Multiple input multiple output (MIMO) systems consisting of multi-element antenna arrays at both the transmitter and the receiver is the key technology which meets the increasing demand for higher data rates (capacities). The capacity of MIMO systems are significantly affected by the quality of the channel state information (CSI). To obtain CSI at the transmitter, the time division duplex (TDD) mode which share the same carrier frequency in the downlink and the uplink can be exploited. The CSI in the downlink interval can be obtained from the uplink channel using reciprocity principal in TDD-MIMO system. However, the performance of a MIMO system can be affected due to channel impairments, especially in the fast fading scenarios in the case that the CSI obtained from the uplink is used in the downlink transmission. To overcome this difficulty, CSI for downlink is required to be updated. In the first part of this thesis, we study the performance of autoregressive (AR) modelling based MIMO channel prediction under varying channel propagation conditions. In the downlink, using the updated CSI provides better capacity improvement compared to the conventional method.Adaptive modulation and coding (AMC) based link adaptation is applied in MIMO-OFDM wireless system to select the best modulation and coding scheme (MCS). We propose an artificial neural network (ANN) framework as a machine learning technique for AMC. The ANN approach is compared with the k-nearest neighbour (k-NN) algorithm in frequency-flat and frequency-selective channels. Simulation results validate the implementation of the proposed neural network approach for AMC in both channel conditions, and show that the neural network technique outperforms k-NN algorithm especially in terms of PER and nearly the same spectral efficiency performance. Furthermore, the proposed ANN guarantees the selection of lower MCS index number which provides higher communication reliability as well. Consequently, AMC classifier can be chosen depending on the trade-off between PER (reliability) and spectral efficiency (data rate).

Verici ve alıcıda çok elemanlı anten dizilerinden oluşan çok girişli çok çıkışlı (Multiple Input Multiple Output, MIMO) sistemler daha yüksek veri hızları (kapasiteleri) için artan talebi karşılayan anahtar teknolojidir. MIMO sistemlerinin kapasitesi kanal durum bilgisinin (Channel State Information, CSI) kalitesinden önemli derecede etkilenir. CSI'yı vericide elde etmek için aşağı bağlantı ve yukarı bağlantıda aynı taşıyıcı frekansını paylaşan zaman bölmeli çift yönlü iletim (Time Division Duplex, TDD) modu kullanılabilir. TDD-MIMO sisteminde aşağı bağlantı aralığındaki CSI, karşıtlık prensibi kullanılarak yukarı bağlantı kanalından elde edilir. Ancak, MIMO sisteminin başarımı özellikle hızlı bozunum ortamlarında yukarı bağlantıdan elde edilen CSI'nın aşağı bağlantı iletiminde kullanılması durumunda kanal bozulmalarından dolayı etkilenir. Bu problemi ortadan kaldırmak için aşağı bağlantıda kullanılacak CSI'nın güncellenmesi gereklidir. Tezin ilk bölümünde, değişen kanal yayılım koşullarında öz bağlanımlı (Autoregressive, AR) modellemeye dayalı MIMO kanal tahmininin başarımı incelenmektedir. Aşağı bağlantıda tahmin edilen CSI'nın kullanılması, geleneksel metot ile karşılaştırıldığında daha iyi kapasite gelişimi sağlamaktadır.MIMO-OFDM sisteminde en iyi modülasyon ve kodlama şemasını (Modulation and Coding Scheme, MCS) seçmek için uyarlamalı modülasyon ve kodlamaya (Adaptive Modulation and Coding, AMC) uygulanmalıdır. Bu tezde, AMC için makine öğrenmesi tekniklerinden olan yapay sinir ağı (Artificial Neural Network, ANN) yapısı önerilmektedir. ANN yaklaşımı, frekansta düz ve frekansta seçici kanallarda k en yakın komşu (k-Nearest Neighbour, k-NN) algoritması ile karşılaştırılmaktadır. Simülasyon sonuçları, her iki kanal koşulunda, önerilen ağ yaklaşımının AMC için uygulanabilirliğini doğrulamaktadır ve özellikle paket hata oranı (Packet Error Rate, PER) türünden ANN tekniğinin k-NN algoritmasından daha iyi sonuçlar verdiğini ve yaklaşık aynı spektral verimlilik başarımına sahip olduğunu göstermektedir. Üstelik, önerilen ANN daha yüksek haberleşme güvenilirliği sağlayan, düşük MCS indeks numarası seçimini de garanti etmektedir. Sonuç olarak, AMC sınıflandırıcısı PER (güvenilirlik) ve spektral verimlilik (veri hızı) arasındaki ödünleşmeye bağlı olarak seçilebilmektedir.