
7

4
5
.
3
3
5
8

1
.
k
u
l
l
a
n

h
e
d
e
f

v
e
r
i
s
i

0

1

1

0

0

1

0

0

1

1

48
49

ekil 4.6. leri beslemeli ok katmanl YSA ve Hopfield alc iin
ezamanl TBGG kanalda 1. kullancnn sinyal-
grlt oran (SNR
1
) deiimine karlk 1.
kullancnn bit hata oran (BER
1
) performans.

BER
1
deiimi ekil 4.7de grlmektedir. ekil 4.7de grld gibi, ileri beslemeli
ok katmanl YSA, iliki zc ve MMSE alclarnn performans hemen hemen
ayndr. Hopfield a alcnn performans ise, 2 NFR deerine kadar onlardan iyi
olmakla birlikte artan NFR deeriyle Hopfield a alcnn performans ok
ktlemektedir. Kullanc says deiimine karlk BER
1
deiimi de ekil 4.8de
grlmektedir. ekil 4.8de grld gibi, bu kez en iyi performans Hopfield a
alc gstermektedir. ekil 4.7de de grld gibi, Hopfield a alc 2 NFR
deerinin altnda dierlerinden daha iyi performans gstermekteydi. Bu simlasyonda
btn kullanc gleri eit alndndan, yani NFR deeri 1 olduundan dolay
Hopfield a alc iyi performans gstermektedir. Dier alclar ise birbirine yakn
performans gstermektedirler. Hopfield a alcnn kk NFR deerindeki
performans iyiliini incelemek iin ayrca btn alc glerinin eit olduu durum
iin tekrar SNR simlasyonu yaplmtr. Bu simlasyon sonular ekil 4.9da
grlmektedir. ekil 4.9da grld gibi, Hopfield a alc 10 dB SNR deerine
kadar dier alclardan daha iyi performansa sahiptir.

1. Kullancnn sinyal-grlt oran (dB)
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

50

ezamanl TBGG kanalda dier kullanclarn NFR
deiimine karlk 1. kullancnn BER performans.

ezamanl TBGG kanalda kullanc says deiimine
karlk 1. kullancnn BER performans.

Yakn-uzak oran (Mutlak)
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

Kullanc says
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

51

ezamanl TBGG kanalda btn kullanc glerinin
eit olduu durumda 1. kullancnn sinyal-grlt
oran (SNR
1
) deiimine karlk 1. kullancnn bit
hata oran (BER
1
) performans.

Ezamanl snml kanal iin birinci kullancnn SNR deiimine karlk birinci
kullancnn BER deiimi ekil 4.10da grlmektedir. ekil 4.10da grld gibi,
15 dB SNR deerine kadar ileri beslemeli ok katmanl YSA, MMSE ve iliki zc
alcs hemen hemen ayn performans gstermektedir. Snml kanalda Hopfield alc
performans dierlerine gre olduka kt olmaktadr. NFR deiimine karlk BER
1

deiimi ekil 4.11de grlmektedir. ekil 4.11de grld gibi, ileri beslemeli
ok katmanl YSA, iliki zc ve MMSE alclarnn performans hemen hemen
ayndr. Hopfield a alcnn performans ise, 2 NFR deerine kadar onlara yakn
olmakla birlikte daha byk NFR deerlerinde performans ok ktlemektedir.
Kullanc says deiimine karlk BER
1
deiimi de ekil 4.12de grlmektedir.
ekil 4.12de grld gibi, bu kez ileri beslemeli ok katmanl YSA, iliki zc
ve MMSE alclarnn performanslar hemen hemen ayn olmakla birlikte Hopfield
alcnn performans bunlardan biraz daha ktdr. Snml kanaldaki genlik
deiimlerinin Hopfield alc performansna olumsuz etkisi olmaktadr. Hopfield alc
ancak dk ve deimeyen NFR deerlerinde iyi performans gsterebilmektedir.

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

52

ekil 4.10. leri beslemeli ok katmanl YSA ve Hopfield alc
iin ezamanl snml kanalda birinci kullancnn
SNR deiimine karlk birinci kullancnn BER
performans.

iin ezamanl snml kanalda dier kullanclarn
NFR deiimine birinci kullancnn BER
performans.

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

53

iin ezamanl snml kanalda kullanc says
deiimine karlk birinci kullancnn BER
performans.

4.2. Yapay Sinir A nilemli Paralel Giriim Bastrmal (PIC) Alc

nerilen YSA nilemli PIC alc yaps ezamanl kanal iin ekil 4.13de,
ezamansz kanal iin ekil 4.14de grlmektedir. PIC karar cihaznn performans,
her bir kullancnn etkisi olan giriimi doru belirlemesine baldr. Baz kullanc
giriimlerinin yanl belirlenmesi sonucunda, ok katl PIC kullanlsa dahi performans
ktleebilir. nerilen bu yapda PIC karar cihaznn YSA karar cihazndan sonra
kullanlmas suretiyle, giriim hesabna daha doru deerlerle balamas salanm,
bylece YSAnn ardndan kullanlan bir katl PIC karar cihazyla ok katl PIC
performans elde edilmesi amalanmtr [124, 125]. Blm 4.2 ve Blm 4.3de
ezamanl kanalda K kullanc iin K girie ve K ka, ezamansz kanalda 3K girie
ve K ka sahip ileri beslemeli ok katmanl YSA yaps kullanlmtr. YSAda K
k kullanldndan dolay eitim ileminde ilem boyutlar ok fazla artmaktadr.
Bu sebeple Blm 4.2 ve Blm 4.3deki simlasyonlar 15 kullancl olarak yaplm
ve YSA ezamanl kanal iin 3000 bitlik veri seti, ezamansz kanal iin de 500 bitlik
veri seti kullanlarak eitilebilmitir. Eitim setinde kullanlan bit saysnn azalmas
Kullanc says
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

54
YSAnn performansn olumsuz ynde etkilemektedir. Bu sebeple, zellikle
ezamansz durumda YSAnn performansnda ok fazla ktleme olmutur.
Simlasyonlarda PIC alcda kullanc genliklerinin bilindii var saylmtr [123,
124].

ekil 4.13. Ezamanl kanal iin YSA nilemli PIC alc yaps.

YSA nilemli PIC alcnn BER performans klasik alc (uyumlu filtre), YSA alc,
tek katl PIC alc, 3 katl PIC alc ve tek kullanc snr ile karlatrlmaktadr.
Ezamanl TBGG kanal iin arzu edilen kullancnn (1. kullanc) sinyal-grlt oran
(SNR
1
) deiimine karlk birinci kullancnn bit hata oran (BER
1
) deiimi ekil
4.15de grlmektedir. ekil 4.15de grld gibi, YSA nilemli PIC alc tek
kullanc snrna ok yakn olarak dierlerinden ok daha iyi performansa sahiptir ve
sadece YSA kullanlan alcya gre 0.001 BER deerini yaklak 3 dB daha kk
SNR deeri ile salamtr. Tek katl PIC alc her bir kullancya etki eden oklu
eriim giriimini yanl deerlendirebileceinden dolay, performans ok iyi deildir.
katl PIC alcda her bir katta kararlarda dzeltme yaplm olduundan performans
daha iyidir. Ancak, bu durumda da hesap karmakl artmaktadr. Al ilemine bir
n YSA karar devresiyle balayan PIC alc yapsnn karmakl ok katl PIC
alcdan az olmakla birlikte ok daha iyi performans salanmtr. Ayrca performansn
daha da iyiletirilmesi gereken durumlarda PIC kat saysnn artrlmas kesin zm
deildir. NFR deiimine karlk BER
1
deiimi ekil 4.16da grlmektedir. ekil

Kanal
k
r(t)
Uyumlu Filtre
(K.kullanc)

Uyumlu Filtre
(2.kullanc)

Uyumlu Filtre
(1.kullanc)
YSA

) i ( b
1
)
) i ( b
2
)

) i ( b
K
)
y
1
(i)

y
2
(i)

y
K
(i)

Sync 1

Sync 2

Sync K

Bir katl
PIC
Detektr
) i ( b
1
)
) i ( b
2
)

) i ( b
K
)
y
1
(i)

y
2
(i)

y
K
(i)

55
4.16da grld gibi, YSA nilemli PIC alcnn performans dierlerinden ok
daha iyidir. YSA nilemli PIC alcnn performans 1 NFR deerinde 0.01in

ekil 4.14. Ezamansz kanal iin YSA nilemli PIC alc yaps.

ekil 4.15. YSA nilemli PIC alc iin ezamanl TBGG
1
)
deiimine karlk 1. kullancnn bit hata oran
(BER
1
) performans.

zerinde iken 4 NFR deerinden sonra tek kullanc snrna ulamaktadr. Kk NFR
deerlerinde grlt daha etkili faktr olurken, daha byk NFR deerlerinde
grltnn etkisi NFRye gre azalmaktadr. Bu durumda PIC alc, birinci kullanc
dndaki dier kullanc genliklerinin de eit olmas sebebiyle daha iyi giriim
bastrmas yapabilmektedir. ekilde grlen sonular ise sadece birinci kullancnn
BER performansn gstermektedir. YSA nilemli PIC alcnn artan NFR deeriyle
iyileen performansnn sebebi, dier kullanclarn hatalarnn azalmasdr. Btn

) i ( b
2
)

Bir katl
PIC
Detektr
) i ( b
1
)
) i ( b
K
)
y
1
(i)

y
2
(i)

y
K
(i)

YSA
) i ( b
1
)
) i ( b
2
)

) i ( b
K
)
Gecikme
Hatt

y
1
(i-1)

y
1
(i)

y
1
(i+1)

y
K
(i-1)

y
K
(i)

y
K
(i+1)

Kanal
k
r(t)
Uyumlu Filtre
(K.kullanc)

Uyumlu Filtre
(2.kullanc)

Uyumlu Filtre
(1.kullanc)
y
1
(i)

y
2
(i)

y
K
(i)

Sync 1

Sync 2

Sync K

Gecikme
Hatt

b
1
(i-1)

b
1
(i)

b
1
(i+1)

b
K
(i-1)

b
K
(i)

b
K
(i+1)

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

56
kullanclara ait BER deerleri bir katl PIC, YSA ve YSA nilemli PIC alclar iin
Tablo 4.6da verilmektedir. Tablo 4.6da grld gibi YSA alc iin 4 NFR
deerinden sonra birinci kullanc haricindeki dier kullanc BER deerleri hemen
hemen sfr olmaktadr. Kullanc says deiimine karlk BER
1
deiimi de ekil
4.17de grlmektedir. YSA nilemli PIC alcnn bu durumda da performans
dierlerine gre iyidir. 0.01 BER deeri YSA alc da 6 kullanc ile salanrken YSA
nilemli PIC alcda 8 kullanc ile salanabilmektedir. Ayrca, YSA nilemli
alcnn performans byk SNR deerlerinde daha iyidir ve bu simlasyonda SNR
deeri 5 dB yerine daha byk alnd takdirde YSA nilemli alcnn performans
stnl artmaktadr. Ancak bu durumda performans incelemesinin yaplabilmesi
iin gerekli hatal bit alnabilmesi iin ok fazla simlasyon sresi gerekmektedir.

Ezamanl snml kanal iin SNR
1
deiimine karlk BER
1
deiimi ekil 4.18de
grlmektedir. Bu durumda da YSA n ilemli PIC alc zellikle 15 dB SNR
deerinden sonra dierlerine belirgin bir stnlk salamaktadr. YSA ve katl PIC
alc 0.01 BER deerinin altna inemezken YSA nilemli PIC alcnn performans
artan SNR deeriyle iyilemektedir. Snml kanal iin NFR deiimine karlk

kanalda dier kullanclarn NFR deiimine karlk
1. kullancnn BER performans.

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

57
Tablo 4.6. Ezamanl TBGG kanalda bir katl PIC, YSA ve YSA nilemli PIC
alclar iin btn kullanclara ait BER deerleri.
NFR Alc
K
l
.

1 2 3 4 5 6 7 8
B
E
R

P
I
C
1

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0.0696 0.1019 0.1263 0.1469 0.1642 0.1791 0.1918 0.2025
0.1379 0.1059 0.0933 0.0863 0.0824 0.0798 0.0783 0.0773
0.0826 0.0522 0.0418 0.0365 0.0334 0.0315 0.0301 0.0290
0.0509 0.0279 0.0206 0.0171 0.0150 0.0137 0.0128 0.0123
0.0802 0.0527 0.0431 0.0384 0.0357 0.0340 0.0329 0.0323
0.0936 0.0694 0.0597 0.0540 0.0499 0.0469 0.0445 0.0425
0.0574 0.0338 0.0259 0.0218 0.0195 0.0182 0.0173 0.0166
0.0967 0.0674 0.0558 0.0489 0.0446 0.0414 0.0391 0.0374
0.0463 0.0233 0.0165 0.0135 0.0120 0.0111 0.0106 0.0102
0.0447 0.0195 0.0116 0.0081 0.0060 0.0047 0.0039 0.0032
0.0393 0.0182 0.0125 0.0100 0.0085 0.0077 0.0070 0.0067
0.0460 0.0216 0.0147 0.0117 0.0100 0.0089 0.0083 0.0078
0.0409 0.0204 0.0147 0.0124 0.0113 0.0106 0.0101 0.0098
0.0478 0.0264 0.0199 0.0169 0.0152 0.0141 0.0134 0.0129
0.0297 0.0100 0.0052 0.0036 0.0029 0.0025 0.0022 0.0020
B
E
R

Y
S
A

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0.0311 0.0322 0.0339 0.0362 0.0392 0.0430 0.0475 0.0526
0.0351 0.0056 0.0012 0.0004 0.0003 0.0003 0.0003 0.0003
0.0360 0.0059 0.0014 0.0006 0.0004 0.0004 0.0004 0.0004
0.0154 0.0013 0.0002 0.0000 0.0000 0.0000 0.0000 0.0000
0.0396 0.0073 0.0018 0.0006 0.0003 0.0002 0.0002 0.0002
0.0311 0.0045 0.0009 0.0002 0.0001 0.0001 0.0001 0.0001
0.0168 0.0016 0.0003 0.0001 0.0001 0.0001 0.0001 0.0001
0.0428 0.0083 0.0021 0.0007 0.0004 0.0003 0.0002 0.0002
0.0190 0.0018 0.0002 0.0001 0.0000 0.0000 0.0000 0.0000
0.0237 0.0028 0.0005 0.0002 0.0001 0.0001 0.0001 0.0001
0.0194 0.0021 0.0003 0.0001 0.0000 0.0000 0.0000 0.0000
0.0272 0.0034 0.0006 0.0001 0.0000 0.0000 0.0000 0.0000
0.0246 0.0033 0.0006 0.0002 0.0001 0.0000 0.0000 0.0000
0.0181 0.0019 0.0003 0.0001 0.0001 0.0001 0.0001 0.0001
0.0155 0.0013 0.0002 0.0000 0.0000 0.0000 0.0000 0.0000
B
E
R

Y
S
A
P
I
C

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0.0160 0.0087 0.0068 0.0063 0.0062 0.0062 0.0063 0.0064
0.0233 0.0017 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000
0.0168 0.0009 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000
0.0126 0.0006 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0.0190 0.0013 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000
0.0210 0.0020 0.0003 0.0001 0.0000 0.0000 0.0000 0.0000
0.0147 0.0008 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000
0.0207 0.0015 0.0002 0.0000 0.0000 0.0000 0.0000 0.0000
0.0148 0.0009 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000
0.0138 0.0008 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0.0134 0.0007 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000
0.0140 0.0006 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0.0128 0.0006 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0.0129 0.0007 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000
0.0120 0.0007 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000
58

kanalda kullanc says deiimine karlk 1.
kullancnn BER performans.

ekil 4.18. YSA nilemli PIC alc iin ezamanl snml
kanalda 1. kullancnn SNR deiimine karlk 1.

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

Kullanc says
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

59
BER
1
deiimi ekil 4.19da grlmektedir. Bu kez YSA nilemli PIC alcnn
performans yine iyi olmakla birlikte TBGG kanaldaki kadar iyi deildir. Bunun
sebebi YSA alcnn performansnn TBGG kanaldaki kadar iyi olmamasdr. Ayrca
YSA alc iin TBGG kanalda olan birinci kullanc haricindeki alclarn artan NFR
deeriyle BER performanslarndaki iyilemenin snml kanalda yeterince
olmamasdr. Kullanc says deiimine karlk BER
1
grlmektedir. YSA nilemli PIC alc dierlerine gre daha iyi performansa sahip
olmakla birlikte btn alclarda yakn performanslar elde edilmitir. Snml kanalda
TBGG kanaldan farkl olarak katl PIC alcnn YSA alcdan daha iyi performans
gsterdii grlmtr. Buna bal olarak da YSA nilemli PIC alc performansnda
TBGG kanala oranla yeterli performans iyilemesi salanamamtr. Ancak YSA alc
daha fazla veri biti ile eitilebilseydi, YSA ve buna bal olarak YSA nilemli PIC
alc performansndaki iyileme daha fazla olurdu.

kanalda dier kullanclarn NFR deiimine karlk

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

60


Ezamansz TBGG kanal iin arzu edilen kullancnn SNR deiimine karlk birinci
kullancnn BER deiimi ekil 4.21de grlmektedir. ekil 4.21de grld gibi,
YSA nilemli PIC alc dier kullanclara gre olduka iyi performans gstermekle
birlikte ezamanl kanaldaki kadar iyi performansa sahip deildir. 0.01 BER deeri tek
kullanc snrna gre 3 dB daha byk SNR deeriyle elde edilirken, kendisine en
yakn performansa sahip olan katl PIC alcya gre 10 dBden daha kk SNR
deeriyle elde edilmektedir. ekilden de grld gibi YSA nilemli PIC alcdan
ezamanl kanaldaki kadar iyi performans elde edilememesinin sebebi YSA alcnn
yeterince iyi performansa sahip olamamasdr. Ezamanl kanal iin YSA eitiminde
3000 bit kullanlrken, ezamansz kanalda giri says katna kmasna ramen
500 bitlik eitim setiyle eitim yaplabilmitir. Bu sebeple ezamansz kanal
simlasyonlarnda YSA performans olduka kt olmakta, YSA nilemli PIC alc
performansndaki iyileme de ezamanl kanaldaki kadar iyi olmamaktadr. NFR
deiimine karlk BER
1
deiimi ekil 4.22de grlmektedir. Bu simlasyonda
yetersiz saydaki eitim bitinin olumsuzluunu azaltmak iin YSA 4 NFR deerinde
eitilmitir. ekil 4.22de grld gibi, YSA nilemli PIC alcnn performans
dierlerinden iyi olmakla birlikte en iyi performansa YSA alcnn eitildii 4 NFR
deeri civarnda sahiptir. ekil 4.22de YSA alcnn artan NFR deeriyle daha kt
Kullanc says
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

61

ekil 4.21. YSA nilemli PIC alc iin ezamansz TBGG
1
)
deiimine karlk 1. kullancnn bit hata oran
(BER
1
) performans.

kanalda dier kullanclarn NFR deiimine

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

62
performans gsterdii grlmektedir. Ancak YSA alc iin dier kullanclardan en
iyi performans 4 NFR civarnda elde edilmektedir. Bu durum Tablo 4.7de
grlmektedir. Kullanc says deiimine karlk BER
1
grlmektedir. YSA nilemli PIC alc 0.01 BER deerini katl PIC alcya gre 2,
YSA alcya gre 4 fazla kullanc ile salayabilmektedir.


Ezamansz snml kanal iin SNR
1
deiimine karlk BER
1
deiimi ekil
4.24de grlmektedir. Bu durumda YSA alcdaki yetersiz eitim YSA nilemli PIC
alcnn katl PIC alcdan daha kt performans gstermesine sebep olacak kadar
etkili olmaktadr. Snml kanal iin dier kullanclarn NFR deiimine gre birinci
kullancnn BER deiimi ekil 4.25de grlmektedir. Eitimde kullanlan NFR
deeri olan 4 deerine kadar YSA nilemli PIC ile katl PIC alc hemen hemen
ayn performans gsterirken daha byk SNR deerlerinde katl PIC alcnn
performans daha iyilemektedir. Kullanc says deiimine gre birinci kullancnn
BER deiimi ekil 4.26da grlmektedir. YSA nilemli PIC alc ile katl PIC
alc ayn performansa sahip olarak, 0.1 BER deerini YSA alcdan 5 kullanc daha
fazlasyla salamaktadrlar.

Kullanc says
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

63
Tablo 4.7. Ezamansz TBGG kanalda bir katl PIC, YSA ve YSA nilemli PIC
alclar iin btn kullanclara ait BER deerleri.
NFR Alc
K
l
.

