Data-Driven Techniques for Joint Information-Power-Transfer and Joint Communication-Sensing Systems. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Elrashidy_MSc_thesis_Data_Driven_Techniques_for_Joint_Information_Power_Transfer_and_Joint_Communication_Sensing_Systems (1).pdf - Accepted Version Restricted to Repository staff only until 7 May 2025. Download (1MB)

Arabic Abstract

تستقصي هذه الأطروحة مدى قدرة الذكاء الصناعي وأدواته على تصميم أنظمة الاتصالات اللاسلكية الحديثة والمستقبلية الواعدة، وذلك عن طريق حساب بعض عوامل تلك الأنظمة التي تعين على توزيع الموارد اللاسلكية بشكل فعال. تركز هذه الأطروحة على دراسة نوعين من الأنظمة اللاسلكية متعددة المدخلات-متعددة المخرجات (م.م.م.م). محطات الإرسال في كلا النظامين تتطلب أداء مهمتين بشكل متناسق. النوع الأول من الأنظمة يعنى بالاتصالات مع توفير قدر من الطاقة للمستخدمين، والنوع الثاني من الأنظمة يقوم بدوري الاتصال والاستشعار معا. نقدم في الجزء الأول هذا البحث خوارزمية تدريب باستعمال قاعدة بيانات كاملة التصنيف لحساب معاملات نقل المعلومات والطاقة المشتركة في النظام الأول، كما نقوم في الجزء الثاني من هذا البحث بدراسة نماذج التدريب غير المراقبة (أي باستعمال قاعدة بيانات غير مصنفة) لحل مسألة تصميم المتجهات الشعاعية في أنظمة الاتصالات والاستشعار اللاخلوية. تفيد نتائج البحث بأن الطريقتين المقترحتين قادرتان على ما يلي: أولا: حققت طريقة التدريب كاملة الرقابة نتائج متقاربة مع نتائج حل الأمثلية المحدبة. ثانيا: تثبت النتائج أن ما اقترحناه من طريقة التدريب غير المراقبة ناجع في تصميم الأنماط الإشعاعية المناسبة لتحري أداء متوازنا بين الاتصال والاستشعار. طرق الذكاء الصناعي التي نقدمها في هذا البحث واعدة من حيث قدرتها على العمل في الظروف الواقعية لقدرتها على حساب المطلوب في فترة زمنية أقصر بكثير مما قد تستغرقه خوارزميات الأمثلة التقليدية.

English Abstract

This work explores the capabilities of machine learning tools to design system parameters and resource allocations for some next generation promising technologies in wireless networks. We consider co-located MIMO and cell-free MIMO wireless systems, where the corresponding base stations are required to perform two tasks. To that end, two types of base stations are considered; base stations that jointly perform communication and power transfer, and base stations that jointly perform communication and sensing. We propose a fully supervised training algorithm for deep learning models to predict allocation parameters for joint information and power transfer given a certain beamforming scheme. Also, we investigate unsupervised training paradigms to optimize beamforming vectors for integrated communication and sensing (ISAC) cell-free MIMO systems. Results show that the proposed supervised DL approach successfully learns to generate power allocation parameters, for a joint information and power transfer MIMO system, that are close to the solution of the corresponding convex optimization solver tool, CVX, with a maximum mean square error (MSE) of -47.14 dB. On the other hand, the unsupervised DL approach successfully achieves a balanced, jointly-maximized, sensing and communication performance in cell-free ISAC systems. The main advantage of the DL approaches is to replace the time-consuming CVX solvers in real-time scenarios.

Item Type:	Thesis (Masters)
Subjects:	Computer Engineering Electrical
Department:	College of Engineering and Physics > Electrical Engineering
Committee Advisor:	Masood, Mudassir
Committee Co-Advisor:	Nasir, Ali
Committee Members:	Zerguine, Azzedine and Iqbal, Naveed and Al-Ghadhban, Samir
Depositing User:	MOHAMMED ELRASHIDY (g201629520)
Date Deposited:	08 May 2024 07:21
Last Modified:	08 May 2024 07:21
URI:	http://eprints.kfupm.edu.sa/id/eprint/142843