@PhdThesis{dbt_mods_00069748,
  author = 	{Vilas Boas, Brenda},
  title = 	{Applications of artificial intelligence and machine learning to the physical layer of wireless communications},
  year = 	{2026},
  month = 	{Apr},
  day = 	{16},
  address = 	{Ilmenau},
  keywords = 	{Funknetz; K{\"u}nstliche Intelligenz; Maschinelles Lernen},
  abstract = 	{K{\"u}nstliche Intelligenz und maschinelles Lernen (KI/ML) geh{\"o}ren zu den Schl{\"u}sseltechnologien f{\"u}r die n{\"a}chste Generation der drahtlosen Kommunikation, die sechste Generation (6G). Das gro{\ss}e Interesse an der Einf{\"u}hrung von KI/ML in allen Schichten des Mobilfunknetzes wurde durch die Verf{\"u}gbarkeit ausreichend gro{\ss}er Datens{\"a}tze motiviert, die es KI/ML-Algorithmen erm{\"o}glichen, effektive L{\"o}sungen zu finden, insbesondere wenn kein genaues Modell oder keine bekannte L{\"o}sung f{\"u}r das betrachtete Problem vorhanden ist. Die Einbindung von KI/ML-Algorithmen in das drahtlose Netzwerk erfordert {\"A}nderungen im Design des Netzwerks sowie seiner Kommunikationsprotokolle. Daher haben Standardisierungsgremien wie das 3rd Generation Partnership Project (3GPP) und das Open Radio Access Network (O-RAN) damit begonnen {\"u}ber ein KI/ML-basiertes Radio Access Network (RAN) nachzudenken. Angesichts dieser Situation leistet diese Dissertation einen Beitrag zur Entwicklung von KI/ML-L{\"o}sungen f{\"u}r die Kanalsch{\"a}tzung und Kanalvorhersage. Dies sind typische Aufgaben der physikalischen Schicht (PHY), die sich auf den Benutzerdurchsatz auswirken k{\"o}nnen, da die Auswahl der Vorverzerrer (oder Strahlformer) von der Erfassung der Kanalzustandsinformationen (CSI) abh{\"a}ngt. Da 6G darauf abzielt, die Datenrate f{\"u}r den Endbenutzer zu verbessern und gleichzeitig die Energieeffizienz des Netzwerks zu erh{\"o}hen, ist es wichtig, die Leistung von Funktionen der physikalischen Schicht wie Kanalsch{\"a}tzung und Kanalvorhersage zu verbessern. Das Hauptziel dieser Dissertation ist es, KI/ML-Algorithmen f{\"u}r diese Funktionen der physikalischen Schicht vorzuschlagen, die eine gleichwertige oder bessere Leistung als herk{\"o}mmliche Optimierungsalgorithmen aufweisen, einschlie{\ss}lich einer reduzierten Rechenkomplexit{\"a}t oder Verarbeitungszeit. Dar{\"u}ber hinaus kombinieren wir auch traditionelle und KI/ML-L{\"o}sungen, um den leistungsst{\"a}rksten Algorithmus f{\"u}r die ausgew{\"a}hlten Funktionen der physikalischen Schicht zu entwickeln. In dieser Dissertation wird in jedem Kapitel eine andere L{\"o}sung entsprechend dem gegebenen Szenario und den Bereitstellungseinschr{\"a}nkungen vorgeschlagen und bewertet. Aufgrund der Vielseitigkeit von KI/ML-Algorithmen l{\"o}sen wir verschiedene Probleme mit demselben KI/ML-Algorithmus. Der Unterschied liegt in der Wahl des Eingabedatensatzes, der gew{\"u}nschten Ausgabe und ihrer Trainingsverfahren. Daher wird in jedem Kapitel dieser Dissertation die Gestaltung der entsprechenden KI/ML-L{\"o}sungen im Detail erl{\"a}utert. Aufgrund des Erfolgs von bedingten Generativen Adversarial Networks (cGANs) im Bereich der Bildverarbeitung f{\"u}r Aufgaben wie Rauschunterdr{\"u}ckung und Interpolation (oder Inpainting) schlagen wir