1 2 3 4 5 6 7 8
B
E
R

P
I
C
1

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0.0676 0.1040 0.1316 0.1540 0.1720 0.1876 0.2008 0.2123
0.1141 0.0863 0.0752 0.0695 0.0657 0.0631 0.0612 0.0597
0.0739 0.0469 0.0370 0.0319 0.0287 0.0265 0.0250 0.0239
0.0673 0.0421 0.0337 0.0297 0.0274 0.0259 0.0249 0.0241
0.0361 0.0147 0.0088 0.0062 0.0049 0.0041 0.0036 0.0032
0.0606 0.0366 0.0293 0.0259 0.0239 0.0228 0.0219 0.0213
0.0775 0.0498 0.0398 0.0348 0.0318 0.0299 0.0286 0.0276
0.0997 0.0748 0.0662 0.0617 0.0591 0.0574 0.0563 0.0553
0.0908 0.0612 0.0503 0.0446 0.0411 0.0388 0.0372 0.0361
0.1006 0.0771 0.0681 0.0636 0.0609 0.0590 0.0576 0.0566
0.0756 0.0492 0.0398 0.0350 0.0323 0.0305 0.0292 0.0281
0.0738 0.0467 0.0370 0.0322 0.0292 0.0273 0.0260 0.0250
0.0582 0.0362 0.0293 0.0259 0.0238 0.0224 0.0214 0.0207
0.1118 0.0848 0.0746 0.0693 0.0662 0.0642 0.0627 0.0615
0.0576 0.0317 0.0233 0.0194 0.0172 0.0156 0.0146 0.0139
B
E
R

Y
S
A

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0.0687 0.0849 0.1103 0.1395 0.1692 0.1969 0.2217 0.2437
0.0530 0.0162 0.0080 0.0059 0.0056 0.0059 0.0067 0.0077
0.0613 0.0180 0.0084 0.0060 0.0056 0.0063 0.0075 0.0090
0.0539 0.0179 0.0086 0.0052 0.0036 0.0028 0.0025 0.0026
0.0228 0.0036 0.0011 0.0006 0.0005 0.0006 0.0007 0.0009
0.0362 0.0073 0.0027 0.0016 0.0013 0.0013 0.0015 0.0017
0.0403 0.0095 0.0032 0.0015 0.0009 0.0006 0.0005 0.0005
0.0504 0.0137 0.0049 0.0021 0.0010 0.0006 0.0004 0.0002
0.0392 0.0091 0.0030 0.0013 0.0007 0.0004 0.0003 0.0002
0.0576 0.0142 0.0056 0.0036 0.0031 0.0033 0.0037 0.0044
0.0472 0.0120 0.0047 0.0028 0.0022 0.0022 0.0024 0.0028
0.0563 0.0154 0.0074 0.0056 0.0057 0.0066 0.0079 0.0095
0.0457 0.0111 0.0043 0.0024 0.0019 0.0017 0.0019 0.0021
0.0555 0.0170 0.0083 0.0058 0.0051 0.0051 0.0056 0.0062
0.0455 0.0144 0.0083 0.0072 0.0076 0.0087 0.0103 0.0122
B
E
R

Y
S
A
P
I
C

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0.0240 0.0161 0.0132 0.0128 0.0139 0.0160 0.0192 0.0231
0.0336 0.0047 0.0011 0.0005 0.0003 0.0003 0.0003 0.0004
0.0267 0.0031 0.0006 0.0002 0.0001 0.0000 0.0000 0.0000
0.0245 0.0024 0.0004 0.0002 0.0001 0.0001 0.0001 0.0001
0.0161 0.0013 0.0002 0.0001 0.0000 0.0000 0.0000 0.0000
0.0234 0.0024 0.0005 0.0002 0.0001 0.0001 0.0001 0.0001
0.0279 0.0029 0.0005 0.0002 0.0001 0.0001 0.0001 0.0001
0.0299 0.0038 0.0009 0.0005 0.0004 0.0004 0.0005 0.0006
0.0272 0.0030 0.0007 0.0003 0.0002 0.0002 0.0002 0.0003
0.0313 0.0044 0.0011 0.0004 0.0002 0.0001 0.0001 0.0001
0.0235 0.0021 0.0003 0.0001 0.0001 0.0001 0.0001 0.0001
0.0266 0.0029 0.0006 0.0002 0.0001 0.0001 0.0001 0.0000
0.0199 0.0020 0.0005 0.0002 0.0001 0.0001 0.0001 0.0001
0.0301 0.0037 0.0008 0.0003 0.0002 0.0002 0.0002 0.0002
0.0218 0.0019 0.0003 0.0001 0.0000 0.0000 0.0000 0.0000
64

ekil 4.24. YSA nilemli PIC alc iin ezamansz snml


1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

65


KBE sisteminde ok kullancl sezme iin YSA n ilemli PIC alc ile ezamanl
kanallarda dier alclara gre daha iyi performans alnrken, ezamansz kanalda YSA
alcnn yeterince eitilememesi sebebiyle TBGG kanal iin performans iyilemesi
azalrken, snml kanalda katl PIC alcn gerisine dmtr.

4.3. Yapay Sinir A nilemli Ardk Giriim Bastrmal (SIC) Alc

nerilen YSA nilemli SIC alc yaps ezamanl kanal iin ekil 4.27de,
ezamansz kanal iin ekil 4.28de grlmektedir. SIC karar cihaznn performans,
her bir kullancnn etkisi olan giriimi doru belirlemesine bal olmakla birlikte
zellikle bit tahminine balarken doru olarak kabul edilen en byk sinyal gcne
sahip kullanc bitinin doru alnmasna baldr. nerilen bu yapda SIC karar
cihaznn YSA karar cihazndan sonra kullanlmas suretiyle, giriim hesabna daha
doru deerlerle balamas salanm, bylece YSAnn ardndan kullanlan SIC karar
cihazyla daha iyi BER performans elde edilmesi amalanmtr [122].

YSA nilemli SIC alcnn BER performans klasik alc (uyumlu filtre), YSA alc,
SIC alc ve tek kullanc snr ile karlatrlmaktadr. Ezamanl TBGG kanal iin
Kullanc says
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

66
arzu edilen kullancnn sinyal-grlt oran deiimine karlk birinci kullancnn bit
hata oran deiimi ekil 4.29da grlmektedir. ekil 4.29da grld gibi, YSA
nilemli SIC alc ile bir katl SIC alcya gre performans iyilemesi salanm,
ancak YSA alcya gre ok daha kt performans elde edilmitir. SIC alc
performans zellikle farkl kullanc gleri olduunda iyidir. Bu simlasyonda
birinci kullanc dndaki kullanclarn gleri eit alndndan, SIC alc
performans ktdr ve buna bal olarak YSA nilemli SIC alc performans da
ktdr. YSA n ilemli SIC alc, YSA alcdan uyumlu filtreye gre daha doru
olarak ald en gl kullancnn bit tahminiyle hesaplamaya balamasna ramen,
daha sonraki ardk bit tahminlerinde uyumlu filtre k etkili olmaktadr.
Dolaysyla en gl kullanc bitinin doru deeriyle ileme balanmas, dier
kullanclarn uyumlu filtre klarndaki hatal alglama fazla olduu takdirde
performansta fazla iyiletirme salamamaktadr. Grafikte sadece birinci kullanc
sonular verildiinden dier kullanclarn etkisini grebilmek iin ezamanl
kanaldaki dier kullanclara ait uyumlu filtre iin BER deerleri Tablo 4.8de, YSA
alc iin BER deerleri de Tablo 4.9da grlmektedir. NFR deiimine karlk

ekil 4.27. Ezamanl kanal iin YSA nilemli SIC alc yaps.

BER
1
deiimi ekil 4.30da grlmektedir. ekil 4.30da grld gibi, YSA
nilemli SIC alcnn performans tek katl SIC alcya gre daha iyi olmakla birlikte
YSA alcdan ktdr. Kullanc says deiimine karlk BER
1
deiimi de ekil
4.31de grlmektedir. YSA nilemli SIC alc performans 7 kullancya kadar
YSA alcnn performans ile hemen hemen ayndr, 7 kullancdan sonra ise YSA

Kanal
k
r(t)
Uyumlu Filtre
(K.kullanc)

Uyumlu Filtre
(2.kullanc)

Uyumlu Filtre
(1.kullanc)
YSA

) i ( b
1
)
) i ( b
2
)

) i ( b
K
)
y
1
(i)

y
2
(i)

y
K
(i)

Sync 1

Sync 2

Sync K

Bir katl
SIC
Detektr
) i ( b
1
)
) i ( b
2
)

) i ( b
K
)
y
1
(i)

y
2
(i)

y
K
(i)

67
alc performans daha iyi olmaktadr. 7 kullanc deerinden nce genel olarak btn
kullanclarn uyumlu filtre klarndaki hata az olduundan, en gl kullanc bit
tahmininin daha doru deeriyle ileme balamak performansta daha fazla iyilemeye
neden olmaktadr.

ekil 4.28. Ezamansz kanal iin YSA nilemli SIC alc yaps.

ekil 4.29. YSA nilemli SIC alc iin ezamanl TBGG

1
deiimine karlk BER
1
deiimi ekil 4.32de
grlmektedir. Bu durumda YSA nilemli SIC alc YSA alcdan daha iyi
performans gstermitir. 0.01 BER deeri YSA alcya gre en az 10 dB daha kk
SNR deeriyle elde edilmitir. Snml kanalda SIC alc performansnn iyi olduu

) i ( b
2
)

Bir katl
SIC
Detektr
) i ( b
1
)
) i ( b
K
)
y
1
(i)

y
2
(i)

y
K
(i)

YSA
) i ( b
1
)
) i ( b
2
)

) i ( b
K
)
Gecikme
Hatt

y
1
(i-1)

y
1
(i)

y
1
(i+1)

y
K
(i-1)

y
K
(i)

y
K
(i+1)

Kanal
k
r(t)
Uyumlu Filtre
(K.kullanc)

Uyumlu Filtre
(2.kullanc)

Uyumlu Filtre
(1.kullanc)
y
1
(i)

y
2
(i)

y
K
(i)

Sync 1

Sync 2

Sync K

Gecikme
Hatt

b
1
(i-1)

b
1
(i)

b
1
(i+1)

b
K
(i-1)

b
K
(i)

b
K
(i+1)

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

6
8

T
a
b
l
o

4
.
8
.

E
z
a
m
a
n
l

k
a
n
a
l
d
a

u
y
u
m
l
u

f
i
l
t
r
e

B
E
R

d
e
e
r
l
e
r
i
.

K
u
l
.
\
S
N
R

1

2

3

4

5

6

7

8

9

1
0

1
1

1
2

1
3

1

0
.
2
0
0
6

0
.
1
9
3
5

0
.
1
9
2
7

0
.
1
8
7
7

0
.
1
7
8
0

0
.
1
8
1
5

0
.
1
7
3
9

0
.
1
7
5
5

0
.
1
7
4
0

0
.
1
7
1
0

0
.
1
6
8
0

0
.
1
6
5
1

0
.
1
6
6
0

2

0
.
1
5
5
8

0
.
1
5
1
5

0
.
1
4
7
2

0
.
1
3
7
5

0
.
1
4
3
8

0
.
1
3
5
5

0
.
1
3
5
9

0
.
1
3
3
1

0
.
1
3
2
8

0
.
1
3
0
5

0
.
1
3
3
0

0
.
1
2
9
8

0
.
1
3
0
3

3

0
.
1
1
7
8

0
.
1
0
9
2

0
.
1
0
1
5

0
.
0
9
8
4

0
.
0
9
6
7

0
.
0
9
5
6

0
.
0
9
2
2

0
.
0
9
0
5

0
.
0
8
5
8

0
.
0
8
3
3

0
.
0
8
1
3

0
.
0
8
2
6

0
.
0
8
5
0

4

0
.
0
7
8
6

0
.
0
6
8
6

0
.
0
5
8
3

0
.
0
5
5
1

0
.
0
5
2
3

0
.
0
4
6
7

0
.
0
4
0
0

0
.
0
4
0
3

0
.
0
4
0
0

0
.
0
3
6
7

0
.
0
3
3
9

0
.
0
3
2
8

0
.
0
3
3
2

5

0
.
1
2
4
0

0
.
1
1
7
4

0
.
1
1
1
5

0
.
1
0
7
2

0
.
1
0
6
8

0
.
1
0
4
5

0
.
1
0
0
3

0
.
0
9
3
5

0
.
0
9
6
9

0
.
0
9
4
2

0
.
0
9
4
4

0
.
0
9
3
8

0
.
0
9
3
8

6

0
.
1
1
8
3

0
.
1
1
0
4

0
.
1
0
4
6

0
.
1
0
2
3

0
.
0
9
7
9

0
.
0
9
4
3

0
.
0
9
2
4

0
.
0
8
9
4

0
.
0
8
7
1

0
.
0
8
7
2

0
.
0
8
6
5

0
.
0
8
6
3

0
.
0
8
2
9

7

0
.
0
9
6
2

0
.
0
8
5
8

0
.
0
8
2
4

0
.
0
7
9
1

0
.
0
7
5
9

0
.
0
6
7
1

0
.
0
6
2
8

0
.
0
6
1
7

0
.
0
6
4
5

0
.
0
5
8
9

0
.
0
5
6
9

0
.
0
5
7
8

0
.
0
5
7
1

8

0
.
1
3
4
8

0
.
1
2
5
7

0
.
1
1
8
1

0
.
1
1
9
4

0
.
1
1
5
9

0
.
1
1
1
6

0
.
1
1
0
7

0
.
1
0
7
4

0
.
1
0
5
5

0
.
1
0
5
5

0
.
1
0
3
0

0
.
1
0
3
6

0
.
1
0
1
5

9

0
.
0
8
6
8

0
.
0
7
3
7

0
.
0
7
0
3

0
.
0
6
2
6

0
.
0
5
6
5

0
.
0
5
5
2

0
.
0
5
1
9

0
.
0
4
9
6

0
.
0
4
6
6

0
.
0
4
6
1

0
.
0
4
4
5

0
.
0
4
2
8

0
.
0
4
1
6

1
0

0
.
0
9
3
3

0
.
0
8
3
3

0
.
0
7
2
8

0
.
0
7
0
8

0
.
0
6
5
4

0
.
0
6
1
8

0
.
0
6
0
1

0
.
0
5
3
6

0
.
0
5
2
5

0
.
0
5
2
1

0
.
0
5
0
6

0
.
0
5
0
4

0
.
0
4
7
5

1
1

0
.
0
8
9
8

0
.
0
7
6
0

0
.
0
7
1
8

0
.
0
6
5
4

0
.
0
5
9
1

0
.
0
5
5
7

0
.
0
5
3
0

0
.
0
5
1
0

0
.
0
4
8
1

0
.
0
4
7
0

0
.
0
4
7
2

0
.
0
4
4
0

0
.
0
4
3
0

1
2

0
.
0
9
7
2

0
.
0
8
9
6

0
.
0
8
4
0

0
.
0
7
3
4

0
.
0
7
0
0

0
.
0
6
1
3

0
.
0
6
3
8

0
.
0
5
9
2

0
.
0
5
9
5

0
.
0
5
8
5

0
.
0
5
6
2

0
.
0
5
5
9

0
.
0
5
4
8

1
3

0
.
0
7
5
5

0
.
0
6
8
5

0
.
0
5
6
9

0
.
0
5
1
9

0
.
0
4
9
7

0
.
0
4
7
1

0
.
0
4
0
8

0
.
0
3
9
6

0
.
0
3
9
9

0
.
0
3
8
2

0
.
0
3
6
5

0
.
0
3
4
5

0
.
0
3
4
0

1
4

0
.
0
7
1
8

0
.
0
6
5
4

0
.
0
5
6
8

0
.
0
5
4
9

0
.
0
4
7
2

0
.
0
4
4
4

0
.
0
3
9
6

0
.
0
3
8
5

0
.
0
3
4
6

0
.
0
3
7
4

0
.
0
3
3
3

0
.
0
3
3
4

0
.
0
3
2
4

1
5

0
.
0
6
7
8

0
.
0
5
4
9

0
.
0
5
0
6

0
.
0
4
0
9

0
.
0
3
4
9

0
.
0
3
3
3

0
.
0
2
8
7

0
.
0
2
7
2

0
.
0
2
3
6

0
.
0
2
2
7

0
.
0
2
1
1

0
.
0
2
0
4

0
.
0
2
0
3

K
u
l
.
\
S
N
R

1
4

1
5

1
6

1
7

1
8

1
9

2
0

2
1

2
2

2
3

2
4

2
5

1

0
.
1
6
6
4

0
.
1
6
2
9

0
.
1
6
2
5

0
.
1
6
3
2

0
.
1
6
3
2

0
.
1
6
1
8

0
.
1
6
4
1

0
.
1
6
4
5

0
.
1
6
4
0

0
.
1
6
3
5

0
.
1
6
5
3

0
.
1
6
4
5

2

0
.
1
2
9
3

0
.
1
2
9
0

0
.
1
2
8
9

0
.
1
2
8
2

0
.
1
2
9
3

0
.
1
2
7
2

0
.
1
2
9
3

0
.
1
2
6
5

0
.
1
2
7
0

0
.
1
2
6
9

0
.
1
2
6
9

0
.
1
2
7
8

3

0
.
0
8
3
5

0
.
0
7
9
4

0
.
0
8
1
8

0
.
0
7
9
1

0
.
0
7
8
7

0
.
0
7
9
1

0
.
0
7
9
1

0
.
0
8
0
1

0
.
0
7
8
0

0
.
0
7
8
6

0
.
0
7
8
2

0
.
0
7
8
0

4

0
.
0
3
3
3

0
.
0
3
0
3

0
.
0
3
3
2

0
.
0
3
1
5

0
.
0
3
1
5

0
.
0
3
0
5

0
.
0
3
1
6

0
.
0
3
0
5

0
.
0
3
0
7

0
.
0
3
0
9

0
.
0
2
9
7

0
.
0
3
0
6

5

0
.
0
9
2
3

0
.
0
9
4
7

0
.
0
9
1
9

0
.
0
9
2
7

0
.
0
9
0
6

0
.
0
9
1
2

0
.
0
9
2
8

0
.
0
9
1
5

0
.
0
8
9
7

0
.
0
8
9
9

0
.
0
9
1
3

0
.
0
8
9
8

6

0
.
0
8
5
4

0
.
0
8
5
5

0
.
0
8
6
2

0
.
0
8
5
4

0
.
0
8
4
0

0
.
0
8
5
4

0
.
0
8
2
9

0
.
0
8
3
6

0
.
0
8
3
5

0
.
0
8
3
1

0
.
0
8
3
2

0
.
0
8
3
7

7

0
.
0
5
8
3

0
.
0
5
5
7

0
.
0
5
7
1

0
.
0
5
6
5

0
.
0
5
7
3

0
.
0
5
5
7

0
.
0
5
5
9

0
.
0
5
4
3

0
.
0
5
4
7

0
.
0
5
5
8

0
.
0
5
5
8

0
.
0
5
4
9

8

0
.
1
0
0
3

0
.
0
9
8
6

0
.
0
9
8
9

0
.
0
9
9
6

0
.
0
9
9
2

0
.
0
9
8
4

0
.
0
9
9
2

0
.
0
9
9
2

0
.
0
9
8
5

0
.
0
9
9
0

0
.
0
9
8
2

0
.
0
9
8
5

9

0
.
0
4
0
7

0
.
0
4
0
0

0
.
0
4
2
0

0
.
0
4
2
0

0
.
0
4
0
7

0
.
0
4
1
3

0
.
0
4
0
1

0
.
0
4
0
4

0
.
0
4
0
1

0
.
0
3
9
7

0
.
0
3
9
4

0
.
0
3
9
2

1
0

0
.
0
4
8
7

0
.
0
4
7
5

0
.
0
4
7
8

0
.
0
4
8
5

0
.
0
4
8
4

0
.
0
4
7
8

0
.
0
4
8
2

0
.
0
4
7
1

0
.
0
4
8
0

0
.
0
4
8
0

0
.
0
4
7
4

0
.
0
4
8
4

1
1

0
.
0
4
4
3

0
.
0
4
3
1

0
.
0
4
4
1

0
.
0
4
3
0

0
.
0
4
2
1

0
.
0
4
3
3

0
.
0
4
2
5

0
.
0
4
2
6

0
.
0
4
2
2

0
.
0
4
1
9

0
.
0
4
1
9

0
.
0
4
1
1

1
2

0
.
0
5
4
3

0
.
0
5
3
8

0
.
0
5
0
7

0
.
0
5
3
0

0
.
0
4
9
8

0
.
0
5
0
5

0
.
0
5
0
5

0
.
0
5
1
4

0
.
0
5
1
2

0
.
0
5
0
7

0
.
0
5
1
0

0
.
0
5
0
5

1
3

0
.
0
3
0
8

0
.
0
3
1
9

0
.
0
2
9
8

0
.
0
3
1
5

0
.
0
3
1
0

0
.
0
3
1
8

0
.
0
3
1
9

0
.
0
3
1
7

0
.
0
2
9
7

0
.
0
2
9
9

0
.
0
3
0
2

0
.
0
3
0
7

1
4

0
.
0
3
3
6

0
.
0
3
1
8

0
.
0
3
2
7

0
.
0
3
0
7

0
.
0
3
2
3

0
.
1
6
1
8

0
.
1
6
4
1

0
.
1
6
4
5

0
.
1
6
4
0

0
.
1
6
3
5

0
.
1
6
5
3

0
.
1
6
4
5

1
5

0
.
0
1
9
6

0
.
0
1
9
4

0
.
0
1
8
7

0
.
0
1
7
4

0
.
0
1
6
9

0
.
1
2
7
2

0
.
1
2
9
3

0
.
1
2
6
5

0
.
1
2
7
0

0
.
1
2
6
9

0
.
1
2
6
9

0
.
1
2
7
8

68

6
9

T
a
b
l
o

4
.
9
.

