Uzaysal Modülasyonda Anten Seçimi: Makine

Öğrenmesi Yaklaşımı
Antenna Selection on Spatial Modulation: A
Machine Learning Approach

Selen Gecgel, Caner Goztepe, Güneş Karabulut Kurt

Telsiz Haberleşme ve Araştırma Laboratuvarı (THAL)
Elektrik-Elektronik Fakültesi
İstanbul Teknik Üniversitesi, İstanbul, Türkiye
{gecgel16, goztepe, gkurt}@itu.edu.tr

Özet—5. nesil ve ötesi kablosuz haberleşme sistemlerinde
hata performansı iyileştirilirken enerji ve spektral verimlilik
kıstaslarının sağlanması hedeflenmektedir. Masif çok girişli çok
çıkışlı uzaysal modülasyon (MIMO-SM) sistemleri, özellikle enerji
ve spektral verimlilik gereksinimlerini sağlaması bakımından yeni
nesil iletişim sistemlerinde aday teknolojilerden biri olarak gö-
rülmektedir. Öklid uzaklığı tabanlı vericide anten seçimi (EDAS)
yaklaşımı ile masif MIMO-SM sistemlerinin hata performansı ge-
liştirilebilmesi bu düşünceyi kuvvetlendirmektedir. Bu bildiride,
masif MIMO-SM sistemi ilk kez gerçek zamanlı test ortamında
gerçeklenmiştir. Sistemin hata performansını iyileştirmek için
optimum yöntemden daha düşük karmaşıklığa sahip makine
öğrenmesi tabanlı vericide anten seçimi yaklaşımı önerilmiş ve
önerilen metot benzetim ve gerçek zamanlı ortamlarda test
edilmiştir. Yapılan çalışma sonucunda, gerçek zamanlı sistemler
açısından en yakın komşuluk (k-NN) algoritmasının uygulanabi-
lirliği gösterilmiştir.
Anahtar Kelimeler—Uzaysal modülasyon, anten seçimi, SDR,
makine öğrenmesi, k-NN.
Abstract—In 5G and beyond wireless communication systems,
energy and spectral efficiency requirements should be satisfied
while improving the error performance. Massive multiple input
multiple output spatial modulation (MIMO-SM) systems are con-
sidered to be one of the candidate technologies for next-generation
communication systems in terms of providing energy and spectral
efficiency requirements. Error performance of massive MIMO-
SM systems can be improved with Euclidean distance based
antenna selection (EDAS), which strengthens this idea. In this
paper, massive MIMO-SM systems are implemented for the first
time in a real-time environment. In order to improve the error
performance of the system, a machine learning based approach
for transmitter antenna selection that has lower complexity than
the optimal method. The designed system was on simulation and
real-time environments. As a result of the study, in real-time
systems nearest neighborhood (k-NN) algorithm’s practicality has
been demonstrated.
Keywords—Spatial modulation, antenna selection, SDR, mac-
hine learning, k-NN.
iletişim sistemlerine katkı sağlamak maksadı ile literatüre pek
çok çalışma kazandırılmaktadır. İletişim teknolojilerinin kulla-
nım alanlarının çeşitlenmesi ile birlikte büyük veri kümeleri
oluşmakta, hızlı gelişen teknolojiler sonucunda oluşan büyük
veri kümeleri üstel bir artış göstererek insan gücü ile yo-
rumlanması oldukça güç olan veri yığınlarına dönüşmektedir.
Bu noktadan hareketle 5G ve ötesi mobil iletişim sistemle-
rinde, büyük veri kümelerinin makine öğrenmesi teknikleri ile
kullanıcı taleplerini karşılamak ve deneyimlerini geliştirmek
amacıyla kullanımı hedeflenmektedir.
Yeni nesil haberleşme sistemleri için oldukça umut verici
uzaysal modülasyon (SM) tekniğinin masif çok girişli çok
çıkışlı (MIMO) sistemler ile uygulanması sonucu spektral ve
enerji verimliliklerinin çok daha yüksek seviyelere çıkması
sağlanmaktadır [1]. SM sistemlerinin performansını artırmak
için verici anten seçimi (TAS) ilk olarak [2]’de araştırılmıştır.
İki TAS yöntemi önerilmiştir: kapasite (COAS) ve Öklid
uzaklığını temel alan anten seçimi (EDAS). EDAS metodu,
COAS metoduna kıyasla daha iyi hata performansı gösterir-
ken beraberinde yüksek karmaşıklık getirmiştir. Literatürdeki
diğer çalışmalar incelendiğinde verici anten seçimi yapılarak
iletişim sistemlerinin hata performansını iyileştirebileceği [3],
[4], yüksek enerji verimliliği [5] ve kapasite [6] ihtiyaçlarının
karşılanabileceği gösterilmiştir. [3]’te yazarlar Öklid uzaklığı
tabanlı anten seçimi (EDAS) ile aynı hata performansını sağ-
layan düşük karmaşıklığa sahip bir sistem sunmuştur. [4]’de
verici anten seçimi için düşük karmaşıklığa sahip bir metot
sunulmuş ve bahsedilen metot ile sistemin hata performansının
klasik MIMO sistemlere nazaran daha başarılı olduğu göste-
rilmiştir. Enerji verimliliğini geliştirmek üzere, [5]’te arama
teknikleri tabanlı farklı verici anten seçim yaklaşımları ortaya
konmuştur. [6]’da vericide seçilen anten sayısını azaltmayı ve
ortalama hızı maksimize etmeyi amaçlayan iki farklı verici
anten seçim algoritması sunulmuştur. [7]’de genelleştirilmiş
uzaysal modülasyon için yeni bir verici anten gruplama şeması
önerilmiş ve sistem performansının geliştirildiği gösterilmiştir.

