الفهرس 
IntroductionOnly 14 pages are availabe for public view
 |  | from | 108 |  |  |
| | | from | 108 | | |
Abstract
”في الآونة الأخيرة، تم تنفيذ شبكات الهاتف المحمول من الجيل الخامس. والتى تهدف إلى أن يكون أسرع 100 مرة من شبكات الجيل الرابع الحالية. حيث تم دمج العديد من التقنيات في شبكة الجيل الخامس لتحقيق مجموعة متنوعة من الخدمات. تتضمن هذه التقنيات الشبكات المعرفة بالبرمجيات ، والشبكات فائقة الكثافة ، والمحاكاة الافتراضية لوظائف الشبكة ، والوصول المتعدد، والحوسبة الطرفية، والحوسبة السحابية. مما يدعم مجموعة واسعة من الخدمات والتقنيات التي تشمل الاتصالات الآلية الضخمة المحسنة، والموثوقية العالية للغاية، والنطاق العريض المتنقل، وزمن الوصول المنخفض، ومعدلات البيانات الأعلى. لدعم هذه التقنيات، يجب توافر عدد كبير من الأجهزة مما يؤدي إلى أن يصبح تصميم الشبكة أكثر تعقيدًا وأكثر استهلاكا للطاقة. تشير السنوات الأخيرة إلى أن استهلاك الطاقة داخل الأنظمة الضخمة متعددة المدخلات والمخرجات هو العنصر الأهم في تصميم وتشغيل أنظمة الاتصالات اللاسلكية لتقليل تكلفة تشغيل المحطات الأساسية ، وتوسيع النطاق حياة محطات المستخدم، فضلا عن الحفاظ على البيئة. ونتيجة لذلك، أصبحت كفاءة الطاقة ، هى مقياس التصميم الأكثر اعتماداً على نطاق واسع لأنظمة الاتصالات اللاسلكية التي تغطي الشبكة بأكملها من شبكة الوصول الراديوي والشبكة الأساسية والشبكة الطرفية وحصاد الطاقة. يستخدم أنظمة المدخلات والمخرجات المتعددة الضخمة عددًا كبيرًا من الهوائيات لتحقيق مكاسب تعدد الإرسال والتنوع المحتملة على حساب استهلاك طاقة الدائرة المتصاعدة في سلاسل الترددات الراديوية التي تنمو خطيًا مع عدد الهوائيات. بالإضافة إلى ذلك، هناك حاجة إلى سلاسل الإرسال والاستقبال المتعطشة للطاقة وتقنيات معالجة الإشارات المعقدة من أجل اتصالات أنظمة المدخلات والمخرجات المتعددة الضخمة الموثوقة للعمل بترددات عالية للغاية. لذلك تم استخدام تقنية تعلم الآلة. في هذه الأطروحة، نقدم نموذجًا مثاليًا لتوفير الطاقة لتقليل وموازنة استهلاك طاقة الشبكة ومن ثم تعزيز الكفاءة الطيفية وكفاءة الطاقة عبر الشبكات اللاسلكية الحالية. ويعد التعلم غير الخاضع للرقابة هو أفضل أسلوب لحل مشكلات التجميع واستشعار الطيف في أنظمة الاتصالات اللاسلكية. يعمل من تلقاء نفسه على تعلم الشبكة وحل المشكلة وبالتالي حل المشاكل الأكثر تعقيدا مقارنة بأنواع التعلم الأخرى. وقد بحثت العديد من الأعمال في استخدام التعلم العميق للتعامل مع المشكلات الصعبة داخل الطبقة المادية، بما في ذلك تكوين الشعاع. ويجري العمل حاليًا على تصميم أجهزة تشفير مسبقة هجينة باستخدام تقنيات التعلم العميق بتكلفة منخفضة واستهلاك منخفض للطاقة. لتحقيق أفضل أداء من حيث دقة وتعقيد أنظمة المدخلات والمخرجات المتعددة الضخمة في أنظمة الاتصالات اللاسلكية، تعد تقنية تشكيل الشعاع الهجين تقنية واعدة توفر مكاسب تعدد إرسال بمعدل بيانات مرتفع وتعزز الكفاءة الطيفية للنظام. في هذا الرسالة، تم اقتراح طريقة جديدة لمؤشر قوة الإشارة المستقبلة لتصميم تشكيل الشعاع الهجين لتكوين حزمة أنظمة المدخلات والمخرجات المتعددة الضخمة عبر التعلم العميق متعدد المهام الذي يقلل من ردود فعل معلومات حالة القناة مع تحقيق معدلات إجمالية شبه مثالية. يوجد طريقتان للتعامل مع مشكلة تشكيل الشعاع. حيث تم تصميم النموذج المقترح لتدريب محطة الارسال على البنية المثالية لمدخلات RSSI المستندة إلى تشكيل الشعاع بدون CSI. كما تم تقييم أداء معماريتي تشكيل الشعاع المقترحتين استنادًا إلى حساب الكفاءة الطيفية وكفاءة الشبكة الحاسوبيه ومعالجة وقت التشغيل وكفاءة الطاقة كمقاييس للأداء.وقد حققت طريقة Deep-HBF المقترحة أعلى اختبار وكفاءة طيفية صالحة بدقة 99.23% و99.03% على التوالي، عن طريق تقليل معدل التعلم إلى 1e-08. وقد بلغ وقت تشغيل Deep-HBF المقترح الى709.2914 ثانية. بينما حققت دقة Deep-AFP المقترحة كفاءات طيفية اختبارية وصالحة بدقة 95.64% و95.42% على التوالي، مع وقت تشغيل يبلغ 1425.864 ثانية. تفوق أداء Deep-AFP على PZF (Full CSI) بمقدار 5.75174416 من حيث SE. علاوة على ذلك، حقق Deep-HBF تحسنًا مذهلاً في الدقة حيث أظهر تحسنًا ملحوظًا بنسبة 4.89% مقارنة بالطرق الأخرى من حيث الدقة مقارنة بـ AFP-Net. من ناحية أخرى، تُظهر طريقةDeep-HBF لتشكيل الشعاع استخدامًا أكثر كفاءة للطاقة، مقارنةً بأساليب تشكيل الشعاع الأخرى. حيث يعمل طريقة ال Deep-HBF المقترحة على نقل متوسط 0.509667747 بت من البيانات لكل وات من استهلاك الطاقة. كما تجاوزت هذه الطريقة المقترحه Deep-HBF بمقدار 0.509352502 من حيث كفاءة الطاقة مقارنة بطريقة PZF (Full CSI) ، مما يجعله خيارًا مناسبًا في تطبيقات الاتصالات اللاسلكية حيث تعد كفاءة الطاقة عاملاً حاسماً. إلى أن شبكة Deep-AFP المقترحه أظهرت نطاقًا أعلى من التعقيد الحسابي مقارنة بالشبكات الأخرى مع وقت تشغيل متزايد قدره (803.7298 ثانية) مقارنة بأصغر وقت تشغيل لنهج HBF-Net. والجدير بالذكر أن كلتا الطريقتين تستخدمان نفس بنية الشبكة العصبية العميقة. ”