E
z
a
m
a
n
l

k
a
n
a
l
d
a

Y
S
A

a
l

B
E
R

d
e
e
r
l
e
r
i
.

K
u
l
.
\
S
N
R

1

2

3

4

5

6

7

8

9

1
0

1
1

1
2

1
3

1

0
.
1
1
7
3

0
.
0
9
2
5

0
.
0
6
9
9

0
.
0
4
7
2

0
.
0
2
9
7

0
.
0
1
8
5

0
.
0
1
0
1

0
.
0
0
4
4

0
.
0
0
2
0

0
.
0
0
0
5

0

0
.
0
0
0
1

0

2

0
.
0
5
5
8

0
.
0
3
5
3

0
.
0
2
3
7

0
.
0
1
3
3

0
.
0
0
5
8

0
.
0
0
2
5

0
.
0
0
0
8

0
.
0
0
0
4

0
.
0
0
0
1

0

0

0

0

3

0
.
0
5
7
0

0
.
0
3
7
4

0
.
0
2
4
0

0
.
0
1
2
9

0
.
0
0
5
9

0
.
0
0
2
5

0
.
0
0
0
9

0
.
0
0
0
2

0
.
0
0
0
1

0

0

0

0

4

0
.
0
2
7
1

0
.
0
1
5
3

0
.
0
0
7
9

0
.
0
0
3
8

0
.
0
0
1
2

0
.
0
0
0
4

0
.
0
0
0
1

0

0

0

0

0

0

5

0
.
0
5
9
0

0
.
0
3
8
4

0
.
0
2
4
2

0
.
0
1
3
5

0
.
0
0
6
6

0
.
0
0
3
3

0
.
0
0
0
8

0
.
0
0
0
3

0
.
0
0
0
1

0

0

0

0

6

0
.
0
4
7
7

0
.
0
3
0
4

0
.
0
1
7
6

0
.
0
0
9
2

0
.
0
0
3
9

0
.
0
0
2
1

0
.
0
0
0
5

0
.
0
0
0
2

0

0

0

0

0

7

0
.
0
2
9
0

0
.
0
1
7
1

0
.
0
0
8
1

0
.
0
0
3
8

0
.
0
0
1
5

0
.
0
0
0
5

0
.
0
0
0
1

0

0

0

0

0

0

8

0
.
0
6
3
1

0
.
0
4
1
7

0
.
0
2
5
8

0
.
0
1
5
5

0
.
0
0
8
1

0
.
0
0
3
3

0
.
0
0
1
6

0
.
0
0
0
4

0
.
0
0
0
1

0

0

0

0

9

0
.
0
3
3
6

0
.
0
2
0
3

0
.
0
1
0
7

0
.
0
0
5
2

0
.
0
0
2
2

0
.
0
0
0
7

0
.
0
0
0
1

0

0

0

0

0

0

1
0

0
.
0
3
9
1

0
.
0
2
4
1

0
.
0
1
3
4

0
.
0
0
7
3

0
.
0
0
2
9

0
.
0
0
0
9

0
.
0
0
0
2

0

0
.
0
0
0
1

0

0

0

0

1
1

0
.
0
3
2
9

0
.
0
2
0
6

0
.
0
1
0
6

0
.
0
0
5
1

0
.
0
0
2
0

0
.
0
0
0
5

0
.
0
0
0
2

0

0

0

0

0

0

1
2

0
.
0
4
2
2

0
.
0
2
7
0

0
.
0
1
5
5

0
.
0
0
8
1

0
.
0
0
3
5

0
.
0
0
1
4

0
.
0
0
0
6

0
.
0
0
0
2

0

0

0

0

0

1
3

0
.
0
4
1
3

0
.
0
2
5
4

0
.
0
1
5
0

0
.
0
0
7
1

0
.
0
0
3
3

0
.
0
0
1
5

0
.
0
0
0
3

0

0

0

0

0

0

1
4

0
.
0
3
0
5

0
.
0
1
7
3

0
.
0
0
9
8

0
.
0
0
4
2

0
.
0
0
1
5

0
.
0
0
0
5

0
.
0
0
0
1

0

0

0

0

0

0

1
5

0
.
0
2
7
0

0
.
0
1
5
7

0
.
0
0
8
3

0
.
0
0
3
8

0
.
0
0
1
4

0
.
0
0
0
3

0

0

0

0

0

0

0

K
u
l
.
\
S
N
R

1
4

1
5

1
6

1
7

1
8

1
9

2
0

2
1

2
2

2
3

2
4

2
5

1

0

0

0

0

0

0

0

0

0

0

0

2

0

0

0

0

0

0

0

0

0

0

0

3

0

0

0

0

0

0

0

0

0

0

0

4

0

0

0

0

0

0

0

0

0

0

0

5

0

0

0

0

0

0

0

0

0

0

0

6

0

0

0

0

0

0

0

0

0

0

0

7

0

0

0

0

0

0

0

0

0

0

0

8

0

0

0

0

0

0

0

0

0

0

0

9

0

0

0

0

0

0

0

0

0

0

0

1
0

0

0

0

0

0

0

0

0

0

0

0

1
1

0

0

0

0

0

0

0

0

0

0

0

1
2

0

0

0

0

0

0

0

0

0

0

0

1
3

0

0

0

0

0

0

0

0

0

0

0

1
4

0

0

0

0

0

0

0

0

0

0

0

1
5

0

0

0

0

0

0

0

0

0

0

0

69
70



1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

Kullanc says
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

71
farkl gte kullanclar durumu ortaya kmaktadr. 1000 bitlik her veri paketinde
kullanc genlikleri snml kanala bal olarak deimekte ve genlik deiimlerinin
alcda doru algland var saylmaktadr. Bu sebeple SIC alc ardk olarak daha
doru bit tahminleri yapabilmektedir. ekilden de grld gibi bu durumda daha
doru olarak alnan en gl kullanc bit tahmini YSA nilemli SIC alcnn
performans iyiletirmesinde olduka etkili olmaktadr. Snml kanaldaki NFR
deiimine karlk BER
1
deiimi de ekil 4.33de grlmektedir. Bu durumda da
YSA nilemli SIC alc YSA alcya gre daha iyi performans gstermektedir. Artan
NFR deerleri snml kanalda ortaya kan kullanc gleri arasndaki fark daha
belirgin yapmakta ve dolaysyla alcda ardk bit tahminlerinin daha doru yapld
bir sralama gereklemektedir. Bu sebeple artan NFR deeriyle YSA nilemli SIC
alc performans iyilemektedir. Kullanc says deiimine karlk BER
1
deiimi
ekil 4.34de grlmektedir. Bu durumda da YSA nilemli SIC alc performans
YSA alcya gre daha iyi olmakla birlikte, simlasyonda alc performanslarnn
birbirine yakn olduu 5 dB SNR deeri alndndan ok fazla stnlk
grlmemektedir. ekil 4.32den de grld gibi YSA nilemli SIC alcnn YSA
alcya gre olan performans iyilii 10 dB SNR deerinden sonra daha belirgin
olmaktadr.

ekil 4.32. YSA nilemli SIC alc iin ezamanl snml
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

72



1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

Kullanc says
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

73

YSA nilemli SIC alc performans YSA alcnn performansndan iyidir. YSA alc
ile 0.01 BER deeri elde edilemezken, YSA nilemli SIC alc ile artan SNR
deeriyle 0.001 BER deeri elde edilebilmektedir. Ezamansz kanalda YSAnn iyi
eitimi iin yeterli sayda veri biti kullanlamadndan YSA alc performans kt
olmaktadr. Ancak yine de YSA alc performans uyumlu filtreye gre daha iyi
olduundan, YSA nilemli SIC alc ileme daha doru bit tahminiyle baladndan
dolay tek katl SIC alcya gre daha iyi performansa sahip olmaktadr. Ezamansz
simlasyonda pencereleme yntemi kullanlarak ardk bit dikkate alnarak bit
tahmini yaplmaktadr. ardk bitin her biri iin ayr ayr ardk giriim bastrma
teknii bir nceki bit tahminleri de deerlendirilerek uygulanmakta ve elde edilen
toplam giriim ilgili bit tahmini iin kullanlmaktadr. Dolaysyla bir bitin tahmini
iin ayr giriim bastrma ilemi yapldndan, YSA alcdan sonra ayr daha
doru deerle ileme balayan YSA nilemli SIC alcnn ezamansz kanaldaki
performans olduka iyi olmaktadr. Ayrca YSA genel olarak btn kullanclar iin
dk performansa sahipken, gl kullanclar iin elde edilen performans daha iyi
olduundan, YSA alcdan sonra kullanlan SIC alc kt YSA performansna ramen
hala daha doru deerlerle ileme balayabilmektedir. Ezamansz kanal iin de dier
kullanc performanslarnn etkisinin grlebilmesi iin uyumlu filtreye ait BER
deerleri Tablo 4.10da, YSA alc iin BER deerleri Tablo 4.11de verilmektedir.
NFR deiimine karlk BER
1
deiimi ekil 4.36da grlmektedir. ekil 4.36da
grld gibi, YSA nilemli SIC alcnn performans dierlerinden iyi olmakla
birlikte en iyi performansa YSA alcnn eitildii 4 NFR deeri civarnda sahiptir.
Kullanc says deiimine karlk BER
1
deiimi de ekil 4.37de grlmektedir.
YSA nilemli SIC alc ile 0.01 BER deeri 10 kullanc ile salanrken,YSA alc ile
ancak 5 kullanc ile salanabilmektedir.

Ezamansz snml kanal iin SNR
1
deiimine karlk BER
1
deiimi ekil
4.38de grlmektedir. Bu durumda da YSA nilemli SIC alc snml kanalda
oluan farkl kullanc glerini sralayarak ilem yapmas sebebiyle olduka iyi
performansa sahiptir. YSA alc 0.1 BER deerini elde edemezken, YSA nilemli
74

ekil 4.35. YSA nilemli SIC alc iin ezamansz TBGG


1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

6
9

T
a
b
l
o

4
.
1
0
.

E
z
a
m
a
n
s
z

k
a
n
a
l
d
a

u
y
u
m
l
u

f
i
l
t
r
e

B
E
R

d
e
e
r
l
e
r
i
.

K
u
l
.
\
S
N
R

1

2

3

4

5

6

7

8

9

1
0

1
1

1
2

1
3

1

0
.
1
9
7
3

0
.
1
9
4
7

0
.
1
8
0
4

0
.
1
7
7
4

0
.
1
7
8
8

0
.
1
7
2
1

0
.
1
6
9
9

0
.
1
6
8
7

0
.
1
6
6
6

0
.
1
6
6
2

0
.
1
6
5
0

0
.
1
6
3
5

0
.
1
6
5
2

2

0
.
1
3
1
4

0
.
1
2
6
8

0
.
1
2
3
6

0
.
1
2
1
3

0
.
1
1
6
2

0
.
1
1
2
2

0
.
1
0
7
2

0
.
1
1
0
6

0
.
1
0
9
1

0
.
1
0
5
4

0
.
1
0
5
0

0
.
1
0
4
3

0
.
1
0
3
0

3

0
.
1
1
4
8

0
.
1
0
2
4

0
.
0
9
7
0

0
.
0
8
8
9

0
.
0
8
2
6

0
.
0
7
9
4

0
.
0
7
7
2

0
.
0
7
3
3

0
.
0
7
4
2

0
.
0
7
2
3

0
.
0
6
9
5

0
.
0
7
0
0

0
.
0
7
0
6

4

0
.
1
0
6
8

0
.
1
0
3
8

0
.
0
9
9
5

0
.
0
9
2
7

0
.
0
8
8
7

0
.
0
8
5
3

0
.
0
8
2
9

0
.
0
7
8
0

0
.
0
8
0
2

0
.
0
7
7
6

0
.
0
7
7
9

0
.
0
7
6
1

0
.
0
7
7
9

5

0
.
0
7
2
6

0
.
0
5
9
6

0
.
0
5
4
4

0
.
0
4
7
6

0
.
0
4
2
9

0
.
0
3
8
8

0
.
0
3
7
0

0
.
0
3
2
1

0
.
0
3
1
0

0
.
0
3
1
1

0
.
0
2
8
7

0
.
0
2
8
8

0
.
0
2
7
8

6

0
.
1
0
6
4

0
.
1
0
4
5

0
.
0
9
6
7

0
.
0
9
2
5

0
.
0
8
8
4

0
.
0
8
0
9

0
.
0
7
9
7

0
.
0
7
5
8

0
.
0
7
5
2

0
.
0
7
3
9

0
.
0
7
2
0

0
.
0
7
3
9

0
.
0
7
1
1

7

0
.
1
2
0
7

0
.
1
1
4
7

0
.
1
0
4
1

0
.
0
9
7
9

0
.
0
9
5
5

0
.
0
9
6
7

0
.
0
8
7
8

0
.
0
8
9
2

0
.
0
8
4
7

0
.
0
8
4
0

0
.
0
8
1
4

0
.
0
8
6
0

0
.
0
8
3
5

8

0
.
1
2
7
9

0
.
1
2
0
3

0
.
1
1
7
0

0
.
1
1
7
7

0
.
1
0
9
4

0
.
1
0
6
5

0
.
1
0
2
8

0
.
1
0
2
9

0
.
1
0
2
4

0
.
1
0
2
0

0
.
0
9
9
6

0
.
0
9
8
7

0
.
0
9
8
4

9

0
.
1
2
5
7

0
.
1
2
1
6

0
.
1
1
6
6

0
.
1
1
2
9

0
.
1
0
9
6

0
.
1
0
4
5

0
.
1
0
2
6

0
.
1
0
2
1

0
.
0
9
8
1

0
.
1
0
0
0

0
.
0
9
6
7

0
.
0
9
6
9

0
.
0
9
5
0

1
0

0
.
1
3
1
2

0
.
1
2
5
7

0
.
1
2
1
2

0
.
1
1
6
0

0
.
1
1
3
8

0
.
1
0
8
4

0
.
1
0
5
0

0
.
1
0
3
8

0
.
1
0
3
9

0
.
1
0
2
3

0
.
1
0
2
7

0
.
1
0
1
3

0
.
1
0
0
0

1
1

0
.
1
0
9
3

0
.
1
0
0
7

0
.
0
9
6
4

0
.
0
8
9
0

0
.
0
8
6
6

0
.
0
8
4
2

0
.
0
7
9
7

0
.
0
7
9
8

0
.
0
7
7
1

0
.
0
7
7
0

0
.
0
7
7
3

0
.
0
7
3
4

0
.
0
7
4
3

1
2

0
.
1
1
7
4

0
.
1
0
8
4

0
.
1
0
2
2

0
.
0
9
9
5

0
.
0
9
7
8

0
.
0
9
3
1

0
.
0
9
1
2

0
.
0
8
8
8

0
.
0
8
6
2

0
.
0
8
3
9

0
.
0
8
4
2

0
.
0
8
3
7

0
.
0
8
2
1

1
3

0
.
0
9
7
0

0
.
0
8
6
0

0
.
0
7
9
2

0
.
0
7
3
8

0
.
0
6
7
9

0
.
0
6
4
7

0
.
0
6
5
2

0
.
0
6
1
2

0
.
0
5
8
7

0
.
0
5
6
8

0
.
0
5
5
1

0
.
0
5
3
4

0
.
0
5
2
1

1
4

0
.
1
3
6
5

0
.
1
2
9
8

0
.
1
2
6
5

0
.
1
2
4
1

0
.
1
1
8
1

0
.
1
1
5
8

0
.
1
1
6
1

0
.
1
1
1
5

0
.
1
1
1
0

0
.
1
0
7
0

0
.
1
0
7
5

0
.
1
0
6
7

0
.
1
0
4
5

1
5

0
.
0
9
5
8

0
.
0
8
9
8

0
.
0
7
9
6

0
.
0
7
6
3

0
.
0
7
4
7

0
.
0
7
0
3

0
.
0
6
8
3

0
.
0
6
6
9

0
.
0
6
3
9

0
.
0
6
0
7

0
.
0
6
1
1

0
.
0
6
0
4

0
.
0
5
8
3

K
u
l
.
\
S
N
R

1
4

1
5

1
6

1
7

1
8

1
9

2
0

2
1

2
2

2
3

2
4

2
5

1

0
.
1
6
0
9

0
.
1
6
0
8

0
.
1
6
1
9

0
.
1
6
0
1

0
.
1
6
0
1

0
.
1
6
1
3

0
.
1
6
0
4

0
.
1
6
0
3

0
.
1
5
7
1

0
.
1
5
9
5

0
.
1
5
9
5

0
.
1
6
0
2

2

0
.
1
0
2
3

0
.
1
0
4
2

0
.
1
0
3
4

0
.
1
0
3
6

0
.
1
0
1
5

0
.
1
0
2
9

0
.
1
0
1
0

0
.
1
0
1
2

0
.
1
0
2
1

0
.
1
0
1
1

0
.
1
0
3
1

0
.
1
0
2
8

3

0
.
0
7
0
8

0
.
0
6
8
8

0
.
0
7
0
0

0
.
0
6
8
2

0
.
0
6
7
3

0
.
0
6
8
4

0
.
0
6
7
2

0
.
0
6
9
0

0
.
0
6
7
0

0
.
0
6
8
5

0
.
0
6
7
4

0
.
0
6
7
8

4

0
.
0
7
4
0

0
.
0
7
4
7

0
.
0
7
3
6

0
.
0
7
2
9

0
.
0
7
2
7

0
.
0
7
4
8

0
.
0
7
2
3

0
.
0
7
3
8

0
.
0
7
3
8

0
.
0
7
3
2

0
.
0
7
4
0

0
.
0
7
3
8

5

0
.
0
2
8
2

0
.
0
2
7
1

0
.
0
2
7
9

0
.
0
2
6
3

0
.
0
2
6
3

0
.
0
2
5
7

0
.
0
2
5
3

0
.
0
2
5
2

0
.
0
2
5
6

0
.
0
2
4
8

0
.
0
2
4
9

0
.
0
2
4
6

6

0
.
0
7
0
7

0
.
0
7
0
3

0
.
0
6
8
7

0
.
0
7
1
7

0
.
0
6
9
0

0
.
0
6
8
1

0
.
0
6
8
2

0
.
0
6
8
0

0
.
0
6
7
8

0
.
0
6
7
2

0
.
0
6
6
8

0
.
0
6
7
3

7

0
.
0
8
2
8

0
.
0
8
1
9

0
.
0
8
1
7

0
.
0
8
3
2

0
.
0
8
0
4

0
.
0
8
1
8

0
.
0
8
0
2

0
.
0
7
9
9

0
.
0
8
0
0

0
.
0
7
9
9

0
.
0
7
9
3

0
.
0
8
0
5

8

0
.
0
9
7
8

0
.
0
9
8
8

0
.
0
9
6
8

0
.
0
9
6
5

0
.
0
9
6
7

0
.
0
9
7
2

0
.
0
9
7
2

0
.
0
9
7
7

0
.
0
9
5
9

0
.
0
9
6
4

0
.
0
9
5
3

0
.
0
9
7
9

9

0
.
0
9
6
1

0
.
0
9
4
5

0
.
0
9
5
3

0
.
0
9
5
4

0
.
0
9
5
4

0
.
0
9
4
9

0
.
0
9
4
6

0
.
0
9
5
6

0
.
0
9
4
8

0
.
0
9
5
0

0
.
0
9
5
1

0
.
0
9
4
6

1
0

0
.
0
9
7
6

0
.
0
9
9
1

0
.
0
9
8
0

0
.
0
9
8
1

0
.
0
9
9
9

0
.
0
9
7
2

0
.
0
9
7
3

0
.
0
9
6
2

0
.
0
9
8
4

0
.
0
9
7
7

0
.
0
9
7
2

0
.
0
9
7
1

1
1

0
.
0
7
3
4

0
.
0
7
2
4

0
.
0
7
2
0

0
.
0
7
1
2

0
.
0
7
1
1

0
.
0
7
2
4

0
.
0
7
1
2

0
.
0
7
1
7

0
.
0
7
1
2

0
.
0
7
1
9

0
.
0
7
2
5

0
.
0
7
1
0

1
2

0
.
0
8
2
0

0
.
0
8
3
6

0
.
0
8
2
6

0
.
0
8
0
7

0
.
0
8
0
6

0
.
0
8
0
5

0
.
0
8
1
3

0
.
0
8
0
8

0
.
0
8
0
0

0
.
0
8
0
5

0
.
0
8
1
0

0
.
0
8
0
1

1
3

0
.
0
5
3
2

0
.
0
5
2
0

0
.
0
5
3
5

0
.
0
5
2
9

0
.
0
5
1
3

0
.
0
5
1
3

0
.
0
5
2
7

0
.
0
5
1
6

0
.
0
5
0
4

0
.
0
5
0
9

0
.
0
5
0
8

0
.
0
5
1
0

1
4

0
.
1
0
6
5

0
.
1
0
4
4

0
.
1
0
5
1

0
.
1
0
4
5

0
.
1
0
6
0

0
.
1
0
3
7

0
.
1
0
4
3

0
.
1
0
4
3

0
.
1
0
3
6

0
.
1
0
4
5

0
.
1
0
4
2

0
.
1
0
4
6

1
5

0
.
0
5
8
2

0
.
0
5
6
5

0
.
0
5
7
2

0
.
0
5
8
2

0
.
0
5
4
9

0
.
0
5
6
4

0
.
0
5
5
8

0
.
0
5
5
6

0
.
0
5
5
3

0
.
0
5
4
9

0
.
0
5
5
6

0
.
0
5
6
1

75

7
0

T
a
b
l
o

4
.
1
1
.