I. G İR İ Ş Bu çalışmada masif MIMO-SM sistemlerinde verici anten

seçimi çok sınıflı sınıflandırma problemi olarak tanımlan-
5G ve ötesi mobil iletişim sistemleri ile yüksek seviyeli mış ve uygun makine öğrenmesi yöntemi kullanılarak sistem
kullanıcı taleplerini karşılamanın yanı sıra daha etkin ve güve- karmaşıklığının azaltılabileceği gösterilmiştir. Önerilen metot,
nilir bir iletişimin sunulması hedeflenmektedir. Gelecek nesil yazılım tabanlı radyo (SDR) düğümleri üzerinde test edilmiş

Authorized licensed use limited to: ULAKBIM UASL - Karaelmas Universitesi. Downloaded on April 06,2021 at 18:51:01 UTC from IEEE Xplore. Restrictions apply.
 Tablo I: Uzaysal Modülasyon Avantajları ve Dezavantajları
Avantajlar Dezavantajlar
Yüksek veri hızı Çok hızlı anten anahtarlama isteği
Basit alıcı tasarımı Darbe şekillendirmede zaman kısıtlaması
Basit verici tasarımı Bütün kanal bilgilerinin ihtiyacı
Daha az güç tüketimi Yönlendirilmiş beamforming kısıtlaması
Spektral verimlilik artışı En az 2 alıcı anten sayısı ihtiyacı

sezme işlemi ile elde edilen i ve s değerleri:

