Donanım doğrulamalı hibrit makine öğrenmesi ile akıllı DCO-OFDM Li-Fi sistemlerinde DC önyargısı optimizasyonu

Günlük Mekanlar için Işığa Dayalı İnternet

Odanızın ışıklarının sadece alanı aydınlatmakla kalmayıp aynı zamanda dizüstü bilgisayarınıza ve telefonunuza yüksek hızlarda film akışı yaptığını hayal edin. Bu, kablosuz veri için radyo dalgaları yerine ışığı kullanan bir teknoloji olan Li-Fi’nin vaadidir. Bu makale, Li‑Fi vericilerindeki ince ama kritik bir ayar düğmesini ele alıyor—veri sinyaline ne kadar sabit arka plan ışığı yani DC önyargısı eklenmesi gerektiğini—bunu akıllı makine öğrenmesi yöntemleri ve gerçek donanım testleri ile yaparak Li‑Fi’yi daha hızlı, daha verimli ve daha güvenilir hale getiriyor.

Işığın Wi‑Fi’dan Daha İyi Olmasının Nedenleri

Geleneksel Wi‑Fi, duvarlardan geçen, kalabalık frekans bantlarını paylaşan ve girişim ile güvenlik sorunlarına açık olabilen radyo dalgalarına dayanır. Buna karşılık Li‑Fi, cihazlardan veri göndermek için kızılötesini ve tavan lambalarından veri iletmek için görünür ışığı kullanır. Işık duvarlardan geçmediği için Li‑Fi bağlantısı doğal olarak tek bir oda ile sınırlanabilir; bu da girişimi azaltır ve gizliliği artırır. Ayrıca lisanssız ve geniş bir spektrumu kullanarak çok yüksek veri hızlarına izin verir. Bu, Li‑Fi’yi geleceğin 6G ağları, radyo emisyonlarının kısıtlandığı hastaneler ve aydınlatma ile yüksek hızlı bağlantının birlikte gerektiği her ortam için cazip bir seçenek yapar.

Sabit Parıltının Gizli Rolü

Birçok Li‑Fi sistemi, bir LED’in ışık çıkışına çok sayıda veriyi sıkıştırmak için DCO‑OFDM adı verilen bir teknik kullanır. Bu yöntemin ürettiği ham elektrik sinyali sıfırın hem üzerinde hem de altında salınır, ancak LED’ler yalnızca negatif olmayan ışık yoğunluğu ile parlar. Mühendisler bu yüzden tüm dalgayı yukarıya kaydırmak için sabit bir ofset—DC önyargısı—ekler ve kalan negatif kısımları keser. Önyargı çok küçükse negatif parçalar yoğun biçimde kesilir, bu da gürültü ve hatalara yol açar. Çok büyükse LED, veriye değil gereksiz parlaklığa güç harcar. Doğru nokta, sinyalin nasıl kodlandığı ve bağlantının ne kadar gürültülü olduğu gibi birkaç faktöre bağlıdır ve geleneksel optimizasyon yöntemleri değişen koşullara uyum sağlamakta yavaş veya zor olabilir.

Sistemi Kendi Kendine Ayarlamayı Öğretmek

Li‑Fi vericisinin en iyi önyargı düzeyini “öğrenmesi” için yazarlar, DCO‑OFDM sinyallerinin ayrıntılı bilgisayar simülasyonlarını kullanarak bir veri kümesi oluşturdular. Üretilen her sinyal için dalganın minimum ve maksimum değerleri, ortalama seviyesi, değişkenliği ve iletim sonrası hata oranı gibi basit sayısal özellikler hesaplandı. Bu özetler ile konstelasyon boyutu ve alt taşıyıcı sayısı gibi sistem ayarları, hatalar ile güç kullanımı arasında denge sağlayan ideal DC önyargısını tahmin etmek için eğitilen makine öğrenmesi modellerine girdi oluşturdu. Ekip, düzgün eğrilere uyum yapan klasik regresyon ile geçmiş benzer örneklere bakan K‑En Yakın Komşu (KNN) yöntemlerini harmanlayan birkaç hibrit yaklaşımı inceledi. Farklı kombinasyonları karşılaştırdılar ve her birinin tahmin ettiği önyargı değerlerinin gerçek optimum ile ne kadar uyumlu olduğunu standart doğruluk ölçüleriyle değerlendirdiler.

Bilgisayar Modellerinden Gerçek Donanıma

Simülasyonların ötesinde, araştırmacılar verici olarak yüksek parlaklıklı bir LED, alıcı olarak bir fotodiyot ve kısa iç mekan mesafesinde gerçek sinyalleri yakalamak için Arduino tabanlı bir devre kullanan küçük bir laboratuvar Li‑Fi bağlantısı kurdular. Aynı tür sinyal özellikleri bu donanım düzeninden çıkarıldı ve gerçek gürültüyü, kusurları ve çevresel etkileri yansıtan ikinci bir veri kümesi oluşturuldu. Yeniden eğitme yapmadan, simüle edilmiş verilerle öğrenilmiş makine öğrenmesi modellerinden gerçek ölçümler için en iyi DC önyargısını tahmin etmeleri istendi. Bu adım kritik öneme sahiptir; çünkü önceki birçok çalışma bilgisayar deneylerinde kalmış ve yöntemlerinin fiziksel dünyanın karışıklığıyla başa çıktığını göstermemiştir.

Geleceğin Li‑Fi Odaları için Daha Akıllı Önyargı Ayarı

Öne çıkan sonuç, polinomsal regresyonu KNN ile birleştiren hibrit bir modelin en doğru ve dayanıklı tahminleri ürettiğidir. Bu model, simülasyonlarda gerçek optimum ile yüksek uyum elde etti ve Arduino tabanlı Li‑Fi bağlantısına doğrudan uygulandığında güçlü performansını korudu. Pratikte bu, böyle bir modelle donatılmış bir Li‑Fi sisteminin koşullar değiştikçe doğru önyargı düzeyini otomatik olarak ayarlayabileceği, ışık israfını ve sinyal bozulmasını sürekli elle ayarlama gerektirmeden en aza indirebileceği anlamına gelir. Mevcut donanım testleri yalnızca kısa mesafeleri ve basitleştirilmiş iç mekan senaryolarını kapsasa da, yaklaşım tavan lambalarının sessizce kendini ayarladığı, hem günlük aydınlatma hem de güvenli yüksek hızlı veri sağlayan akıllı, kendi kendini optimize eden Li‑Fi ağlarına işaret etmektedir.

Atıf: Abdelhakim, E., Ragab, D.A., Abaza, M. et al. DC bias optimization in intelligent DCO-OFDM Li-Fi systems using hybrid machine learning with hardware validation. Sci Rep 16, 14658 (2026). https://doi.org/10.1038/s41598-026-49732-4

Anahtar kelimeler: Li-Fi, görünür ışık iletişimi, makine öğrenmesi, OFDM, kablosuz ağlar