E
z
a
m
a
n
s
z

k
a
n
a
l
d
a

Y
S
A

a
l

B
E
R

d
e
e
r
l
e
r
i
.

K
u
l
.
\
S
N
R

1

2

3

4

5

6

7

8

9

1
0

1
1

1
2

1
3

1

0
.
1
9
2
0

0
.
1
7
7
6

0
.
1
5
6
7

0
.
1
4
1
7

0
.
1
2
8
5

0
.
1
1
0
4

0
.
1
0
1
8

0
.
0
9
3
4

0
.
0
8
4
9

0
.
0
7
8
7

0
.
0
7
4
3

0
.
0
6
9
6

0
.
0
6
7
9

2

0
.
0
9
1
0

0
.
0
7
2
4

0
.
0
5
7
1

0
.
0
4
5
0

0
.
0
3
5
5

0
.
0
2
7
1

0
.
0
2
2
9

0
.
0
1
8
2

0
.
0
1
4
2

0
.
0
1
2
6

0
.
0
1
1
1

0
.
0
0
9
4

0
.
0
0
7
9

3

0
.
0
8
9
4

0
.
0
7
3
5

0
.
0
5
9
8

0
.
0
4
8
2

0
.
0
3
8
1

0
.
0
3
1
9

0
.
0
2
6
2

0
.
0
2
2
0

0
.
0
1
7
9

0
.
0
1
4
8

0
.
0
1
3
8

0
.
0
1
2
0

0
.
0
1
0
8

4

0
.
1
1
7
4

0
.
1
0
1
1

0
.
0
8
6
1

0
.
0
7
4
1

0
.
0
6
3
7

0
.
0
5
6
1

0
.
0
5
0
4

0
.
0
4
3
6

0
.
0
3
9
5

0
.
0
3
5
0

0
.
0
3
4
0

0
.
0
3
1
2

0
.
0
2
9
6

5

0
.
0
3
5
9

0
.
0
2
3
9

0
.
0
1
4
4

0
.
0
0
8
9

0
.
0
0
5
0

0
.
0
0
2
5

0
.
0
0
1
4

0
.
0
0
0
7

0
.
0
0
0
5

0
.
0
0
0
2

0
.
0
0
0
4

0
.
0
0
0
1

0

6

0
.
0
6
6
1

0
.
0
4
8
9

0
.
0
3
6
2

0
.
0
2
5
6

0
.
0
1
6
6

0
.
0
1
2
1

0
.
0
0
8
4

0
.
0
0
6
0

0
.
0
0
4
4

0
.
0
0
3
1

0
.
0
0
2
7

0
.
0
0
2
2

0
.
0
0
2
2

7

0
.
0
7
0
3

0
.
0
5
2
7

0
.
0
4
0
1

0
.
0
2
8
8

0
.
0
1
9
9

0
.
0
1
4
5

0
.
0
1
0
3

0
.
0
0
6
9

0
.
0
0
5
4

0
.
0
0
3
8

0
.
0
0
2
8

0
.
0
0
2
8

0
.
0
0
2
3

8

0
.
1
0
8
7

0
.
0
9
0
8

0
.
0
7
4
5

0
.
0
6
0
2

0
.
0
4
8
6

0
.
0
3
8
3

0
.
0
3
1
9

0
.
0
2
6
5

0
.
0
2
3
0

0
.
0
2
0
0

0
.
0
1
7
6

0
.
0
1
6
5

0
.
0
1
3
7

9

0
.
0
5
0
6

0
.
0
3
4
4

0
.
0
2
3
4

0
.
0
1
4
4

0
.
0
0
7
6

0
.
0
0
4
2

0
.
0
0
2
4

0
.
0
0
1
4

0
.
0
0
0
8

0
.
0
0
0
2

0
.
0
0
0
2

0
.
0
0
0
1

0

1
0

0
.
0
9
4
3

0
.
0
7
5
2

0
.
0
5
8
3

0
.
0
4
6
8

0
.
0
3
5
5

0
.
0
2
8
1

0
.
0
2
1
9

0
.
0
1
8
6

0
.
0
1
4
5

0
.
0
1
2
2

0
.
0
1
1
1

0
.
0
0
9
4

0
.
0
0
8
8

1
1

0
.
0
7
3
8

0
.
0
5
6
5

0
.
0
4
2
1

0
.
0
3
1
6

0
.
0
2
4
1

0
.
0
1
7
2

0
.
0
1
1
5

0
.
0
0
8
2

0
.
0
0
6
3

0
.
0
0
5
2

0
.
0
0
3
9

0
.
0
0
3
4

0
.
0
0
3
2

1
2

0
.
1
2
1
3

0
.
1
0
2
1

0
.
0
8
8
5

0
.
0
7
5
3

0
.
0
6
2
2

0
.
0
5
3
8

0
.
0
4
6
6

0
.
0
4
1
8

0
.
0
3
7
0

0
.
0
3
3
8

0
.
0
3
0
1

0
.
0
2
8
3

0
.
0
2
7
5

1
3

0
.
0
4
0
3

0
.
0
2
8
5

0
.
0
1
8
6

0
.
0
1
2
4

0
.
0
0
6
6

0
.
0
0
4
8

0
.
0
0
2
3

0
.
0
0
1
5

0
.
0
0
0
7

0
.
0
0
0
3

0
.
0
0
0
1

0
.
0
0
0
1

0
.
0
0
0
1

1
4

0
.
1
0
7
4

0
.
0
9
1
1

0
.
0
7
5
0

0
.
0
6
3
2

0
.
0
5
2
0

0
.
0
4
4
4

0
.
0
3
6
4

0
.
0
3
1
9

0
.
0
2
6
3

0
.
0
2
4
1

0
.
0
2
1
7

0
.
0
1
9
6

0
.
0
1
8
2

1
5

0
.
0
9
6
4

0
.
0
7
6
8

0
.
0
6
2
4

0
.
0
5
0
8

0
.
0
4
0
6

0
.
0
3
3
0

0
.
0
2
6
5

0
.
0
2
2
9

0
.
0
1
8
9

0
.
0
1
6
5

0
.
0
1
4
9

0
.
0
1
3
9

0
.
0
1
2
4

K
u
l
.
\
S
N
R

1
4

1
5

1
6

1
7

1
8

1
9

2
0

2
1

2
2

2
3

2
4

2
5

1

0
.
0
6
5
4

0
.
0
6
2
2

0
.
0
6
0
7

0
.
0
6
0
9

0
.
0
5
8
0

0
.
0
5
8
7

0
.
0
5
7
2

0
.
0
5
6
9

0
.
0
5
6
5

0
.
0
5
6
6

0
.
0
5
5
9

0
.
0
5
5
4

2

0
.
0
0
7
7

0
.
0
0
7
2

0
.
0
0
6
9

0
.
0
0
6
3

0
.
0
0
6
1

0
.
0
0
6
0

0
.
0
0
5
9

0
.
0
0
5
3

0
.
0
0
5
4

0
.
0
0
5
5

0
.
0
0
5
5

0
.
0
0
5
3

3

0
.
0
1
0
7

0
.
0
0
9
8

0
.
0
0
9
4

0
.
0
0
9
1

0
.
0
0
8
9

0
.
0
0
8
5

0
.
0
0
8
4

0
.
0
0
8
0

0
.
0
0
8
2

0
.
0
0
7
7

0
.
0
0
7
9

0
.
0
0
7
5

4

0
.
0
2
7
5

0
.
0
2
7
9

0
.
0
2
7
2

0
.
0
2
5
7

0
.
0
2
5
7

0
.
0
2
5
4

0
.
0
2
4
9

0
.
0
2
4
7

0
.
0
2
4
5

0
.
0
2
4
3

0
.
0
2
4
3

0
.
0
2
4
3

5

0

0

0

0

0

0

0

0

0

0

0

0

6

0
.
0
0
1
9

0
.
0
0
1
7

0
.
0
0
1
5

0
.
0
0
1
4

0
.
0
0
1
3

0
.
0
0
1
3

0
.
0
0
1
2

0
.
0
0
1
1

0
.
0
0
1
2

0
.
0
0
1
2

0
.
0
0
1
3

0
.
0
0
1
2

7

0
.
0
0
2
1

0
.
0
0
1
6

0
.
0
0
1
7

0
.
0
0
1
6

0
.
0
0
1
6

0
.
0
0
1
1

0
.
0
0
1
3

0
.
0
0
1
3

0
.
0
0
1
4

0
.
0
0
1
4

0
.
0
0
1
3

0
.
0
0
1
3

8

0
.
0
1
3
1

0
.
0
1
2
0

0
.
0
1
2
1

0
.
0
1
1
2

0
.
0
1
0
8

0
.
0
1
0
3

0
.
0
1
0
3

0
.
0
1
0
3

0
.
0
1
0
1

0
.
0
0
9
7

0
.
0
0
9
9

0
.
0
0
9
9

9

0

0

0

0

0

0

0

0

0

0

0

0

1
0

0
.
0
0
7
7

0
.
0
0
7
0

0
.
0
0
7
3

0
.
0
0
6
3

0
.
0
0
6
4

0
.
0
0
6
0

0
.
0
0
5
8

0
.
0
0
5
6

0
.
0
0
5
9

0
.
0
0
5
6

0
.
0
0
5
6

0
.
0
0
5
4

1
1

0
.
0
0
2
3

0
.
0
0
2
2

0
.
0
0
2
0

0
.
0
0
1
9

0
.
0
0
1
9

0
.
0
0
1
7

0
.
0
0
1
8

0
.
0
0
1
8

0
.
0
0
1
7

0
.
0
0
1
6

0
.
0
0
1
5

0
.
0
0
1
5

1
2

0
.
0
2
5
2

0
.
0
2
4
1

0
.
0
2
3
8

0
.
0
2
2
7

0
.
0
2
3
1

0
.
0
2
2
1

0
.
0
2
2
0

0
.
0
2
1
6

0
.
0
2
1
1

0
.
0
2
1
2

0
.
0
2
1
0

0
.
0
2
1
0

1
3

0
.
0
0
0
1

0

0

0

0

0

0

0

0

0

0

0

1
4

0
.
0
1
6
6

0
.
0
1
6
2

0
.
0
1
5
2

0
.
0
1
4
6

0
.
0
1
4
7

0
.
0
1
4
1

0
.
0
1
3
6

0
.
0
1
3
7

0
.
0
1
4
0

0
.
0
1
3
6

0
.
0
1
3
6

0
.
0
1
3
4

1
5

0
.
0
1
1
5

0
.
0
1
0
5

0
.
0
1
0
4

0
.
0
1
0
2

0
.
0
0
9
9

0
.
0
1
0
0

0
.
0
0
9
6

0
.
0
0
9
2

0
.
0
0
9
4

0
.
0
0
9
6

0
.
0
0
9
1

0
.
0
0
9
3

76
77


ekil 4.38. YSA nilemli SIC alc iin ezamansz snml

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

Kullanc says
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

78
SIC alc 0.01 BER deerine yaklamaktadr. Snml kanaldaki NFR deiimine
karlk birinci kullancnn BER deiimi ekil 4.39da grlmektedir. YSA alcnn
BER performans artan NFR deerleriyle ktleirken, YSA nilemli SIC alnn
performans genel olarak iyi olmakla birlikte, en iyi performansa YSAnn eitildii 4
NFR deeri civarnda sahip olmaktadr. Kullanc says deiimine karlk birinci
kullancnn BER deiimi ekil 4.40da grlmektedir. 5 dB SNR deerinde alc
performanslar yakn olmakla birlikte YSA nilemli SIC alc ile 0.1 BER deeri
YSA alcya gre 5 fazla kullanc ile elde edilebilmektedir.

KBE sisteminde ok kullancl sezme iin YSA nilemli SIC alc ile ezamanl
TBGG kanalda YSA alcya gre olduka kt performans elde edilirken, ezamansz
TBGG kanal ile ezamanl ve ezamansz snml kanalda YSA alcya gre daha iyi
performans elde edilmitir.


1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

79


Kullanc says
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

5. BLM

MAI DETEKTR OLARAK ETLEN YAPAY SNR ALI ALICI VE
SMLASYON SONULARI

nerilen MAI detektr olarak eitilen YSA alc yaps ezamanl kanal iin ekil
5.1de, ezamansz kanal iin ekil 5.2de grlmektedir. Literatrdeki YSAnn KBE
sisteminde kullanmyla ilgili pek ok almada, YSA veri bitlerini elde etmek zere
eitilmekte ve kullanlmaktadr. Bu almalarda uyumlu filtre klarndan alnan
sinyal YSAya giri eitim verisi olarak kullanlmakta, YSA bu uyumlu filtre klarn
oluturan veri bitleri hedef alnarak eitilmektedir. Burada nerilen yapda da YSAya
yine uyumlu filtre klar giri eitim verisi olarak verilmektedir. Ancak, YSA uyumlu
filtre klarn oluturan veri bitleri yerine, bu uyumlu filtre klarnn ierdii oklu
eriim giriimi (MAI) hedef alnarak eitilmektedir. Bu amala, eitim ileminden nce
kullanlan eitim seti iin MAI deerleri hesaplanr. Eitim ileminden sonra YSA
sistem iinde, giriine gelen uyumlu filtre k deerlerinden MAI deerlerini
alglamak iin kullanlr. Herhangi bir kullancnn veri bitini tahmin etmek iin,
YSAn alglad MAI deeri bu kullancnn uyumlu filtre kndan karlr ve sfr
eik devresinden geirilir. Eitim esnasnda hedef olarak kullanlacak MAI deerleri
uyumlu filtre klarndan paralel giriim bastrma yntemiyle yle hesaplanabilir:

) ( ) ( ) (
1
i b A i MAI
j jk
K
k j
j
j k

=
= (5.1)

81

YSAnn KBEde ok kullancl olarak bu ekilde kullanlmasyla, tamamen ayn
zelliklerde bir YSAnn klasik kullanmna (veri bitlerini elde etmek zere
eitilmesine) gre daha byk performans iyiletirmesi salanmtr [123, 125].

ekil 5.1. Ezamanl kanal iin MAI detektr olarak eitilen YSA alc yaps.

ekil 5.2. Ezamansz kanal iin MAI detektr olarak eitilen YSA alc yaps.

Bu blmde kullanlan her iki YSA ezamanl kanalda kullanc says kadar girie
sahipken, ezamansz kanalda kullanc saysnn kat girie sahiptir. k says
ise, her iki kanal simlasyonlarnda da sadece birinci kullanc olmak zere birdir.
Ezamanl kanalda 25 kullanc iin simlasyon yaplrken, ezamansz kanalda YSA
yapsnn bymesi sebebiyle 15 kullancl kanal simlasyonu yaplabilmitir.
Ezamanl kanalda her bir kullanc iin 10000 bit ieren veri seti ile eitim yaplrken,
ezamansz kanalda 6000 bitlik veri seti ile eitim yaplabilmitir. 25 kullancl
ezamanl kanalda MAI detektr olarak eitilen YSA iin kullanlan 10 bitlik rnek

_
+

_
+

_
+
MAI
1
(i)
MAI
2
(i)
MAI
K
(i)
y
1
(i)

y
2
(i)

y
K
(i)

) i ( b
1
)
) i ( b
2
)

) i ( b
K
)
YSA
MAI
Detektr
Kanal
k
r(t)
Uyumlu Filtre
(K.kullanc)

Uyumlu Filtre
(2.kullanc)

Uyumlu Filtre
(1.kullanc)
y
1
(i)

y
2
(i)

y
K
(i)

Sync 1

Sync 2

Sync K

Gecikme
Hatt

y
1
(i-1)

y
1
(i)

y
1
(i+1)

y
K
(i-1)

y
K
(i)

y
K
(i+1)

Kanal
k
r(t)
Uyumlu Filtre
(K.kullanc)

Uyumlu Filtre
(2.kullanc)

Uyumlu Filtre
(1.kullanc)
y
1
(i)

y
2
(i)

y
K
(i)

Sync 1

Sync 2

Sync K

YSA
MAI
Detektr

_
+

_
+

_
+
MAI
1
(i)
MAI
2
(i)
MAI
K
(i)
y
1
(i)

y
2
(i)

y
K
(i)

) i ( b
1
)
) i ( b
2
)

) i ( b
K
)
82

bir eitim veri seti Tablo 5.1de grlmektedir. SNR deiimine karlk BER
deiiminin incelendii simlasyon almalarnda dier kullanclarn NFR deeri 2
olarak alnmtr. NFR deiimine karlk BER deiiminin incelendii simlasyon
almalarnda SNR
1
deeri 5 dB olarak alnmtr. Kullanc says deiimine karlk
BER deiiminin incelendii simlasyon almalar iin de SNR
1
deeri 5 dB olarak
alnm ve btn kullanc gleri eit kabul edilmitir. Simlasyonlar 1000 bitlik
paketler kullanlarak 1000 farkl paket iin yaplm ve ortalama BER incelenmitir.
SNR deiimine karlk BER performansnn incelendii simlasyon iin ak emas
ekil 5.3de verilmektedir.

MAI detektr olarak eitilen YSA alcnn BER performans ezamanl kanalda klasik
alc, YSA alc ve tek kullanc snr ile karlatrlmaktadr. Ezamanl TBGG kanal
iin arzu edilen kullancnn SNR deiimine karlk birinci kullancnn BER
deiimi ekil 5.4de grlmektedir. ekil 5.4de grld gibi, MAI detektr olarak
eitilen YSA alc dier YSA alcya gre daha iyi performans gstererek 0.001 BER
deerini 3 dB daha kk SNR deeriyle elde edebilmektedir. YSA alc bir biti yanl
tahmin ederken MAI detektr olarak eitilen YSA alcnn doru olarak tahmin
edebildii 10 bitlik bir veri dizisi Tablo 5.2de grlmektedir. Uyumlu filtre 6. ve 10.
bitleri yanl olarak tahmin etmektedir. YSA alc da 10. biti yanl olarak tahmin
etmektedir. MAI detektr olarak eitilen YSA alc ise dier YSA alcnn yanl
tahmin ettii 10. biti de doru olarak tahmin etmekte, dolaysyla btn bitler doru
bir ekilde alnmaktadr. MAI detektr olarak eitilen YSA alcnn performansn
incelemek iin ekil 5.5de 25 kullancl ezamanl kanalda 10 dB SNR deerinde
30000 bitlik veri iin MAI deerleri ile tahmin edilen MAI deerlerinin olaslk
dalm grlmektedir. ekilden grld gibi her iki MAI dalm hemen hemen
ayndr. MAI detektr olarak eitilen YSA alcnn MAI deerlerini olduka doru
tahmin edebildii grlmektedir. ekil 5.6da da uyumlu filtre kndaki deerler ve
bu deerler ile MAI farknn olaslk dalm grlmektedir. Uyumlu filtrede sfr
civarnda alnan deerlerin okluu hatal bit tahminlerinin okluuna iarettir. MAI
deerleri ile uyumlu filtre klarnn fark alndnda sfr civarndaki deerlerin
azald grlmektedir. MAI detektr olarak eitilen YSA alcda elde edilen MAI
deerleri ile uyumlu filtre klarnn fark deerlendirileceinden daha doru bit
tahminleri yaplabilmektedir.
83

ekil 5.3. SNR deiimine karlk BER performansnn incelendii simlasyon iin
ak emas.