√
(ĩ, s̃)M L = arg min ky − ρhi sk22 . (1)
i∈L, s∈S

Burada x vericiden gönderilen işareti, ρ her alıcı antendeki

Şekil 1: Dörtlü anten grubu için SM işaret şeması.
ve gerçek zamanlı sistem koşullarında masif MIMO-SM sis-
temlerin, makine öğrenmesi algoritmaları ile uygulandığında
yeni nesil teknolojilerden beklenen kriterleri sağlayabileceği
görülmüştür.
II. G ENEL B İLG İLER
A. Uzaysal Modülasyon
Tek taşıyıcılı uzaysal modülasyon (SM-MIMO), anahtar-
lama yardımıyla çalışan ve vericide tek bir RF zinciri kul-
lanılarak MIMO sistem tasarımının gerçekleştirilebildiği ol-
dukça verimli bir teknik olarak ön plana çıkmaktadır [1]. SM-
MIMO’nun önemli avantaj ve dezavantajları Tablo I’de göste-
rilmektedir [8]. SM-MIMO’da bilgi bitleri, modülasyon bitleri
(log2 M ) ve anten bitleri (blog2 Nt c) olmak üzere iki parçaya
ayrılmaktadır. Modülasyon bitleri tercih edilen herhangi bir
sayısal modülasyon yöntemi ile modüle edilebilmektedir. Bu
çalışmada sayısal modülasyon yöntemi olarak sıklıkla tercih
edilen QAM kullanılmaktadır. Anten bitleri ise kullanılacak
antenin indis bilgisini taşımaktadır. Verici tarafındaki anten
sayısına göre gönderilecek anten bitleri belirlenmektedir. An-
ten bitlerine göre seçilen antenden, modülasyon bitlerine göre
oluşturulmuş modüle edilmiş işaret iletilmektedir. Böylelikle
MIMO bir sistem oluşturulmakta ve kodlama kazancı elde
edilmektedir. Uzaysal modülasyona ait işaret şemaları Şekil
1’de gösterilmektedir.
SM-MIMO sistemde alıcı tarafta en büyük olabilirlikli
sezme işlemi yardımıyla, sinyalin gönderildiği antenin indis
bilgisi ve modülasyon işareti elde edilmektedir [8]. Modülas-
yon sembollerinin kümesi S = {s}M 1 , verici antenlerin indis
kümesi L = {i}1Nt , modüle edilmiş işaret s ve kullanılan anten
i olmak üzere, kanal durum bilgisinin (CSI) alıcıda kayıp-
sız olarak bilindiği varsayımı altında maksimum olabilirlikli
ortalama sinyal-gürültü oranını ve y alıcıda alınan işareti temsil
etmektedir. Nt , verici anten sayısı; Nr , alıcı anten sayısı ve M ,
modülasyon derecesi olmak üzere SM-MIMO sisteminde anlık
iletilebilecek bit sayısı m:
m = blog2 (Nt × M )c bpcu. (2)
SM-MIMO sistemini hata performansını iyileştirmek için li-
teratürde farklı yaklaşımlar sunulmuştur. Genel MIMO sis-
temlerinde de sıklıkla başvurulan anten seçimi (AS) yaklaşımı
SM-MIMO için de hata performansı açısından uygun bir se-
çenek olarak görülmektedir. Hata başarımını geliştirmek ama-
cıyla optimum yöntem; kanal durum bilgisi altında semboller
arası uzaklığın norm karesini hesaplayan anten seçim yöntemi
EDAS’dır [3]
 
ϕEDAS = arg max min kHϕ (x1 − x2 )k22 (3)
ϕ∈Υ s1 6=s2 ∈S
AS hata performansında iyileşme sağlamasına karşın, spektral
verimlilik anlamında kayıp oluşturmaktadır. AS yapılabilmesi
için SM-MIMO sistemindeki Nt , en az iki gruba ayrılmakta
ve en az 1 bpcu kayba sebebiyet vermektedir. Grup sayısının
ve dolayısıyla bpcu kaybının arttırılmasına karşın, AS ile hata
performansının iyileşmesi sağlanmaktadır.
B. En Yakın Komsuluk Algoritması (k-NN)
En yakın komşuluk algoritması, sınıflandırma ve regresyon
için kullanılan parametrik olmayan, denetimli bir öğrenme
yöntemidir. t0 test örneği olmak üzere, k-NN sınıflandırıcı
ilk olarak en yakın K komşu veri örneğini tespit eder ve test
verisinin herhangi bir sınıflara ait olma ihtimalini hesaplar.
X
1
P r(V = j|T = t0 ) = K I(vc = j) (4)
c∈N0
Burada N0 test verisine en yakın K komşu veri örneğinin
sınıflarını içeren küme, j sınıf bilgisini göstermektedir. k-
NN sınıflandırıcı, t0 test gözlemini en yüksek olasılıklı sınıfa
sınıflandırır.
III. S İSTEM TASARIMI
A. Veri Kümesinin Oluşturulması
k-NN algoritmasının eğitim ve test aşamalarında kullanıl-
mak üzere benzetim ve gerçek zamanlı sistemler kullanılarak
her biri için 3’er adet olmak üzere 6 farklı veri kümesi
oluşturulmuştur. Tüm veri setleri Öklid uzaklığı tabanlı anten
seçimi yaklaşımına göre etiketlenmiştir. Benzetim yöntemiyle
elde edilen veri seti: 1 milyon eğitim verisi, 1 milyon test
verisinden oluşmaktadır. Gerçek zamanlı masif MIMO sistemi