vor, cGANs in zwei verschiedenen Szenarien der Mobilkommunikation einzusetzen. Erstens wird ein cGAN f{\"u}r die Kanalsch{\"a}tzung mit einer Antennenanordnung verwendet, f{\"u}r die nur ein Teil der Antennenelemente f{\"u}r die Kanalsch{\"a}tzung ber{\"u}cksichtigt wurde. Daher reduziert das cGAN den Bedarf an aufwendigen Hochfrequenz (RF) Empfangsmodulen verglichen mit einem vollst{\"a}ndig digitalen MIMO-System. Zweitens wird ein cGAN f{\"u}r die Kanalinterpolation innerhalb eines Ausbreitungsbereichs verwendet, unter Ber{\"u}cksichtigung der Position das engew{\"u}nschten endger{\"a}ts (UE) und der Funkkan{\"a}le einiger seiner benachbarten UEs. Die Funkkan{\"a}le der benachbarten UEs sind Vorwissen f{\"u}r die cGANs, welches {\"u}ber untrainierte neuronale Netze (UNNs) basiert auf den {\"u}bertragenen Pilotsequenzen erworben werden kann. Die UNNs f{\"u}hren eine Rauschunterdr{\"u}ckung der Kanalsch{\"a}tzungen auf der UE-Seite durch, und ihre Gewichte dienen dazu, die Datenmenge f{\"u}r die {\"U}bertragung der Kanalmessungen zu reduzieren. Dies ist aufgrund der geringen Komplexit{\"a}t der UNN-Architektur und ihrer Unterparametrisierung im Vergleich zur {\"U}bertragung aller nicht quantisierten Kanalkoeffizienten m{\"o}glich. Daher erm{\"o}glicht die Kombination von cGANs und UNNs eine starke Komprimierung des Overheads f{\"u}r die Daten{\"u}bertragung, da nach dem Training nur noch die Position des UEs an die Basisstation gesendet werden muss. Dar{\"u}ber hinaus hat der Erfolg von Long-Short Term Memory (LSTM) Neuronalen Netzen (NNs) bei Sequenz-zu-Sequenz-{\"U}bersetzungsaufgaben uns motiviert, diese f{\"u}r verschiedene Anwendungen einzusetzen. Wir verwenden LSTMs zur Rauschunterdr{\"u}ckung innerhalb eines Frameworks zur Sch{\"a}tzung der Mehrwegkomponenten (MPC)-Parameter sowie zur Kanalsch{\"a}tzung der quantisierten Signale aus niedrig aufgel{\"o}sten RF-Empf{\"a}ngermodulen und zur Kanalvorhersage, um Kanalsch{\"a}tzfehler durch eine zeitverz{\"o}gerte Vorverzerrung zu minimieren. Dar{\"u}ber hinaus kombinieren wir im Rahmen zur Sch{\"a}tzung der Mehrwegkomponenten (MPC)-Parameter Funktionsbl{\"o}cke, die herk{\"o}mmliche Algorithmen wie Unitary Tensor-ESPRIT verwenden, und KI/ML-Algorithmen, die die Genauigkeit der gesch{\"a}tzten Mehrwegkomponenten (MPC)-Parameter verbessern. Nach unseren Ergebnissen sind unsere vorgeschlagenen KI/ML-Algorithmen gr{\"o}{\ss}tenteils robust gegen{\"u}ber Rauschen und k{\"o}nnen die Komplexit{\"a}t sowie die Rechenzeit f{\"u}r die Ausf{\"u}hrung der KI/ML-Modellinferenz reduzieren, was die Leistung eines zuk{\"u}nftigen Mobilfunksystems verbessern wird. Daher wird diese Dissertation die Grundlage f{\"u}r die Standardisierung einer KI/ML basierten physikalischen Schicht f{\"u}r 6G und dar{\"u}ber hinaus liefern.},
  note = 	{Dissertation, Technische Universit{\"a}t Ilmenau, 2026},
  doi = 	{10.22032/dbt.69748},
  url = 	{https://www.db-thueringen.de/receive/dbt_mods_00069748},
  url = 	{http://uri.gbv.de/document/gvk:ppn:1968591133},
  url = 	{https://doi.org/10.22032/dbt.69748},
  file = 	{:https://www.db-thueringen.de/servlets/MCRFileNodeServlet/dbt_derivate_00071344/ilm1-202600008.pdf:PDF},
  language = 	{en}
}