Bala
Belirtilen kullanc says ve bit says kadar rasgele veri ret, 2 NFR ve 10 dB
SNR deerleriyle KBE ilemini gerekletirerek toplam kanal sinyalini
olutur.
Belirtilen saydaki veri iin her bir kullancnn uyumlu filtre klarn ve 1.
kullanc iin MAI deerlerini hesapla.
Uyumlu filtre klarn her iki YSAya giri olarak uygula, YSAlara hedef
olarak ayr ayr 1. kullancnn verisini ve MAI deerlerini uygulayarak 0.001
MSE hata elde edilinceye kadar eitim yap.
Belirtilen kullanc saysnda 1000 bitlik veri seti reterek 2 NFR ve SNR
deerinde KBE kanal sinyalini olutur ve her bir kullanc iin uyumlu filtre
klarn hesapla.
Uyumlu filtre klarn her iki YSAya giri olarak uygula, klasik olarak
kullanlan YSA kn dorudan, MAI alglayan YSA kn ise uyumlu filtre
kndan kardktan sonra sfr eiinden geir. SNR deeri iin hatal bit
saysn tespit et.
Paket says=1
SNR=1
Alclarn toplam veri iin her bir SNR deerine karlk BER deerlerini
hesaplayarak SNR-BER grafiklerini iz.
SNR=26
SNR=SNR+1
Paket says=1001 Paket says=Paket says+1
evet
hayr evet
hayr

8
4

T
a
b
l
o

5
.
1
.

2
5

k
u
l
l
a
n
z
a
m
a
n
l

k
a
n
a
l
d
a

M
A
I

d
e
t
e
k
t
r

o
l
a
r
a
k

e
i
t
i
l
e
n

Y
S
A

i
i
n

k
u
l
l
a
n
l
a
n

1
0

b
i
t
l
i
k

r
n
e
k

b
i
r

e
i
t
i
m

v
e
r
i

s
e
t
i
.

G
i
r
i

v
e
r
i
s
i
\
b
i
t

n
u
m
a
r
a
s

1

2

3

4

5

6

7

8

9

1
0

1
.

k
u
l
l
a
n

U
F

-
0
.
4
1
6
8

6
0
.
5
2
9
7

-
4
3
.
9
1
3
6

-
1
.
5
4
8
3

-
8
.
7
5
5
2

1
4
.
4
9
0
3

-
1
0
7
.
2
9
0
7

4
0
.
3
9
6
0

5
6
.
7
7
1
5

5
5
.
2
8
0
1

2
.

k
u
l
l
a
n

U
F

-
1
.
6
2
1
6

1
6
8
.
0
1
3
7

9
3
.
4
3
4
4

-
4
8
.
0
0
5
0

-
3
5
.
9
4
3
0

-
2
6
.
7
8
7
4

-
1
5
6
.
0
5
9
5

3
3
.
0
8
7
3

1
2
4
.
5
3
4
3

2
5
.
3
7
4
1

3
.

k
u
l
l
a
n

U
F

2
8
.
6
4
6
8

-
7
6
.
5
3
9
9

-
3
0
.
1
7
8
7

8
6
.
4
5
6
3

-
5
1
.
7
2
7
3

-
0
.
4
0
8
2

9
5
.
9
3
8
7

3
2
.
4
9
8
7

-
1
1
4
.
7
1
3
4

0
.
5
5
0
9

4
.

k
u
l
l
a
n

U
F

3
9
.
6
0
0
8

-
1
2
2
.
3
1
0
8

-
6
3
.
2
6
8
1

5
5
.
5
5
1
0

3
9
.
2
6
0
6

-
9
.
4
2
3
2

9
8
.
3
9
0
8

-
5
9
.
7
7
7
6

-
2
6
.
2
3
5
1

-
1
1
.
2
7
3
0

5
.

k
u
l
l
a
n

U
F

8
1
.
4
7
0
6

-
1
0
4
.
0
9
2
1

1
0
.
7
2
6
8

2
5
.
9
6
4
1

-
4
3
.
4
3
6
1

5
9
.
9
4
9
8

-
2
9
.
7
5
6
0

3
6
.
3
7
6
6

-
7
1
.
3
7
5
2

8
5
.
6
9
2
4

6
.

k
u
l
l
a
n

U
F

1
4
.
0
5
1
4

-
9
4
.
4
8
6
3

3
3
.
6
9
2
2

1
0
8
.
1
1
2
6

5
4
.
1
5
5
6

1
8
.
4
6
9
7

1
9
3
.
8
2
1
4

-
7
5
.
5
3
0
9

-
5
5
.
4
4
7
5

5
.
5
3
7
7

7
.

k
u
l
l
a
n

U
F

4
6
.
7
4
4
6

-
3
4
.
4
9
0
0

3
1
.
9
8
4
8

-
6
4
.
2
0
1
1

-
7
6
.
1
9
9
4

8
8
.
7
8
3
3

6
6
.
0
0
2
0

6
6
.
4
6
4
8

-
5
3
.
0
6
6
3

6
3
.
8
1
6
9

8
.

k
u
l
l
a
n

U
F

8
.
0
6
5
4

-
1
0
3
.
6
2
2
1

-
6
8
.
5
4
6
3

7
8
.
8
5
2
1

6
7
.
8
8
3
4

6
3
.
6
2
8
2

8
.
4
2
8
2

-
1
2
.
8
2
8
1

3
7
.
7
7
3
2

5
3
.
9
1
4
6

9
.

k
u
l
l
a
n

U
F

-
5
.
6
6
2
8

2
5
.
7
9
0
5

8
5
.
7
3
8
6

-
4
4
.
7
7
8
5

-
3
6
.
3
8
3
2

-
6
2
.
9
9
4
4

-
7
9
.
3
2
2
5

4
5
.
3
7
6
9

-
3
9
.
4
1
4
0

3
3
.
3
0
2
4

1
0
.

k
u
l
l
a
n

U
F

-
1
6
.
9
8
8
0

2
2
.
5
9
6
7

-
4
1
.
2
5
9
5

-
1
7
.
5
9
6
9

-
4
8
.
3
4
3
9

2
3
.
5
5
2
0

-
3
9
.
4
7
7
0

-
1
.
9
8
4
0

-
5
5
.
7
7
8
4

-
4
4
.
7
5
5
6

1
1
.

k
u
l
l
a
n

U
F

-
7
1
.
5
8
3
0

5
3
.
9
5
0
0

-
9
2
.
5
6
6
6

9
4
.
2
8
0
4

1
3
8
.
8
0
7
5

-
5
5
.
2
6
3
0

6
0
.
9
7
6
1

-
6
6
.
9
7
2
9

1
1
3
.
0
8
6
6

2
1
.
9
2
9
8

1
2
.

k
u
l
l
a
n

U
F

-
4
6
.
4
1
5
7

9
0
.
2
3
6
1

4
0
.
4
4
6
6

7
2
.
1
9
9
3

-
3
8
.
1
3
5
3

-
1
5
.
5
2
7
2

-
2
4
.
5
3
0
9

1
5
.
1
8
2
0

5
7
.
8
4
9
5

-
3
7
.
3
1
8
1

1
3
.

k
u
l
l
a
n

U
F

-
2
9
.
9
9
6
5

-
4
5
.
6
6
0
5

-
8
3
.
5
2
5
1

-
3
6
.
5
8
2
8

-
2
6
.
3
9
0
8

-
2
1
.
1
6
4
6

-
2
1
.
3
1
2
5

4
8
.
1
6
9
0

-
6
8
.
5
7
6
0

4
2
.
6
0
3
4

1
4
.

k
u
l
l
a
n

U
F

-
1
0
.
2
1
9
3

-
9
0
.
6
4
1
9

-
7
2
.
1
8
8
5

-
2
0
.
9
0
2
8

5
9
.
5
4
4
3

1
6
.
0
5
7
7

-
7
.
7
0
6
1

-
6
.
9
6
7
8

-
4
6
.
4
0
8
8

-
5
3
.
0
8
3
9

1
5
.

k
u
l
l
a
n

U
F

9
.
8
2
6
7

-
6
0
.
2
5
3
6

1
4
2
.
9
0
1
5

1
2
.
3
4
0
9

-
1
0
.
5
6
3
2

6
1
.
2
9
3
8

8
3
.
0
3
9
0

-
2
0
.
9
0
3
9

5
1
.
3
2
0
4

2
0
.
1
4
3
1

1
6
.

k
u
l
l
a
n

U
F

5
3
.
4
5
4
8

7
.
5
4
0
0

9
2
.
1
7
0
1

4
.
5
3
8
9

-
8
8
.
3
1
1
2

-
5
.
6
9
0
9

-
6
3
.
2
7
2
3

9
3
.
1
6
5
5

2
6
.
5
2
2
4

7
8
.
2
2
8
1

1
7
.

k
u
l
l
a
n

U
F

2
3
.
0
1
2
7

6
.
5
1
3
0

4
9
.
0
2
6
4

5
5
.
1
8
5
2

5
9
.
7
8
2
4

-
5
0
.
0
2
8
5

9
9
.
5
7
7
3

-
7
8
.
1
3
0
2

-
1
3
.
6
5
1
1

-
1
6
.
7
2
1
8

1
8
.

k
u
l
l
a
n

U
F

1
8
.
4
6
7
0

-
9
1
.
7
6
4
1

2
2
.
5
9
3
5

9
2
.
2
1
2
7

-
4
2
.
5
6
9
9

6
2
.
2
9
5
9

9
8
.
1
3
8
1

4
7
.
9
2
5
0

-
6
.
1
6
8
9

2
5
.
3
3
5
6

1
9
.

k
u
l
l
a
n

U
F

1
1
0
.
3
6
5
4

-
3
5
.
6
6
6
8

1
4
1
.
0
3
9
9

4
5
.
0
6
9
1

-
9
0
.
9
2
9
3

-
1
0
.
2
6
7
4

1
1
1
.
0
8
3
7

-
3
2
.
7
7
2
5

-
1
0
2
.
2
1
1
5

-
3
9
.
5
0
4
8

2
0
.

k
u
l
l
a
n

U
F

-
5
6
.
5
6
8
1

8
7
.
7
6
4
2

-
8
2
.
3
2
8
9

-
1
8
.
3
2
9
5

8
.
7
7
9
3

5
0
.
3
3
9
3

-
1
5
6
.
1
0
5
6

8
2
.
0
3
9
1

1
1
4
.
6
6
2
6

8
1
.
3
1
2
5

2
1
.

k
u
l
l
a
n

U
F

4
2
.
3
3
9
5

-
5
6
.
6
6
4
4

8
9
.
7
8
0
5

-
2
6
.
4
7
0
0

-
4
0
.
5
5
2
2

8
1
.
6
9
8
4

-
4
4
.
0
0
0
1

7
4
.
3
1
8
4

5
4
.
8
5
6
7

4
3
.
1
3
5
8

2
2
.

k
u
l
l
a
n

U
F

-
2
8
.
6
1
4
8

-
5
5
.
8
4
9
5

1
6
.
0
0
5
4

-
2
6
.
7
0
0
2

-
1
1
.
4
6
3
9

5
1
.
6
0
8
7

-
7
4
.
8
6
6
5

8
6
.
5
1
2
6

7
8
.
8
7
4
3

1
0
8
.
3
5
7
4

2
3
.

k
u
l
l
a
n

U
F

3
6
.
8
5
1
5

4
1
.
7
0
3
2

8
0
.
1
7
2
9

-
7
.
7
3
0
1

-
1
0
0
.
3
9
3
5

-
3
0
.
2
1
1
2

3
4
.
8
3
9
4

-
3
3
.
7
2
4
3

-
1
4
1
.
2
6
8
0

-
3
5
.
6
9
1
0

2
4
.

k
u
l
l
a
n

U
F

-
5
1
.
9
7
8
3

1
0
2
.
6
4
7
6

-
9
7
.
6
9
4
8

2
0
.
5
8
2
7

3
3
.
6
7
5
1

2
9
.
1
0
0
6

-
1
1
5
.
1
2
9
7

1
6
.
2
3
7
6

4
9
.
3
2
7
6

5
5
.
8
0
9
3

2
5
.
k
u
l
l
a
n

U
F

0
.
3
4
7
1

4
1
.
4
2
7
9

4
5
.
1
5
6
1

-
5
.
2
4
3
5

-
1
1
4
.
4
5
9
0

8
6
.
0
7
1
7

8
4
.
7
3
7
3

4
4
.
7
5
8
1

-
6
2
.
2
2
1
3

5
8
.
6
4
1
2

1
.
k
u
l
l
a
n

h
e
d
e
f

v
e
r
i
s
i

-
2
8
.
2
0
0
0

3
1
.
0
2
0
0

-
1
1
.
2
8
0
0

-
3
6
.
6
6
0
0

2
2
.
5
6
0
0

-
8
.
4
6
0
0

-
7
3
.
3
2
0
0

6
7
.
6
8
0
0

2
5
.
3
8
0
0

2
2
.
5
6
0
0

84

8
5

T
a
b
l
o

5
.
2
.

B
i
r
i
n
c
i

k
u
l
l
a
n
n

u
y
u
m
l
u

f
i
l
t
r
e
,

Y
S
A

v
e

M
A
I

d
e
t
e
k
t
r

o
l
a
r
a
k

e
i
t
i
l
e
n

Y
S
A

a
l
i
n

1
0

b
i
t
l
i
k

t
a
h
m
i
n

s
o
n
u
l
a
r
.

1
.
k
u
l
l
a
n
i
n

d
e
e
r
l
e
r
\
b
i
t

n
u
m
.

1

2

3

4

5

6

7

8

9

1
0

U
F

5
3
.
4
1
7
9

-
1
7
.
6
5
4
0

-
3
8
.
4
3
1
7

2
9
.
4
4
4
4

-
1
3
6
.
4
2
0
8

1
7
.
1
7
5
0

-
7
6
.
8
3
3
9

4
4
.
2
4
5
9

-
2
.
4
5
8
6

-
2
7
.
2
3
5
6

M
A
I

1
1
.
4
2
0
4

2
6
.
2
7
5
5

-
1
0
.
5
2
7
9

-
2
.
2
6
9
2

-
1
0
6
.
4
4
1
4

6
0
.
2
2
5
5

-
3
8
.
3
7
2
5

1
9
.
7
4
5
1

2
3
.
8
3
1
6

-
3
1
.
5
0
6
1

U
F
-
M
A
I

4
1
.
9
9
7
4

-
4
3
.
9
2
9
5

-
2
7
.
9
0
3
8

3
1
.
7
1
3
6

-
2
9
.
9
7
9
3

-
4
3
.
0
5
0
5

-
3
8
.
4
6
1
4

2
4
.
5
0
0
8

-
2
6
.
2
9
0
2

4
.
2
7
0
5

Y
S
A
M
A
I

1

-
1

-
1

1

-
1

-
1

-
1

1

-
1

1

Y
S
A

1

-
1

-
1

1

-
1

-
1

-
1

1

-
1

-
1

V
e
r
i

1

-
1

-
1

1

-
1

-
1

-
1

1

-
1

1

85
86

ekil 5.4. MAI detektr olarak eitilen YSA alc iin ezamanl
TBGG kanalda 1. kullancnn SNR deiimine karlk

Her iki YSA da eitimde hedeflenen 0.001 hata deerine 8 ile 10 dnem arasnda
ularken, MAI detektr olarak eitilen YSAnn iyi performans gsterebilmesi iin
eitimde kullanlan veri setinin bykl nemli olmaktadr. ekil 5.7de her iki
YSAnn ezamanl 15 kullancl kanalda 500 bitlik ve 6000 bitlik eitim seti ile
eitilmeleri durumundaki performanslar karlatrlmaktadr. ekilden grld gibi
dier YSA alcda eitim veri setinin 500 bitlik veya 6000 bitlik olmas performans
fazla etkilemezken, MAI detektr olarak eitilen YSA alcda 6000 bitlik veri setiyle
yaplan eitim sonrasnda ok daha iyi performans alnmaktadr. Her iki YSAnn tek
kl ya da kullanc says kadar ka sahip olmalar durumundaki performans
farkll da ekil 5.8de grlmektedir. ekilden grld gibi, Klasik YSAda
kullanc says kadar ka sahip olunduunda (KkulYSA) bir kl (1kulYSA)
duruma gre daha iyi performans elde edilirken, MAI detektr olarak eitilen YSAda
kullanc says kadar ka sahip olunan durumda (KkulYSAMAI) bir kl
(1kulYSAMAI) duruma gre daha kt performans elde edilmektedir. MAI detektr
olarak eitilen YSA alc daha ok eitim verisine ihtiya duyduu iin kullanlan veri
miktar ok kl MAI detektr olarak eitilen YSA iin yeterli olmamtr. ok

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

87

ekil 5.5. 25 kullancl ezamanl kanalda 10 dB SNR deerinde
30000 bitlik veri iin MAI deerleri ile tahmin
edilen MAI deerlerinin olaslk dalm.

ekil 5.6. 25 kullancl ezamanl kanalda 10 dB SNR deerinde
30000 bitlik veri iin uyumlu filtre kndaki
deerler ve bu deerler ile MAI farknn olaslk
dalm.

O
l
a
s
k

d
a

oklu eriim giriimi
MAI
Tahmin MAI

UF
(UF MAI)
O
l
a
s
k

d
a

Uyumlu filtre k ve MAI ile fark
88

kl YSA yapsnda eitim daha iyi yaplabilirken eitim sresi ve bellek
gereksinimleri artmaktadr. NFR deiimine karlk BER
1
deiimi ekil 5.9da
grlmektedir. ekil 5.9da grld gibi, MAI detektr olarak eitilen YSA alcnn
NFR deiimine karlk BER performans ok kararl deildir. En iyi performans
eitim esnasnda kabul edilen NFR deeri olan 4de gereklemektedir. Bununla
birlikte MAI detektr YSA alcnn performans 2 ve 7 NFR deerleri arasnda YSA
alcdan daha iyidir. MAI detektr olarak eitilen YSA alcnn NFR deiimine
hassasiyeti vardr. MAI detektr olarak eitilen YSA alc iin NFR deiiminde daha
kararl performans elde etmek iin her biri 2000 bitlik farkl NFR deerinde (1,2 ve
4) eitim seti ile eitim denenmitir. Bu durumdaki performans ekil 5.10da
grlmektedir. Farkl NFR deerlerinde eitimde MAI detektr olarak eitilen YSA
alcnn NFR deiiminde daha kararl performans gstermesi salanrken, en iyi
performans gsterdii durumdaki BER deerinde de ykselme olmutur. Kullanc
says deiimine karlk BER
1
deiimi de ekil 5.11de grlmektedir. MAI
detektr olarak eitilen YSA alcnn performans dier YSA alcdan iyi olmakla
birlikte fark fazla deildir. Bu simlasyon 5 dB SNR deerinde yaplmtr ve bu SNR
deerlerinde performans farkllnn az olduu ekil 5.4de de grlmektedir.

1
deiimine karlk BER
1
deiimi ekil 5.12de
grlmektedir. MAI detektr olarak eitilen YSA alcnn genlik deiimlerine olan
hassasiyetinden dolay snml kanaldaki performans dier YSA alc ile hemen
hemen ayn olmaktadr. Snml kanaldaki NFR deiimine karlk birinci
kullancnn BER deiimi ekil 5.13de, kullanc says deiimine karlk BER
deiimi de ekil 5.14de grlmektedir. Her iki durumda da MAI detektr olarak
eitilen YSA alc ile dier YSA alc ayn performansa sahiptir. Snml kanalda
MAI detektr olarak eitilen YSA alcnn dier YSA alcya olan performans
stnl kaybolmaktadr.