Authorized licensed use limited to: ULAKBIM UASL - Karaelmas Universitesi. Downloaded on April 06,2021 at 18:51:01 UTC from IEEE Xplore. Restrictions apply.
 Kanal Durum Bilgisi

Makine Öğrenmesi
Algoritması

Anten I
İndis

Kanal
Seçimi
Bilgi Uzaysal y Maksimum
Bitleri Modülasyon Olabilirlikli
sm
Karar Verici
QAM
Modülasyonu

Alıcı

Şekil 2: Makine öğrenmesi yaklaşımı ile uzaysal modülasyon verici anten seçimi sistem modeli.

Tablo II: Sistem Parametreleri
Taşıyıcı Frekansı 2.2 GHz
Modülasyon Çeşidi 4-QAM
Verici Kazancı 5, 10, 15 dB
Alıcı Kazancı 0 dB
Nt 16
Nr 2 50 MHz ile 2.2 GHz aralığındadır. Bu çalışmada iki farklı
Subset 2, 4, 8
Mesafe 3 metre
IQ Rate 2 MS
üzerinden oluşturulan veri kümesi: 5 milyon eğitim, 5 mil-
yon test verisinden meydana gelmektedir. Her grup bağımsız
olarak SM yapmak üzere 16 adet iletim anteni 2, 4 veya 8’li
gruplara ayrılmıştır. İletim seçilen anten grubunun ilgili anteni
üzerinden sağlanmıştır. Her bir grup için kanal durum bilgisi
toplanarak veri kümesinde özellik olarak tanımlanmıştır.
B. Gerçek Zamanlı Masif MIMO-SM Sistemi
Önerilen test sisteminde, SDR düğümü olarak vericide
sekiz adet ikişer RF zincirli USRP-2943R (Universal Software
Radio Peripheral) ve alıcıda iki RF zincire sahip USRP-
2940 cihazları kullanılmıştır. Yazılım olarak grafiksel program-
lama dillerinden olan ve USRP cihazları ile iletişimi oldukça
verimli gerçekleştiren LabVIEW tercih edilmiştir. Vericideki
16 kanalın donanımsal anlamda senkronizasyonunu sağlamak
amacıyla referens saat üreten “NI PXIe-6674T Synchroniza-
tion Module” ve bütün cihazlara bu saat bilgisini paylaştıran
“CDA-2990 eight-channel clock distribution module” cihaz-
ları kullanılmaktadır. Alıcıda USRP-2940 cihazı kendi içeri-
sinde senkronizasyon işlemini yapmaktadır. Alıcı ve vericideki
USRP cihazlarının yönetimi genellikle aynı bilgisayar üzerin-
den kontrol edilebilmektedir. Temel bantta tasarlanan herhangi
bir haberleşme sistemi, USRP ile donanımsal kısıtlamalar
altında istenilen taşıyıcı frekansında ve bant genişliğinde ger-
çek zamanlı olarak çalıştırılabilmektedir. Sistem parametreleri
Tablo II’de gösterilmektedir.
USRP temel olarak lokal osilatöre, sayısal sinyal işlemenin
gerçekleştirildiği FPGA’ya, analog ve sayısal dönüştürücülere