Ezamansz kanal simlasyonlarnda bir kullancnn i. bitini (b
k
[i]) tahmin etmek iin,
her bir kullancnn ardk uyumlu filtre k (y
k
[i-1], y
k
[i], y
k
[i+1]) YSAya giri
olarak verilir. Bunu salamak iin YSAdan nce bir geciktirme devresi
kullanlmaktadr. Bu sebeple ezamansz kanalda YSAnn giri dm says

89

ekil 5.7. MAI detektr olarak eitilen YSA alc ve dier YSA
alcnn 15 kullancl ezamanl TBGG kanalda iki farkl
boyutta eitim seti iin 1. kullancnn SNR deiimine

ekil 5.8. MAI detektr olarak eitilen YSA alc ve dier YSA
alcnn 15 kullancl ezamanl TBGG kanalda tek kl
ve ok kl olarak kullanlmalar durumunda 1.
kullancnn SNR deiimine karlk 1. kullancnn BER
performans.
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

90

TBGG kanalda bir NFR deerinde eitim durumunda
NFR deiimine karlk 1. kullancnn BER
performans.

TBGG kanalda NFR deerinde eitim durumunda
performans.
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

91

TBGG kanalda kullanc says deiimine karlk 1.

snml kanalda 1. kullancnn SNR deiimine
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

Kullanc says
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

92

snml kanalda NFR deerinde eitim
durumunda NFR deiimine karlk 1. kullancnn
BER performans.

snml kanalda kullanc says deiimine karlk

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

Kullanc says
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

93

kullanc saysnn kat seilmektedir. MAI detektr olarak eitilen YSA alcnn
BER performans ezamansz kanalda klasik alc, ileri beslemeli ok katl perseptron
YSA alc, Hopfield YSA alc ve tek kullanc snr ile karlatrlmaktadr.
MAI detektr olarak eitilen YSA alcnn performans dier YSA alcdan daha iyi
olup 0.001 BER deeri 2 dB daha az SNR deeri ile elde edilmektedir. Hopfield al
YSA alcnn performans ise 10 dB SNR deerinden sonra olduka ktlemektedir.
Hopfield an optimizasyon esnasnda kullanlan iterasyon says artrlarak daha iyi
sonu alnabilse de, gerekli optimizasyon sresi fazla uzayacandan pratik
olmamaktadr. NFR deiimine karlk BER
1
deiimi ekil 5.16da grlmektedir.
NFR deiimine kar daha kararl performans salamak iin farkl genlikli eitim
seti kullanlmtr. Bu sebeple her bir genlik iin ezamansz kanalda yeterli olacak
seviyede eitim yaplamamaktadr. Dolaysyla MAI detektr olarak eitilen YSA
alcnn performans ezamansz kanalda NFR deiimi durumunda dier YSA alcya
gre daha kt olmaktadr. Hopfield al YSA alc da ezamanl kanalda olduu gibi

ekil 5.15. MAI detektr olarak eitilen YSA alc iin
ezamansz TBGG kanalda 1. kullancnn SNR
deiimine karlk 1. kullancnn BER
performans.
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

94

2 NFR deerinin altnda iyi performansa sahip olmakla birlikte daha sonrasnda artan
NFR deerleriyle performans ktlemektedir. Kullanc says deiimine karlk
BER
1
deiimi de ekil 5.17de grlmektedir. MAI detektr YSA alc ile Klasik
YSA alc ayn performans gsterirken, Hopfield al YSA alc eit kullanc gleri
durumunda ezamanl kanalda olduu gibi daha iyi performans gstermektedir.

ezamansz TBGG kanalda NFR deiimine karlk

Ezamansz snml kanal iin arzu edilen kullancnn SNR deiimine karlk
birinci kullancnn BER deiimi ekil 5.18de grlmektedir. ekil 5.18de
grld gibi, MAI detektr olarak eitilen YSA alcnn genlik deiimlerine olan
hassasiyetinden dolay snml kanaldaki performans ezamanl kanalda olduu gibi
dier YSA alc ile hemen hemen ayn olmaktadr. Snml kanaldaki NFR
deiimine karlk birinci kullancnn BER deiimi ekil 5.19da grlmektedir.
Snml kanalda artan NFR deerleriyle MAI detektr olarak eitilen YSA alcnn
performans ileri beslemeli ok katl perseptron YSA alcya gre daha kt
olmaktadr. Hopfield al YSA alcnn performans ise snml kanalda olduka
ktdr. Kullanc says deiimine karlk BER deiimi de ekil 5.20de
grlmektedir. Kullanc glerinin eit olduu bu durumda MAI detektr olarak
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

95

ezamansz TBGG kanalda kullanc says
performans.

ezamansz snml kanalda 1. kullancnn SNR
performans.

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

Kullanc says
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

96

ezamansz snml kanalda NFR deiimine

eitilen YSA alc ile ileri beslemeli ok katl perseptron YSA alc ayn performansa
sahipken, Hopfield al YSA alcnn performans onlara gre biraz daha ktdr.
Hopfield al YSA alcnn performans eit kullanc gleri olmas sebebiyle SNR ve
NFR deiim simlasyonlarnda olduu kadar kt deildir.

MAI detektr olarak eitilen YSA alc ile ezamanl TBGG kanalda her durumda
dier YSA alcya gre daha iyi performans salanrken, ezamanl snml kanalda
ise hemen hemen ayn performans salanmaktadr. Ezamansz TBGG kanal
durumunda da SNR deiimine karlk dier YSA alcdan daha iyi performans
salanrken, NFR deiimi durumunda ve snml kanal artlarnda dier YSAya
gre daha kt performans elde edilmektedir. Ezamansz kanalda kullanc says
deiimine karlk kullanc glerinin eit olmas sebebiyle her iki YSA ile de hemen
hemen ayn performans elde edilmektedir. Hopfield al YSA alc ise, sadece eit
genlik durumundaki TBGG kanal artlarnda iyi performans gstermektedir.

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

97

ezamansz snml kanalda kullanc says
performans.

Kullanc says
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

6. BLM

BULANIK MANTIK SSTEML ALICI VE SMLASYON SONULARI

nerilen bulank mantk (BM) sistemli alc yaps ezamanl kanal iin ekil 6.1de,
ezamansz kanal iin ekil 6.2de grlmektedir. Bulank mantk sistemi alcda
verileri elde etmek iin uyumlu filtreden sonra kullanlmaktadr. Sugeno tipi bulank
mantk sistemi kullanlmakta ve yelik fonksiyonlarnn karakteristikleri, alcda
oluturulan eitim verisine gre kullanclarn uyumlu filtre klarndaki deerlerine
gre belirlenmektedir. Bu alcda btn giri yelik fonksiyonlar Gaussian, k yelik
fonksiyonlar gen tipi olup, giriler arasnda VE operatr kullanlmtr [126, 128].

Gaussian formle sahip giri yelik fonksiyonu yle tanmlanmaktadr:
J j K k e y x f
kj
y x
kj kj
,..., 2 , 1 , ,..., 2 , 1 ) , ; (
2
2
2
) (
= = =

(6.1)

Burada K kullanc says, J bit says (J=2
K
), x giri uzaynn eleman, standart
sapma, y
kj
bulank mantk yelik fonksiyonlarnn merkezidir ve uyumlu filtre kna
gre belirlenmektedir.

ekil 6.1. Ezamanl kanal iin bulank mantk sistemli alc yaps.

) i ( b
2
)

Bulank
Mantk
Sistemi
) i ( b
1
)
) i ( b
K
)
Kanal
k
r(t)
Uyumlu Filtre
(K.kullanc)

Uyumlu Filtre
(2.kullanc)

Uyumlu Filtre
(1.kullanc)
y
1
(i)

y
2
(i)

y
K
(i)

Sync 1

Sync 2

Sync K

99

ekil 6.2. Ezamansz kanal iin bulank mantk sistemli alc yaps.

Gaussian fonksiyonu =2 ve y=5 iin ekil 6.3de grlmektedir.

ekil 6.3. =2 ve y=5 iin Gaussian fonksiyon.

gen formdaki k yelik fonksiyonlar yle tanmlanmaktadr:

=
x c , 0
c x b ,
b c
x c
b x a ,
a b
a x
a x , 0
) c , b , a ; x ( f (6.2)

nerilen alcda bu katsaylar 1 iin a=0, b=5, c=10 ve -1 iin a=-10, b=-5, c=0
olarak kabul edilmitir:
=2
y=5

) i ( b
2
)

Bulank
Mantk
Sistemi
) i ( b
1
)
) i ( b
K
)
Gecikme
Hatt

y
1
(i-1)

y
1
(i)

y
1
(i+1)

y
K
(i-1)

y
K
(i)

y
K
(i+1)

Kanal
k
r(t)
Uyumlu Filtre
(K.kullanc)

Uyumlu Filtre
(2.kullanc)

Uyumlu Filtre
(1.kullanc)
y
1
(i)

y
2
(i)

y
K
(i)

Sync 1

Sync 2

Sync K

100

gen fonksiyon a=2, b=4 ve c=6 iin ekil 6.4de grlmektedir.

ekil 6.4. a=2, b=4 ve c=6 iin gen fonksiyon.

Kurallar kullanc saysna bal olarak uyumlu filtre klarndaki deerlere gre
belirlenmektedir. K kullanc iin 2
K
kural kullanlmakta ve bu maksatla 2
K
bit eitim
verisi yeterli olmaktadr. Her bir kullanc iin k verisi bu 2
K
kurala gre
belirlenmektedir. K kullanc iin bu kurallar yle belirlenebilir:

Kural(j): EER y
1=
y
1
(j) ve y
2=
y
2
(j)

ve .ve y
K=
y
K
(j) SE k
k
(j)=b
k
(j) (6.3)

Burada k=1,2,,K (K kullanc says), j=1,2,,J (J bit says,J=2
K
), y uyumlu filtre
k, y
k
(j) j. bit iin k. kullancnn uyumlu filtre k, b
k
(j) k. kullanc verisinin j.
biti ve b
k
{1, -1}dir.

Bu kurallar ezamansz kanal iin yle tanmlanr:

Kural(j): EER y
1(j-1)=
y
1
(j-1) ve y
2(j-1)=
y
2
(j-1) ve ve y
K(j-1)=
y
K
(j-1) ve y
1(j)=
y
1
(j) ve
y
2(j)=
y
2
(j) ve y
K(j)=
y
K
(j) ve y
1(j+1)=
y
1
(j+1) ve y
2(j+1)=
y
2
(j+1) ve.ve y
K(j+1)=
y
K
(j+1)
SE k
k
(j) = b
k
(j) (6.4)

Burada y
(j-1)
uyumlu filtrenin (j-1). bit k, y
(j)
uyumlu filtrenin j. bit k, y
(j+1)

uyumlu filtrenin (j+1). bit kdr.

Optimum detektr doru veri dizisini 2
K
mmkn vektr deneyerek bulur. Bu
deneme ilemleri ok uzun olduundan, optimum detektrn pratikte kullanm
zordur. Bulank mantk sistemli alcda da 2
K
kural tanmlanmakla birlikte ilem
a=2
b=4
c=6
101

zaman optimum alcya gre ok azdr. Bu alcyla daha az ilem sresiyle 7 dB SNR
deerinden daha byk deerler iin tek kullanc snrna ok yakn performans
salanmtr. Ezamansz kanalda da optimum detektr gnderilen btn veri paketi
iin 2
K(2M+1)
mmkn vektr deneyerek en doru veri dizisini bulur. Bulank mantk
sistemli alcda da ezamanl kanalda veri biti tahmini iin veri paket boyutundan
bamsz olarak 2
3K
kural tanmlanmaktadr.

Bulank mantk sistemli alcnn hesap karmakl fazla olduu iin 10 kullancl
kanalda simlasyon yaplmtr. Ezamanl kanalda 10 kullanc iin 1024 kural
tanmlanmaktadr. Ezamansz kanalda ise 10 kullanc iin pratik olarak
gerekletirilemeyecek kadar fazla kural tanmlanmas gerektiinden, ezamansz
kanal iin simlasyon yaplmamtr. Bulank mantk sistemli alcnn tanmlanan
deerlerin dndaki genlik deiimlerine hassasiyeti fazla olduundan, snml
kanaldaki performans da kt olmaktadr. Bu sebeple sadece ezamanl TBGG
kanalda simlasyon sonular verilmitir.

Bulank mantk sistemli alcnn BER performans ezamanl kanalda klasik alc, YSA
alc ve tek kullanc snr ile karlatrlmaktadr. Simlasyona balamadan nce 10
kullancnn mmkn btn kombinasyonlarn ieren her bir kullanc iin 1024 bitlik
veri retilir ve bu veriler iin grltsz olarak uyumlu filtre klar oluturulur. Bu
veri ve uyumlu filtre klar ile Denklem (6.3)e gre 1024 kural tanmlanr.
Ezamanl TBGG kanal iin arzu edilen kullancnn SNR deiimine karlk birinci
kullancnn BER deiimi ekil 6.5de grlmektedir. Bu simlasyonda ve kurallarn
belirlenmesi esnasnda birinci kullanc dndaki kullanclarn NFR deeri 2 olarak
alnmtr. ekil 6.5de grld gibi, bulank mantk sistemli alcnn performans 5
dB SNR deerinden nce ok iyi deilken, 7 dB SNR deerinden sonra tek kullanc
snrnda performans elde edilmitir. Kurallarn tanmlanmas grltsz artlarda
yapld iin grltnn fazla olduu 5 dB SNR deerinden daha kk deerlerde
performans kt olmaktadr. Kurallarn belirlenmesi esnasnda grltnn dikkate
alnmas durumunda tanmlanmas gereken kural says artacandan pratik
olmamaktadr. NFR deiimine karlk BER
1
deiimi ekil 6.6da grlmektedir.
Her NFR deeri iin yeni kurallar tanmlanmtr. ekil 6.6da grld gibi, bulank
mantk sistemli alcnn NFR deiimine karlk BER performans 3 NFR deerinden
102

sonra iyi iken, daha kk deerlerde ktlemektedir. Bu simlasyonda 5 dB SNR
deeri alndndan, 3 NFR deerinden daha kk deerlerde grlt performans
drecek kadar etkili olmaktadr. Kullanc says deiimine karlk BER
1
deiimi
de ekil 6.7de grlmektedir. Simlasyonda ve kurallarn belirlenmesi esnasnda

ekil 6.5. Bulank mantk sistemli alc iin ezamanl TBGG

kanalda NFR deiimine karlk 1. kullancnn BER
performans.
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

103

btn kullanc gleri eit olarak alnmtr. Bulank mantk sistemli alcnn bu
durumda performans artan kullanc saysyla ktlese de YSA alcya gre daha
iyidir. Simlasyon bulank mantk sistemli alcnn performansnn yeterince iyi
olmad 5 dB SNR deerinde yapldndan tek kullanc snrndan olduka uzak
performans elde edilmitir.


Bulank mantk sistemli alc ile byk SNR deerlerinde tek kullanc snrnda
performans elde edilirken, kk SNR deerlerinde performans ktlemektedir.
Hesap karmakl da optimum alcya gre az olmakla birlikte byk kullanc
saylarnda pratik olmamaktadr.

Kullanc says
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

7. BLM

UYARLANABLR YAPAY SNR ALI BULANIK MANTIK SSTEML
(UYSABM) ALICI VE SMLASYON SONULARI

nerilen uyarlanabilir yapay sinir al bulank mantk sistemli (UYSABM) alc yaps
ezamanl kanal iin ekil 7.1de grlmektedir. UYSABM oluturulan eitim verisine
bal olarak grltl ya da grltsz artlarda oluturulan uyumlu filtre klarna
gre eitilmektedir. Eitim esnasnda bulank mantk sisteminin yelik fonksiyonlarnn
says ve karakteristikleri belirlenmektedir. Eitimde ncelikle veri seti karmal tarzda
kmeleme teknii kullanlarak azaltlmakta, bylece kural saysnn daha az olmas
salanmaktadr. UYSABM sisteminde bir kl Sugeno tipi bulank mantk yaps
kullanlmtr.

Bu alcda da kurallar bulank mantk sistemli alcda olduu gibi ezamanl kanal iin
Denklem (6.3)e gre belirlenmektedir. Ancak kmeleme tekniinin salad
avantajdan dolay bu defa kural says, eitim verisine bal olarak bulank mantk
sistemli alcda olduundan ok daha az olmaktadr. 15 kullancl kanal iin UYSABM
alcda grltsz eitim verisine karlk 6 kural tanmlanmaktadr. Bu yap ekil
7.2de grlmektedir [126].

Uyarlanabilir yapay sinir al bulank mantk sistemli alcnn hesap karmakl
ezamansz kanalda ok artt iin sadece ezamanl kanal simlasyonlar yaplmtr.
Simlasyondan nce YSA 6000 bitlik eitim verisiyle 10 dB SNR orannda eitilirken,
UYSABM 15 kullancnn btn kombinasyonlarn ieren 32768 bitlik veriyle
grltsz olarak eitilmitir. Uyarlanabilir yapay sinir al bulank mantk sistemli
alcnn BER performans ezamanl kanalda klasik alc, YSA alc ve tek kullanc
snr ile karlatrlmaktadr. Ezamanl TBGG kanal iin arzu edilen kullancnn

105

SNR deiimine karlk birinci kullancnn BER deiimi ekil 7.3de
grlmektedir. Simlasyonda ve eitimde birinci kullanc dndaki kullanclarn
NFR deeri 2 olarak alnmtr. ekil 7.3de grld gibi, uyarlanabilir yapay sinir
al bulank mantk sistemli alc (UYSABM) YSA alc ile hemen hemen ayn BER

ekil 7.1. Ezamanl kanal iin uyarlanabilir yapay sinir al
bulank mantk sistemli alc yaps.

performansna sahiptir. Simlasyon esnasnda hesap karmakl YSA alcya
benzemekle birlikte UYSABM alcnn eitim sreci kullanc saysnn btn
kombinasyonlarnn eitimde kullanlmas durumunda daha uzundur. Ancak
UYSABM iin de 6000 bitlik eitim seti kullanlrsa, eitim sresi ksalmaktadr.
Eitimde kullanlan veri setinin azaltlmas ise, tanmlanan kural saysn
artrmaktadr. Kural saysnn artmas da UYSABMnin hesap karmakln
artrmaktadr. Bulank mantk sistemli alc UYSABM alc iin maksimum
performans durumunu ifade etmektedir. UYSABM alcda daha az kural tanmland
iin performans bulank mantk sistemli alcya gre daha kt olmakla birlikte, hesap
karmakl ok azaltlmtr. NFR deiimine karlk BER
1
deiimi ekil 7.4de
grlmektedir. Eitimde ve simlasyonda SNR deeri 5 dB olarak alnmtr.ekil
7.4de grld gibi, UYSABM alcnn NFR deiimine karlk BER deerleri
YSA alcyla ayndr. Kullanc says deiimine karlk BER
1
deiimi de ekil
7.5de grlmektedir. UYSABM alcnn bu durumda da performans YSA alcyla
ayndr.

Uyarlanabilir
Yapay Sinir
Al Bulank
Mantk Sistemi
) (
1
i b
)
Kanal
k
r(t)
Uyumlu Filtre
(K.kullanc)

Uyumlu Filtre
(2.kullanc)

Uyumlu Filtre
(1.kullanc)
y
1
(i)

y
2
(i)

y
K
(i)

Sync 1

Sync 2

Sync K

106

ekil 7.2. Ezamanl K kullancl kanal iin alcdaki UYSABM
yaps.

ekil 7.3. Uyarlanabilir yapay sinir al bulank mantk sistemli
alc iin ezamanl TBGG kanalda 1. kullancnn
SNR deiimine karlk 1. kullancnn BER
performans.

giri
giri yelik
fonksiyonlar
Kural
VE
k yelik
fonksiyonlar k
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

107

alc iin ezamanl TBGG kanalda 2. kullancnn
performans.

alc iin ezamanl TBGG kanalda kullanc says
performans.

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

Kullanc says
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

108

Snml kanal iin SNR
1
deiimine karlk BER
1
deiimi ekil 7.6da
grlmektedir. Bu durumda UYSABM alc performans 10 dB SNR deerine kadar
YSA alc ile aynyken, artan SNR deerlerinde UYSABM alc eitiminde grlty
iermedii iin daha iyi performansa sahip olmaktadr. Snml kanal iin NFR
deiimine karlk BER
1
deiimi ekil 7.7de grlmektedir. Snml kanal iin
kullanc says deiimine karlk BER
1
deiimi de ekil 7.8de grlmektedir. Her
iki durumda da performans farknn fazla olmad 5 dB SNR deeri alndndan,
UYSABM ve YSA alclar ayn performansa sahip olmaktadr.

alc iin ezamanl snml kanalda 1. kullancnn
performans.

UYSABM alcnn kural says, eitimde kullanlan veri setindeki bit saysnn artna
bal olarak azalmakta, bu da hesap karmakln azaltmaktadr. Ancak bu durumda
da eitim sresi uzamaktadr. Eitim setindeki bit saysnn azalmasyla eitim sresi
ksalrken kural says artmakta, hesap karmakl artmaktadr. UYSABM alc
byk kullanc saylar iin pratik olmamaktadr.

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

109

performans.

performans.

1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

Kullanc says
1
.

K
u
l
l
a
n
n

B
E
R

d
e
e
r
i

8. BLM

SONULAR VE NERLER

KBE sisteminde tek kullancl alc yaplar yakn-uzak probleminden ve oklu eriim
giriiminden etkilendii iin, kullanc says arttnda bit hata oran artmaktadr. Bu
sebeple ok kullancl alc yaplar tercih edilmektedir. Optimum ok kullancl alc
yapsyla ok iyi sonu alnmakla birlikte bu yap pratik olarak uygulanamayacak kadar
hesap karmaklna sahiptir. Bu sebeple de ok kullancl alc yaplar zerinde
almalar bit hata orann azaltmakla birlikte hesap karmakln azaltan altoptimal
yntemler gelitirmek zerine olmaktadr. Yapay sinir a da hesap karmakln
azaltan yntemlerden biri olarak yaygn kullanma sahiptir. Bununla birlikte bulank
mantk sisteminin ok kullancl alc yapsnda kullanm ile ilgili fazla alma
yaplmamtr.

Bu tez almasnda yapay sinir ann ok kullancl alc yapsnda kullanlmasyla
daha dk bit hata oran salanmann yannda daha nceden yaplm almalara
kyasla daha az hesap karmaklna sahip alc yaplar hedeflenmitir. Bulank mantk
sistemi de ok kullancl alc yapsnda bit hata oran performansn artrmak iin
kullanlmtr. Her iki yntemin avantajl ynlerinin birletirilmesi dncesiyle de
uyarlanabilir yapay sinir al bulank mantk sisteminin ok kullancl alc yapsnda
kullanm denenmitir. nerilen alc yaplarnn performanslar ezamanl ve
ezamansz iletimler iin TBGG ve snml kanallarda incelenmitir.

Yapay sinir anda artan gizli katman ve dm saylar performans kk miktarlarda
iyiletirirken hesap karmakln fazlasyla artrmaktadr. Bu sebeple tezde kullanlan
yapay sinir anda, sadece bir gizli katman ve her bir katmanda
111
kullanc says kadar dm kullanlmtr. Ezamansz iletimde giri katmannda
kullanc saysnn kat kadar dm kullanlmtr. Yapay sinir ann eitim setinin
belirlenmesi ile ilgili olarak da ok sayda simlasyonlar yaplmtr. Farkl veri
uzunluklarnda ve deiik sinyal-grlt oranlarnda eitim seti kullanlarak sonular
deerlendirilmitir. Sinyal-grlt oran deerinin klmesi durumunda eitim ilemi
ok zor olmasna ramen a daha iyi eitilmektedir. Eitim setindeki deerlerin
azalmas eitimin yetersiz olmasna, oalmas da eitim ileminin uzamasna sebep
olmaktadr. Bu deerlendirmeler nda, eitim esnasndaki sinyal-grlt oran 10 dB
olarak seilmitir. Eitim setinin bykl ise kullanlan yapay sinir ana ve kanal
tipine gre deiik deerlerde alnmtr. Ezamanl 25 kullancl kanal iin tek kl
YSA kullanlarak 10000 bitlik eitim veri seti, ezamansz 15 kullancl kanal iin tek
kl YSA kullanlarak 6000 bitlik eitim veri seti, ok kl YSAnn kullanld
ezamanl 15 kullancl kanallarda 3000 bitlik eitim veri seti ve ezamansz kanallarda
500 bitlik eitim veri seti kullanlmtr.

ncelikle yapay sinir ann paralel giriim bastrma ve ardk giriim bastrma
teknikleriyle birlikte kullanmyla bit hata oran performansnn iyiletirilmesine
allmtr. Her iki giriim bastrma ynteminde de ilgili kullancnn bit tahmini
yaplrken, dier kullanclarn bit tahminlerinin doru yaplp yaplmad sonucu
etkileyen en nemli faktrdr. Bu yntemlerden nce nilem eleman olarak kullanlan
yapay sinir a tahmin ilemlerine daha doru balanmasn salam ve bit hata oran
performansn olduka iyiletirmitir. Bylece bir katl giriim bastrma sistemine ilave
edilen yapay sinir a ile ok katl giriim bastrma sisteminden daha iyi performans
salanmtr.

Sadece yapay sinir a ile daha az hesap karmaklna sahip alc yaps oluturulmas
ile ilgili simlasyon almalarnda yapay sinir ann eitimi esnasnda seilen eitim
setinin sonuta etkili olduu grlmtr. Bu nedenle yapay sinir ann kullanc veri
biti yerine kullanc iin var olan oklu eriim giriimini alglayacak ekilde eitimi
denenmitir. Eitim ilemi esnasnda bir n sistem ile her bir kullancnn uyumlu filtre
kndaki deerler iin oklu eriim giriimleri hesaplanarak yapay sinir a bu
deerlere gre eitilmitir. Simlasyon ileminde uyumlu filtre klarndan, yapay
sinir ann rettii oklu eriim giriimi deerleri karlarak ve sfr eiinden
geirilerek kullanc veri bit tahminleri yaplmtr. nerilen bu alc yaps ile veri bitini
112
alglamak zere eitilen ayn zelliklere sahip yapay sinir ana gre bit hata oran
performansnda byk iyileme salanmtr. Ancak yakn-uzak oran deiimine
karlk BER performans ok kararl olmamakla birlikte klasik YSAdan daha iyi
sonular salanmtr.

Bulank mantk sistemli alcda yelik fonksiyonlarnn karakteristikleri alcda
oluturulan eitim verisine gre kullanclarn uyumlu filtre klarndaki deerlerine
gre belirlenmektedir. Bu srete kullanc says iin mmkn olan btn
kombinasyonlarn dikkate alnd grltsz veri seti kullanlmaktadr. Bulank mantk
sistemli alc zellikle byk sinyal-grlt oran deerlerinde tek kullanc
performansna ok yakn performans gstermitir. yelik fonksiyonu
karakteristiklerinin belirlenmesinde grlt tanmlanmad iin azalan sinyal-grlt
oran deerlerinde performans iyiletirmesi azalmaktadr. yelik fonksiyonlarnn
karakteristiklerinin belirlenmesi esnasnda grltnn de sisteme ilave edilmesi
tanmlanan kural saysn artracandan grltsz tanmlama kullanlmtr. Bu
alcnn hesap karmakl yapay sinir a alcya gre daha fazladr. Ancak ezamanl
TBGG kanalda optimum alcya yakn performans gstermektedir ve optimum alcya
gre ilem sresi ok daha ksadr. Ayrca, belirlenen eitim setiyle bulank mantk
kurallarnn belirlenme sreci ok az zaman gerektirir. Yani yapay sinir a alcda belli
bir zaman gerektiren eitim sresi bu alc iin yok denecek kadar ksadr. Bundan
dolay kanal artlarnda nceden belirlenen deerlerde arzu edilmeyecek llerde
deime olduunda zaman geirmeden yelik fonksiyonlarnda deiiklikler
tanmlanarak kolaylkla uyarlanabilir alc yaps oluturulabilir. Bununla birlikte bu
alcnn iyi performans gsterebilmesi iin maruz kalaca kanal artlarnn btnyle
tanmlanmas gerekmektedir. Bundan dolaydr ki ezamansz kanalda her bir bit
tahmini iin ardk deerin kullanlmas gerektiinden, tanmlanmas gereken kural
says artmakta ve sistem karmakl arzu edilmeyecek boyutlarda olmaktadr.
Kurallarn tanmlanmas esnasnda yelik fonksiyonlarnn merkezini sinyal genliine
bal olan uyumlu filtre k deeri belirlemektedir. Bu sebeple rasgele genlik deiimi
salayan snml kanalda alnan uyumlu filtre k deerleri tanmlanan kural
aralklarn getiinden dolay snml kanaldaki performans TBGG kanaldaki kadar
iyi deildir.

113
Uyarlanabilir yapay sinir al bulank mantk sistemi alcda bulank mantk sistemi gibi
kullanlmtr. Ancak, bulank mantk sisteminin yelik fonksiyonlar ve kurallar eitim
verisine bal olarak uyarlanabilir yapay sinir al bulank mantk sistemi tarafndan
belirlenmektedir. Bu belirleme ilemi esnasnda kural saysn azaltabilmek iin eitim
verisine kmeleme ilemi uygulanmaktadr. Bundan dolay uyarlanabilir yapay sinir
al bulank mantk sistemi alcnn kural says bulank mantk sistemli alcya gre
daha az olmaktadr. Dolaysyla daha az hesap karmaklna sahip olmakla birlikte bit
hata oran performans bulank mantk sistemli alc kadar iyi deildir. Eitim verisinin
kmeleme ileminin bir zaman gerektirmesi nedeniyle bulank mantk sistemine kyasla
bir dezavantaj oluturmaktadr. Gereken bu zaman, yapay sinir ann eitim zamanna
kyasla kk kullanc saylarnda az olmakla birlikte byk kullanc saylarnda ok
olmaktadr. Bu alcyla ezamanl kanalda yapay sinir ann klasik kullanmyla ayn
hata oran performans salanmtr. Tanmlanan kural saysnn bulank mantk sistemli
alcda olduu gibi ezamansz kanalda fazla olmas nedeniyle ezamansz kanalda
hesap karmakl artmaktadr. Ayrca uyarlanabilir yapay sinir al bulank mantk
sisteminin eitimi esnasnda yaplan kmeleme ileminde seilen kme yarap ve
verinin grltl ya da grltsz olma durumunun alc performansn etkiledii
grlmtr. Kullanc saysnn mmkn btn kombinasyonlarn ieren sayda
grltsz veri ile yaplan eitim durumunda daha iyi performans salanmtr. Ancak,
bu durumda eitim sresi fazla uzamaktadr. Kme yarapnn kk seilmesi de
performans artrrken kural saysnn artmasna sebep olarak alcnn hesap
karmakln da artrmaktadr.

Bu tez almasnda yapay sinir ann KBE sisteminin ok kullancl alc yapsnda
paralel giriim bastrma ve ardk giriim bastrma teknii ile birlikte kullanmnn yan
sra giriim alglayc olarak kullanm incelenmitir. ok kullanc yaps bulank
mantk sistemi ve ayrca uyarlanabilir yapay sinir al bulank mantk sistemi ile
gerekletirilmitir. Bu almada nerilen yaplarda alclar kanal artlarna
uyarlanabilir olmayan tarzda kullanlmtr. Daha sonraki yaplacak almalarda bu
yaplarn uyarlanabilir tarzda gerekletirilmesi dnlebilir. Bu almada maksimum
olaslk fonksiyonunun optimize edilmesi yoluyla kullanclara ait veri bit tahminlerinin
yaplabildii zeki algoritmalar denenmemitir. Bu amala tabu aratrma, genetik,
karnca kolonisi vb. algoritmalar kullanlarak KBEde ok kullancl alcnn daha az
114
hesap karmakl ve daha iyi bit hata oran performans ile oluturulmas zerine
allabilir.
KAYNAKLAR

1. Peterson, R.L., Ziemer, R.E., Borth, D.E., Introduction to Spread-Spectrum
Communications, Prentice Hall,1995.
2. Feher, K., Wireless Digital Communications (Modulation and Spread Spectrum
Applications), Prentice Hall,1995.
3. Glover, I., Grant, P., Digital Communications, Prentice Hall,1997.
4. Gagliardi, R.M., Introduction to Communications Engineering, John Wiley and
Sons,1988.
5. Haykin, S., Digital Communications, John Wiley and Sons, 1988.
6. Verdu, S., Multiuser Detection, Cambridge University Press, 1998.
7. Prasad, R., Ojanpera, T., A Survey on CDMA: Evolution Towards Wideband
CDMA, Proc. of the 5. IEEE International Symposium on Spread Spectrum
Techniques and Applications, 1, 323-331, 2-4 Sept. 1998.
8. Guoqiang, X., Weng, J., Ngoc, T.L., Tahar S., Multiuser Detection Techniques
(An Overviev), Technical Report, Department of Electrical and Computer
Engineering, Concordia University, 1998.
9. Verdu, S., Minimum Probability of Error for Asynchronous Gaussian Multiple-
Access Channels, IEEE Trans. Inform. Theory, 32 (1), 85-96, 1986.
10. Wong, Y., Optimum Multiuser Detector for Asynchronous CDMA , Spread
Spectrum and CDMA Course Project, University of Florida, Department of
Electrical and Computer Engineering, 2000.
11. Merikallio, M., Optimum Multiuser Detection, Licentiate Course on Signal
Processing in Communications, Helsinki University of Technology, Networking
Laboratory, Department of Electrical and Communications Engineering, 1997.
12. Ulukus, S., Yates, R.D., Optimum Multiuser Detection Is Tractable for
Synchronous CDMA Systems Using M-sequences, IEEE Communications
Letters, 2 (4), 89-91, 1998.
13. Lupas, R., Verdu, S., Linear Multiuser Detectors for Synchronous Code-Division
Multiple-Access Channels, IEEE Trans. Inform. Theory, 35 (1), 123-136, 1989.
14. Lupas, V., Verdu, S., Near-Far Resistance of Multiuser Detectors in
Asynchronous Channels, IEEE Trans. On Commun., 38 (4), 496-508, 1990.