(ADC ve DAC) ve alçak geçiren süzgeçlere sahiptir. Mo-
düler yapısı nedeniyle USRP farklı amaçlar için kolaylıkla
değerlendirilebilmektedir. Testlerde kullanılan USRP 2943R
modeli; en fazla 16 bit örnekleme aralığında ve 40 MHz bant
genişliğinde kullanılabilmekte, 1.2 GHz ile 6 GHz frekans
aralığında çalışmakta ve en fazla 20 dBm gücünde sinyal
üretebilmektedir. USRP 2940 modelinin ise çalışma frekansları
cihaz için uygun görülen çalışma frekansı 2.2 GHz olarak
belirlenmiştir.
Gerçek zaman testlerinin yaygın problemi, alıcı ve verici
arasındaki senkronizasyon zorluğudur. Alıcı ve verici arasında
çeşitli nedenlerle ortaya çıkan taşıyıcı frekans kayması (CFO)
ve örnek zaman kayması (STO) sorunu, iletilen sinyale belirli
sıklıklarla yerleştirilen pilot dizileri yardımıyla giderilebilmek-
tedir [9]. Bu çalışmada [8]’de detaylandırıldığı üzere tasarlanan
sistem kullanılmıştır.
Genel anlamdaki SM sisteminde tek bir RF zinciri kulla-
nılmasına rağmen test amacıyla önerilen sistemde anahtarlama
yerine farklı RF zincirleri kullanılmaktadır. İletimde kullanılan
anten sayısı 16 olmasına rağmen, anten seçimi nedeniyle
antenden iletilen bit sayısı 4 yerine 2 olarak belirlenmiştir
ve bu nedenle anten bilgisi ile iletilen 2 biti ifade eden 4
farklı anten seçeneği oluşturulmuştur. Modülasyon yöntemi
olarak tek taşıyıcılı olarak oluşturulan sistemde QAM tercih
edilmiştir. Anten seçimi, makine öğrenmesi yöntemiyle ger-
çekleştirilmiş ve hata performansını en iyileştiren yöntem olan
EDAS ile benzer başarım elde edilmiştir. Testlerde kullanılan
gerçek zaman sistemi Şekil 3’te görülmektedir.
IV. Ç ALI ŞMA S ONUÇLARI
Bu çalışmada masif MIMO sistemlerin hata performan-
sında oldukça etkili olan anten seçiminin k-NN makine öğ-
renmesi algoritması ile gerçek zamanlı ve benzetim test or-
tamlarındaki başarımı araştırılmıştır. Anten seçiminin hata
performansına etkisini gösteren benzetim sonuçları Şekil 4’te
görülmektedir. Benzetim ve gerçek zaman test sonuçlarına göre
hata performansında önemli bir metrik olan EDAS’a göre elde
edilmiş sonuçlarla, makine öğrenmesi yöntemi k-NN ile elde

Authorized licensed use limited to: ULAKBIM UASL - Karaelmas Universitesi. Downloaded on April 06,2021 at 18:51:01 UTC from IEEE Xplore. Restrictions apply.