116
15. Xie, Z., Short, R.T., Rushforth, C.K., A Family of Suboptimum Detectors for
Coherent Multiuser Communications, IEEE J. Sel. Areas in Commun., 8 (4), 683-
690, 1990.
16. Lokio, J., Suboptimal Multiuser Detectors, Licentiate Course on Signal
Processing in Communications, Helsinki University of Technology, Networking
Laboratory, Department of Electrical and Communications Engineering, 1997.
17. Kovintavewat, P., Kiranantawat, T.A., MMSE Linear Multiuser Detection for a
DS-CDMA System, Technical Report, Georgia Institute of Technology, Atlanta,
2000.
18. Chen, S., Samingan, A.K., Mulgrew, B., Hanzo, L., Adaptive Minimum-BER
Linear Multiuser Detection for DS-CDMA Signals in Multipath Channels, IEEE
Transactions on Signal Processing, 49 (6), 12401247, 2001.
19. Latva-Aho, M., Juntti, M., Modified Adaptive LMMSE Receiver for DS-CDMA
Systems in Fading Channels, Proc. of the 8. IEEE International Symposium on
Personal, Indoor and Mobile Radio Communications (PIMRC '97), 2, 554-558,
1997.
20. Li-Chung, C., Mitra, U., Trellis-Based Multiuser Detection for DS-CDMA
Systems in Mismatched Asynchronous Flat-Fading Channels, Proc. of the IEEE
Wireless Communications and Networking Conference (WCNC), 3, 1134-1138,
1999.
21. Elders-Boll, H., Schotten, H.D., Busboom, A., Implementation of Linear
Multiuser Detectors for Asynchronous CDMA Systems by Linear Multi-Stage
Interference Cancellation, Proc. of the IEEE International Conference on
Acoustics, Speech and Signal Processing, 6, 3225-3228, 1998.
22. Mitra, U., Poor, H.V., A Projection Based Decorrelating Detector for
Synchronous CDMA Communication, Proc. of the 28. Annual Conference on
Information Sciences, Princeton, 1004-1009, 1994.
23. Sayeed, A.M., Sendonari, A., Aazhang, B., Multiuser Detectors for Fast-Fading
Multipath Channels, Conference Record of the Thirty-First Asilomar Conference
on Signals, Systems & Computers, 1, 603-608, 1997.
24. Shakkottai, S., Waghollkar, S., Performance of Linear Multiuser Receivers with
Random and Optimal Spreading Sequences for Spread-Spectrum Systems,
117
Technical Report, Electrical and Computer Engineering, University of California,
Santa Barbara, 2000.
25. Varanasi, M.K., Aazhang, B., Multistage Detection in Asynchronous Code
Division Multiple-Access Communications, IEEE Trans. on Commun., 38, 509-
519, 1990.
26. Kohno, R., Psudo-Noise sequences and Interference Cancellation Techniques for
Spread Spectrum Systems-Spread Spectrum Theory and Techniques in Japan,
IEICE Trans. E74 (5), 1083-1092, 1991.
27. Duel-Hallen, A., Decorrelating Decision-Feedback Multiuser detector for
Synchronous Code-Division Multiple-Access Channel, IEEE Trans. on Commun.,
41, 285-290, 1993.
28. Patel, P., Holtzman, J., Analysis of a Simple Successive Interference Cancellation
Scheme in a DS/CDMA System, IEEE J. Sel. Areas in Commun., 12, 796-807,
1994.
29. Cho, Y., Lee, J.H., Analysis of an Adaptive SIC for Near-Far Resistant DS-
CDMA, IEEE Trans. On Commun., 46 (11), 1429-1432, 1998.
30. Shikh-Bahaei, M.R.,Aghvami, A.H., Ghorashi, A., Ali-Akbarian, N., A Statistical
Processing Approach to Interference Cancellation in W-CDMA Systems, IEICE
Trans. on Commun., E83-B (8), 1619-1630, 2000.
31. Buehrer, R.M., Equal BER Performance in Linear Successive Interference
Cancellation for CDMA Systems, IEEE Trans. on Commun., 49 (7), 1250-1258,
2001.
32. Ghotbi, M., Soleymani, M.R., Multiuser Detection of DS-CDMA Signals Using
Partial Parallel Interference Cancellation in Satellite Communications, IEEE J.
Sel. Areas in Commun., 22 (3), 584-593, 2004.
33. Xue, G., Weng, J., Ngoc, T.L., Tahar, S., Adaptive Multistage Parallel
Interference Cancellation for CDMA, IEEE J. Sel. Areas in Commun., 17 (10),
1815-1827, 1999.
34. Yoon, J., Doherty, J.F., A Fast Adaptive Receiver for Interference Suppression in
DS-CDMA Systems, Proc. of the IEEE Military Communications Conference
(MILCOM1999), 2, 821825, 1999.
35. Divsalar, D., Simon, M.K., Raphaeli, D., Improved Parallel Interference
Cancellation for CDMA, IEEE Trans. On Commun., 46 (2), 258-268, 1998.
118
36. Correal, N.S., Buehrer, R.M., Woerner, B.D., A DSP-Based DS-CDMA Multiuser
Receiver Employing Partial Parallel Interference Cancellation, IEEE J. Sel. Areas
Commun., 17 (4), 613-630, 1999.
37. Guo, D., Rasmussen,L.K., Sun, S., Lim, T.J., A Matrix-Algebraic Approach to
Linear Parallel Interference Cancellation in CDMA, IEEE Trans. Commun., 48
(1), 152-161, 2000.
38. Nahler, A., Irmer, R., Fettweis, G., Reduced and Differential Parallel Interference
Cancellation for CDMA Systems, IEEE J. Sel. Areas Commun., 20 (2), 237-247,
2002.
39. Lars, K.R., Teng, J.L., Johanson, A.L., A Matrix-Algebraic Approach to
Successive Interference Cancellation in CDMA, IEEE Trans. on Commun., 48
(1), 145-151, 2000.
40. Yang, M.H., Chen, J.L., Cheng, P.Y., Successive Interference Cancellation
Receiver with Neural Network Compensation in the CDMA Systems, Conference
Record of the Thirty-Fourth Asilomar Conference on Signals, Systems and
Computers, 2, 14171420, 2000.
41. Joutsensalo, J., Pajunen, P., Blind Symbol Learning Algorithms for CDMA
System, Proc. of the IEEE Neural Network World Congress on Computational
Intelligence, 1, 152-155, 1998.
42. Joutsensalo, J., Ristaniemi, T., Learning Algorithms for Blind Multiuser Detection
in CDMA Downlink, Proc. of the 9. IEEE International Symposium on Personal,
Indoor and Mobile Radio Communications, 3, 1040-1044, 1998.
43. Ristaniemi, T., Joutsensalo, J., Novel Scheme for Blind Symbol Separation in
CDMA Downlink, Proc. of the Thirty-Second Asilomar Conference on Signals,
Systems & Computers, 2, 1853-1857, 1998.
44. Aktas, E., Mitra, U., Blind Channel Estimation for Multi-User CDMA Systems,
Proc. of the IEEE International Conference on Communications (ICC 98), 2,
1064-1068, 1998.
45. Juntti, M.J., Schlosser, T., Lilleberg, J.O., Genetic Algorithms for Multiuser
Detection in Synchronous CDMA, Proc of the IEEE Int. Symp. Inf. Theory, 492,
1997.
119
46. Wang, X.F., Lu, W.S., Antonio, A., A Genetic Algorithm for Multiuser Detector
for Multiple Access Communications, Proc. of the IEEE Int. Symp. on Circuit and
Systems (ISCAS98), 4, 534-537, 1998.
47. Ergun, C., Hacioglu, K., Multiuser Detection Using a Genetic Algorithm in
CDMA Communications Systems, IEEE Trans. Commun., 48 (8), 1374-1383,
2000.
48. Abedi, S., Tafazolli, R., Genetic Multiuser Receiver for Code Division Multiple
Access Communications, Electron Lett., 36, 1957-1958, 2000.
49. Yen, K., Hanzo, L., Genetic Algorithm Assisted Multiuser Detection in
Asynchronous CDMA Communications, Proc. of the IEEE Int. Conf. on
Commun., 3, 826830, 2001.
50. Abedi, S., Tafazolli, R., Genetically Modified Multiuser Detection for Code
Division Multiple Access Systems, IEEE J. Sel. Area Comm., 20, 463-473, 2002.
51. Shayesteh, M.G., Menhaj, M.B., Nobary, B.G., A Modified Genetic Algorithm for
Multiuser Detection in DS/CDMA Systems, IEICE Trans. Commun., E86B,
2377-2388, 2003.
52. Li, C.G., Liao, X.F., Yu, J.B., Tabu Learning Method for Multiuser Detection in
CDMA Systems, Neurocomputing, 49, 411-415, 2002.
53. Tan, P.H., Rasmussen, L.K., Tabu Search Multiuser Detection in CDMA, Proc. of
Radio Science and Commun. Conf., Stockholm, Sweden, 744-748, 2002.
54. Tan, P.H., Rasmussen, L.K., A Reactive Tabu Search Heuristic for Multiuser
Detection in CDMA, Proc. of the IEEE Int. Symp. Inform. Theory, Switzerland,
472, 2002.
55. Aazhang, B., Paris, B.P., Orsak, G.O., Neural Networks for Multiuser Detection
in Code-Division Multiple-Access Communications, IEEE Trans. on Commun.,
40 (7), 1211-1222, 1992.
56. Mitra, U., Poor, H.V., Neural network Techniques for Multi-user Demodulation,
Proc. of IEEE International Conference on Neural Networks, 3, 1538-1543, 1993.
57. Mitra, U., Poor, H.V., Neural network Techniques for Adaptive Multi-user
Demodulation, IEEE J. Sel. Areas in Commun., 12 (9), 1460-1470, 1994.
58. Mitra, U., Poor, H.V., Adaptive Receiver Algorithms for Near-Far Resistant
CDMA, IEEE Trans. on Communications, 43 (2), 17131724, 1995.
120
59. Kechriotis, G.I., Manolakos, E.S., Comparison of a Neural Network Based
Receiver to the Optimal and Multistage CDMA Multiuser Detectors, Proc. of the
5. IEEE Workshop on Neural Networks for Signal Processing, 613622, 1995.
60. Chen, D.C., Sheu, B.J., Berger, T.W., A Compact Neural Network Based CDMA
Receiver for Multimedia Wireless Communication, Proc. of IEEE International
Conference on Computer Design: VLSI in Computers and Processors (ICCD '96),
99103, 1996.
61. Chen, D.C., Sheu, B.J., A Compact NeuralNetwork-Based CDMA Receiver,
IEEE Trans. on Circuits and Systems II: Analog and Digital Signal Processing, 45
(3), 384387, 1998.
62. Singh, N., Takawira, F., A Neural Network and Extended Kalman Filter Based
Adaptive Multiuser Receiver for CDMA Systems, Proc. of the IEEE Conf.
(AFRICON1996), 1, 414418, 1996.
63. El-Khamy, S.E., Abdou, H.E.D.M., Neural Matched Filter Detection in
Synchronous Code-Division Multiple-Access (CDMA) Systems, Proc. of the 13.
National Radio Science Conference (NRSC '96), 259271, 1996.
64. El-Khamy, S.E., Abdou, H.E.D.M., Neural Network Matched Filter Receivers for
CDMA Systems, Proc. of the 4. IEEE International Symposium on Spread
Spectrum Techniques and Applications, 3, 10241028, 1996.
65. Yoon, S.H., Rao, S.S., High Performance Neural Network Based Multiuser
Detector in CDMA, Proc. of the IEEE International Conference on Acoustics,
Speech and Signal Processing (ICASSP-97), 4, 3357-3360, 1997.
66. He, G., Kot, A.C., A New Adaptive Neural Network Multiuser Detector in
Synchronous CDMA Systems, Proc. of the IEEE Int. Conf. on Acoustics, Speech
and Signal Processing (ICASSP-97), 4, 3333-3336, 1997.
67. Chen, D.C., Sheu, B.J., Fang, W.C., A Neural Network Based CDMA Detector
with Robust Near-Far Resistance, Proc. of IEEE Int. Symposium on Circuits and
Systems (ISCAS '97), 3, 2120-2123, 1997.
68. Tanner, R., Cruickshank, D.G.M., RBF Based Receiver for DS-CDMA with
Reduced Complexity (ISSSTA1998), Sun City, South Africa, 647-651, 1998.
69. Valadon, C., Tafazolli, R., A Fast Adaptive Multiuser Detector for DS-CDMA
Communications Based on an Artificial Neural Network Architecture, Proc. of the
121
5. IEEE Int. Symposium on Spread Spectrum Techniques and Applications, 3,
873877, 1998.
70. Weng, J.F., Leung, S.H., Lau, W.H., Bi, G.G., A New Neural Network Based
Multiuser Detector in Impulse Noise, Proc. of IEEE Int. Conf. on
Communications (ICC '96), 1, 541545, 1996.
71. Teich, W.G., Seidl, M., Nold, M., Multiuser Detection for DS-CDMA
Communication Systems Based on Recurrent Neural Network Structures, Proc. of
the 5. IEEE International Symposium on Spread Spectrum Techniques and
Applications, 3, 863867, 1998.
72. Ibikunle, F., Zhong, Y., Probabilistic Neural Networks for MultiUser Detection
in Code Divisional Multiple Access Communication Channels, Proc. of the IEEE
International Joint Conference on Neural Networks, 3, 2557-2560, 1998.
73. Das, K., Morgera, S.D., Adaptive Interference Cancellation for DS-CDMA
Systems Using Neural Network Techniques, IEEE J. Sel. Areas in Commun., 16
(9), 17741784, 1998.
74. Khoshbin, H., Ghomash, H., Ormondroyd, R.F., An Adaptive Neural Network
Receiver for CDMA Multi-User Interference Cancellation in Multipath
Environments, Proc. of IEEE Military Communications Conference
(MILCOM98), 3, 767771, 1998.
75. Khoshbin, H., Ghomash, H., Ormondroyd, R.F., Dunn, R.W., Low Complexity
Neural Network Structure for Implementing the Optimum Maximum-Likelihood
Multi-User Receiver in a DS-CDMA Communication System, Proc. of the IEEE
Vehicular Technology Conference, 2, 643-647, 1999.
76. Chang, P.R., Hu, J.T., Narrow-Band Interference Suppression in Spread-Spectrum
CDMA Communications Using Pipelined Recurrent Neural Networks, IEEE
Trans. on Vehicular Technology, 48 (2), 467477, 1999.
77. Ibnkahla, M., Applications of Neural Networks to Digital Communications: A
Survey, Signal Processing, 1185-1215, 2000.
78. Cances, J.P., Meghdadi, V., Multiuser Detection for DS-CDMA Transmission
Systems Using Neural Network Techniques, Proc. of the 9. DSP Workshop on
DSP for Communications, 2000.
122
79. Ghosh, R., Neural Networks for Multiuser Detection in Code-Division Multiple-
Access Communications, Project Report, Department of Electrical and Computer
Engineering, University of Florida, 2000.
80. Jeney, G., Levendovszky, J., Imre, S., Pap, L., Comparison of Different Neural
Network Based Multi-User Detectors, Proc. of the 6. Open European Summer
School of European Network of Universities and Companies in Information and
Communication Engineering (EUNICE2000), Eschende, 117-123, 2000.
81. Shayesteh, M.G., Amindavar, H., DBNN, FDNN, Discriminative Learning, and
Back-Propagation Neural Networks in DS/CDMA Systems, Proc. of the IEEE
International Joint Conference on Neural Networks (IJCNN2000), 5, 343-347,
2000.
82. Chen, S., Samingan, A.K., Hanzo L., Support Vector Machine Multiuser Receiver
for DS-CDMA Signals in Multipath Channels, IEEE Trans. on Neural Networks,
12 (3), 604-611, 2001.
83. Chen, S., Samingan, A.K., Hanzo, L., Adaptive Multiuser Receiver Using a
Support Vector Machine Technique, Proc. of the IEEE Semiannual Vehicular
Technology Conference (VTC2001), 1, 604-608, 2001.
84. Tanaka, T., Performance Analysis of Neural CDMA Multiuser Detector, Proc. of
the IEEE International Joint Conference on Neural Networks (IJCNN'01), 4, 2832
2837, 2001.
85. Chuah, T.C. Sharif, B.S., Hinton, O.R., Robust CDMA Multi-User Detection
Using a Neural-Network Approach, IEEE Trans. on Neural Networks, 13 (6),
1532539, 2002.
86. Shayesteh, M.G., Amindavar,H., Performance Analysis of Neural Network
Detectors in DS/CDMA Systems, AEU-International Journal of Electronics and
Communications, 57 (3), 220-236, 2003.
87. Neng, W., Baoyu, Z., Weiping, Z., A Blind Multiuser Detector Based on Neural
Network, Proc. of International Conference on Communication Technology
(ICCT'98), 2, 5, 1998.
88. Miyajima, T., Ueno, T., Yamanaka K., A Blind Adaptive Receiver Using a
Multilayer Neural Network for DS/CDMA Systems, Proc. of ISPACS'99, Phuket,
465-468, 1999.
123
89. Fantacci, R., Mancini, L., Marini, M., Tarchi, D., A Neural Network-Based Blind
Multiuser Receiver for DS-CDMA Communication Systems, Wireless Personal
Commun., 27 (3), 195-213, 2003.
90. Hottinen, A., Self-Organizing Multiuser Detection, Proc. of the 3. IEEE
International Symposium on Spread Spectrum Techniques and Applications
(ISSSTA'94), 1, 152156, 1994.
91. Sung, H.Y., Rao, S.S., Multiuser Detection in CDMA Based on the Annealed
Neural Network, Proc. of the IEEE International Conference on Neural Networks,
4, 21242129, 1996.
92. Sung, H.Y., Rao, S.S., Annealed Neural Network Based Multiuser Detector in
Code Division Multiple Access Communications, Proc. of IEE Communications,
147 (1), 5762, 2000.
93. Wang, B., He, Z., Nie, J., To Implement the CDMA Multiuser Detector by Using
Transiently Chaotic Neural Network, IEEE Trans. on Aerospace and Electronic
Systems, 33 (3), 10681071, 1997.
94. Wang, B., Nie, J., He, Z., A Transiently Chaotic Neural-Network Implementation
of the CDMA Multiuser Detector, IEEE Trans. on Neural Networks, 10 (5),
12571259, 1999.
95. Zhong, W., Cheng, S., Multiuser Detection Using Time-Varying Scaling-
Parameter Transiently Chaotic Neural Networks, Electronics Letters, 35 (12),
987989, 1999.
96. Zhong, W., Cheng, S., Multi-User Detection in DS/CDMA Systems Based on
Modified Transiently Chaotic Neural Network, Proc. of the IEEE Conference on
Wireless Communications and Networking (WCNC1999), 1, 7174, 1999.
97. Citko,W., Luksza, A., Sienko, W., Chaos Generators for CDMA Communication
Using Neural Networks, Proc. of the IEEE International Joint Conference on
Neural Networks (IJCNN2000), 5, 354-358, 2000.
98. Kechriotis, G.I., Manolakos, E.S., A Hybrid Digital Computer-Hopfield Neural
Network CDMA Detector for Real-Time Multi-User Demodulation, Proc. of the
99. Kechriotis, G., Manolakos, E.S., A Hybrid Digital Signal Processing-Neural
Network CDMA Multiuser Detection Scheme, IEEE Trans. on Circuits and
Systems II: Analog and Digital Signal Processing, 43 (2), 96104, 1996.
124
100. Kechriotis, G.I., Manolakos, E.S., Hopfield Neural Network Implementation of
the Optimal CDMA Multiuser Detector, IEEE Trans. on Neural Networks, 7 (1),
131141, 1996.
101. Sankaran, C., Ephremides, A., Multiuser Detection for CDMA Applications
Using A Hopfield Neural Network, Proc. of the Conference on Information
Sciences and Systems (CISS), Princeton, 1998.
102. Jeney, G., Levendovszky, J., Imre, S., Pap, L.,Comparison of Different Neural
Network Based Multi-user Detectors, EUNICE 2000 (European Network of
Universities and Companies in Information and Communication Engineering) 6th
Open European Summer School, Eschende, 117-123, September, 2000.
103. Kechriotis, G., Manolakos, E.S., Comparison of a Neural Network Based
Receiver to the Optimal and Multistage CDMA Multiuser Detectors, Proc. of the
104. Soujeri, E., Bilgekul, H., Hopfield Neural Network and Viterbi Decoding for
Asynchronous MC-CDMA Communication Systems, Proc. of the 12.
International Conference on Microelectronics, Tehran, 215-218, Oct.31-Nov.2,
2000.
105. Hagan, M.T., Demuth, H.B., Beale, M., Neural Network Design, PWS Publishing
Company, 1996.
106. Levenberg, K., A Method for the Solution of Certain Problems in Least Squares,
Quart. Appl. Math., 2, 164-168, 1944.
107. Marquardt, D., An Algorithm for Least-Squares Estimation of Nonlinear
Parameters, SIAM Journal on Appl. Math., 11, 431-441, 1963.
108. Jang, J., Ha, K., Seo, B., Lee, S., Lee, C.W., A Fuzzy Adaptive Multiuser
Detector in CDMA Communication Systems, Proc. of IEEE International
Conference on Communications (ICC98), 3, 1784-1788, 1998.
109. imek, ., Ertrk, S., oklu Eriim Sistemlerinde Bulank Mantk Temelli Alc
Yaps, Sinyal leme ve letiim Uygulamalar Kurultay (SU2004), Kuadas,
343-346, 2004.
110. imek, ., CDMA, Decorrelating Detector, Conventional Detector, Fuzzy
Adaptive Detector, Multiuser Detection (MUD), LMS, RLS, ANFIS, Fuzzy Logic
System, Deniz Harp Okulu Yksek Lisans Tezi, 2004.
125
111. Naidoo, C., Van Rooyen, P.G.W., A Fuzzy Logic Interference Suppression
Algorithm for DS-SS Communications, Proc. of the South African Symposium on
Communications and Signal Processing (COMSIG'98), 47-50, 1998.
112. Bas, J., Neira, A.P., Fuzzy Median Filter for CDMA Detection in Non-Gaussian
Channels, Proc. of the 54. IEEE Vehicular Technology Conference (VTC2001-
Fall), 2, 1210-1214, 2001.
113. Bas, J., Neira, A.P., Lagunas, M.A., Fuzzy Recursive Symbol-by-Symbol
Detector for Single User CDMA Receivers, Proc. of IEEE International
Conference on Acoustics, Speech, and Signal Processing (ICASSP'01), 2, 305-
1308, 2001.
114. Huang; Y.F., Wen, J.H., Adaptive Fuzzy Interference Cancellation for CDMA
Communication Systems, Proc. of 51. IEEE Vehicular Technology Conference
(VTC2000-Spring), 2, 1120-1124, 2000.
115. Tseng, S.M., Zheng, Y., Hsu, Y.T., Chang, M.C., Fuzzy Adaptive Parallel
Interference Cancellation and Vector Channel Prediction for CDMA in Fading
Channels, Proc. of IEEE International Conference on Communications
(ICC2002), 1, 252-256, 2002.
116. Wen, J.H., Huang, Y.-F., Fuzzy-Based Adaptive Partial Parallel Interference
Canceller for CDMA Communication Systems Over Fading Channels, Proc. of
the IEE Communications, 149, 111-116, 2002.
117. Sugeno, M., Industrial Applications of Fuzzy Control, Elsevier Science Pub. Co.,
1985.
118. Zadeh, L. A., Fuzzy Logic Toolbox Users Guide, Berkeley, CA., 1995.
119. Kasko, B., Neural Networks and Fuzzy Systems, Prentice Hall, 1992.
120. Jang, J.S.R., Sun, C.T., Mijutani, E., Neuro-Fuzzy and Soft Computing: A
Computational Approach to Learning and Machine Intelligence, Prentice Hall,
1997.
121. Ik, Y., Tapnar, N., Kod Blmeli oklu Eriim Sisteminde ok Kullancl
Sezme leminin Yapay Sinir A ile Gerekletirilmesi, Elektrik-Elektronik-
Bilgisayar Mhendislii Sempozyumu (ELECO2002), Bursa, 212-216, Aralk
18-22, 2002.
122. Ik, Y., Tapnar, N., Kod Blmeli oklu Eriim Sisteminde Ardk Giriim
Bastrma Tekniinin Yapay Sinir A Yardm ile Uygulanmas, 11. Sinyal leme
126
ve letiim Uygulamalar Kurultay (SU2003), stanbul, 715-718, Haziran 18-20,
2003.
123. Ik, Y., Tapnar, N., Multi User Detection in CDMA by Parallel Interference
Cancellation Realized with Neural Network, The 12. Turkish symposium on
Artificial Intelligence and Neural Networks (TAINN2003), anakkale, 106-113,
Temmuz 02-04, 2003.
124. Ik, Y., Tapnar, N., Parallel Interference Cancellation with Neural Network in
the CDMA Systems, International Conference on Electrical and Electronics
Engineering, Bursa, Electronic: 321-325, December 3-7, 2003.
125. Ik, Y., Tapnar, N., Parallel Interference Cancellation Based on Neural Network
in CDMA Systems, IEICE Trans. Commun., E88-B (2), 800-806, 2005.
126. Ik, Y., Tapnar, N., Realization of The Multi-User Detection in Code Division
Multiple Access by Fuzzy Inference System, The 13. Turkish symposium on
Artificial Intelligence and Neural Networks (TAINN2004), zmir, 155-164, June
10-11, 2004.
127. Ik, Y., Tapnar, N., Multi-User Detection in Code Division Multiple Access
with Adaptive Neuro-Fuzzy Inference System, accepted for publication in Journal
of Information Science And Engineering, 2005.
128. Ik, Y., Tapnar, N., Fuzzy Inference System for Multiuser Detection in CDMA
Systems, accepted for publication in IEICE Transaction on Communications,
2006.

127

ZGEM

1964 ylnda Silifkede dodu. lk okulu Mersinde, orta okulu ve liseyi Silifkede
tamamlad. 1981 ylnda balad Gazi niversitesi Mhendislik-Mimarlk Fakltesi
Elektronik Mhendislii Blmnden 1985 ylnda mezun oldu. 1986 ylnda ayn
blmde Haberleme ana bilim dalnda aratrma grevlisi olarak almaya balad.
1988 ylnda Hacettepe niversitesi Fen Bilimleri Enstits Elektronik ana bilim
dalnda Yksek Lisans eitimini tamamlad. 1990 ylnda Erciyes niversitesi Kayseri
Meslek Yksek Okulu Elektronik Haberleme Programnda retim grevlisi olarak
greve balad. 1999 ylnda Erciyes niversitesi Fen Bilimleri Enstits Elektronik ana
bilim dalnda doktora eitimine balad. Halen Erciyes niversitesi Kayseri Meslek
Yksek Okulundaki grevine devam etmektedir.

Adres: Erciyes niversitesi Kayseri Meslek Yksek Okulu, 38039, Kayseri
Tel: 437 49 01- 40 726
Faks: 437 52 67
e-mail: isiky@erciyes.edu.tr

Aglari Ve Bulanik Mantik Kullanimi The Use of The Neural Network and The Fuzzy Logic For Multi User Detection in The Code Division Multiple Access Systems

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Aglari Ve Bulanik Mantik Kullanimi The Use of The Neural Network and The Fuzzy Logic For Multi User Detection in The Code Division Multiple Access Systems

Diunggah oleh

Hak Cipta:

Format Tersedia

T.

Anda mungkin juga menyukai