Şekil 3: Test ortamı.
Şekil 4: Anten seçiminin hata performansına etkisi.
edilen sonuçların karşılaştırılması ile oluşturulmuş başarım
tablosu Tablo III’te verilmiştir.
Benzetim sonuçlarına göre grup sayısı arttıkça k-NN algo-
ritmasının başarımının azaldığı anlaşılmaktadır. Gerçek zaman
test sonuçlarına göre ise başarımın grup sayısıyla doğrusal bir
ilişkisi olmadığı ve k-NN algoritmasının gerçek zamanda mü-
Authorized licensed use limited to: ULAKBIM UASL - Karaelmas Universitesi. Downloaded on April 06,2021 at 18:51:01 UTC from IEEE Xplore. Restrictions apply.
Tablo III: 2, 4 ve 8’li anten grupları için k-NN algoritmasının
anten seçim sonuçları
Veri seti 8 Grup 4 Grup 2 Grup
Benzetim sonuçları 0.933258 0.98699 0.999508
Gerçek zamanlı sistem sonuçları 0.999931 0.993792 0.999453
kemmele çok yakın bir sonuç ortaya koyduğu görülmektedir.
Benzetim ile gerçek zaman sonuçlarının, grup sayısı arttıkça
farklılaşmasının en önemli sebebi, benzetim ortamındaki ka-
nal yapısının bağımsız ve aynı şekilde dağılmış olduğunun
öngörülmesidir. Ancak gerçek zaman test ortamında, kanalın
varyansının bağımsız ve aynı şekilde dağılmış bir kanal yapı-
sına göre daha az değiştiği ve bu nedenle elde edilen başarım
oranlarının mükemmele çok yakın olduğu anlaşılmaktadır.
V. S ONUÇ
Masif MIMO-SM sistemler, 5G ve ötesi haberleşme sis-
temlerinde ulaşılması hedeflenen enerji ve spektral verimlilik
ölçütlerini karşılayacak potansiyele sahip teknikler arasında
yer almaktadır. Bu bildiride verici anten seçimi ile masif
MIMO-SM sistemlerin performansını geliştirirken, sistemin
karmaşıklığını azaltmak için makine öğrenmesi tabanlı bir
yaklaşım öne sürülmüştür. Yöntemin optimum yöntem ile ne-
redeyse aynı performansa sahip iken daha düşük karmaşıklığa
sahip olması özelliğe ile klasik yöntemlere kıyasla gerçek
zamanlı sistemlerde uygulanabilirliğinin daha yüksek olduğu
gösterilmiştir.
B İLG İLEND İRME
Bu araştırma çalışması, TÜBİTAK 1160179 numaralı proje
tarafından desteklenmektedir.
K AYNAKLAR
[1] S. Uluocak and E. Başar, “Spatial modulation for multi-user massive
mimo systems,” in 2017 25th Signal Processing and Communications
Applications Conference (SIU), May 2017, pp. 1–4.
[2] R. Rajashekar, K. V. S. Hari, and L. Hanzo, “Antenna selection in spatial
modulation systems,” IEEE Communications Letters, vol. 17, no. 3, pp.
521–524, March 2013.
[3] Z. Sun, Y. Xiao, P. Yang, S. Li, and W. Xiang, “Transmit antenna
selection schemes for spatial modulation systems: Search complexity
reduction and large-scale mimo applications,” IEEE Transactions on
Vehicular Technology, vol. 66, no. 9, pp. 8010–8021, Sep. 2017.
[4] K. Ntontin, M. D. Renzo, A. I. Perez-Neira, and C. Verikoukis, “A low-
complexity method for antenna selection in spatial modulation systems,”
IEEE Communications Letters, vol. 17, no. 12, pp. 2312–2315, December
2013.
[5] H. Li, L. Song, and M. Debbah, “Energy efficiency of large-scale multiple
antenna systems with transmit antenna selection,” IEEE Transactions on
Communications, vol. 62, no. 2, pp. 638–647, February 2014.
[6] Y. Ni, W. Zhang, and M. Chen, “Antenna subset selection in mu large-
scale mimo systems,” in 2013 International Conference on Wireless
Communications and Signal Processing, Oct 2013, pp. 1–5.
[7] W. Qu, M. Zhang, X. Cheng, and P. Ju, “Generalized spatial modulation
with transmit antenna grouping for massive mimo,” IEEE Access, vol. 5,
pp. 26 798–26 807, 2017.
[8] N. Serafimovski, A. Younis, R. Mesleh, P. Chambers, M. Di Renzo, C.-X.
Wang, P. M. Grant, M. A. Beach, and H. Haas, “Practical implementation
of spatial modulation,” IEEE Trans. Veh. Technol., vol. 62, no. 9, pp.
4511–4523, 2013.
[9] C. Goztepe and G. K. Kurt, “The impact of out of band emissions: A
measurement based performance comparison of uf-ofdm and cp-ofdm,”
Physical Communication, 2019.