Nesnelerin interneti ağları için semantik ses haberleşme sistemlerinin tasarımı ve geliştirilmesi
Design and development of semantic audio communication systems for iot networks
- Tez No: 1013857
- Danışmanlar: DR. ÖĞR. ÜYESİ BİLGE KARTAL ÇETİN, DOÇ. DR. ERKAN ZEKİ ENGİN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Anlamsal ağlar, Kablosuz iletişim, Nesnelerin interneti, Sayısal haberleşme, Semantic networks, Wireless communication, Internet of things
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Makine öğrenimi destekli kablosuz haberleşme sistemleri son yıllarda araştırmaların odak noktası haline gelmiştir. Bu iki alanın bir araya gelmesi, geleceğin ağları için öncül bir ilerleme potansiyeli sunmaktadır. Özellikle derin öğrenme destekli semantik haberleşme paradigması, geleneksel sistemlerin sınırlarını aşacak şekilde önemli araştırmalara konu olmuştur. Derin öğrenme modellerinin verilerden anlamsal (semantik) öznitelikleri çıkarmasını ve temsil etmesini sağlayan bu yaklaşımlar, semantik öznitelik oluşturma için katı matematiksel modellerin kullanımını ortadan kaldırmaktadır. Bununla beraber, semantik modeller, sinir ağlarının gelişmiş uyum sağlama kapasitesinden yararlanarak ve görev/hedef odaklı semantik kodlayıcı$-$kod çözücü oluşturarak, kaynak-kısıtlı nesnelerin interneti (IoT) cihazları için umut verici çözümler sunmaktadır. Bu gelişmelere rağmen, halen aşılması gereken çeşitli zorluklar bulunmaktadır. Mevcut yöntemlerin önemli bir bölümü, iletilecek bilginin sürekli-değerli semantik öznitelik vektörleriyle temsil edildiği temelde analog bir haberleşme yöntemini varsaymaktadır. Bu tasarım tercihi, günümüz standart dijital haberleşme aşamaları ile entegrasyonu güçleştirmektedir. Öte yandan, semantik modellerin öğrenme süreci, özellikle eğitim aşamasında hangi kanal koşullarının seçilmesi gerektiği bağlamında belirsizleşmekte ve bu durum modelin etkinliğini sınırlayabilmektedir. Bu durumların haricinde, mevcut semantik haberleşme modelleri genellikle metin veya görüntü iletimine dayalı olarak geliştirilmiştir. Tüm bu unsurlar, dijital semantik ses iletimini literatürde görece az incelenmiş bir alan olarak kalmasına yol açmaktadır. Bu tez kapmasında, Semantik Dijital Ses Haberleşme modeli önerilmiştir. Önerilen modelde verici, semantik enformasyonu çıkarıp sıkıştıran bir semantik enkoderden; alıcı ise sıkıştırılmış semantiklerden anlamsal bilgiyi yeniden oluşturan ve kaynağı sentezleyen bir semantik dekoderden oluşmaktadır. Dijital haberleşme süreçleriyle uyumluluk sağlaması adına da dijital verici ve alıcı modülleri tasarlanmıştır. Bunlara ek olarak, ortak tasarıma dayalı, gürültü-farkındalıklı bir semantik model eğitim yöntemi sunulmuştur. Bu strateji, modeli giderek artan gürültü seviyelerine sahip, kolaydan zora doğru düzenlenmiş bir eğitim müfredatına kademeli biçimde maruz bırakmakta ve aynı anda gürültüye-duyarlı uyarlanabilir bir öğrenme hızı uygulamaktadır. Farklı kanal koşulları altında yapılan kapsamlı ses iletimi bulguları, önerilen semantik dijital modelin daha düşük bir iletim yüküyle, daha yüksek algısal kalite sağladığını göstermektedir. Gürültü-farkında ortak tasarım tabanlı semantik model eğitim stratejisiyle birlikte, modelin ham-geleneksel haberleşme sistemlerine kıyasla üstün performans sergilediği ortaya konulmaktadır.
Özet (Çeviri)
Machine learning-empowered wireless communications have taken center stage over the last few years. The convergence of these two fields shows promising advancement for future networks. In particular, deep learning-enabled semantic communications have been explored significantly to surpass the limitations of conventional systems. By enabling neural networks to directly extract and represent meaning from data, these approaches circumvent the need for rigid mathematical models for semantic feature design and mapping. Furthermore, semantic models leverage the networks' advanced capacity for fitting to construct task/goal-oriented semantic encoders and decoders, enabling them to provide promising solutions for resource-constrained IoT devices. Alongside these developments, there are still several challenges that need to be addressed. Many existing methods assume an essentially analog form of transmission, where the information to be sent is represented as continuous‑valued semantic feature vectors. Nevertheless, this design choice complicates the integration with current standard digital communication chains. Moreover, the learning mechanism of the semantic models becomes ambiguous in the context of determining the appropriate channel conditions for the training phase, which could limit the model's effectiveness. Additionally, existing semantic communication models have been developed that generally rely on text or image transmission. These factors leave digital semantic speech transmission underexplored. To address these limitations, a Semantic Digital Speech Communication model is proposed. In this model, the transmitter comprises a semantic encoder, which extracts and compresses the semantic information, while a semantic decoder reconstructs the semantics and synthesizes the source from the latent representation at the receiver. Furthermore, digital transmitter and receiver modules are adopted in the model to enable compatibility with digital communication processes. In addition to these, a co-design noise-aware semantic communication training method is proposed. It strategically exposes the model to an easy-to-hard curriculum of increasingly noisy conditions while concurrently applying an adaptive, noise-aware learning rate. Extensive evaluations on speech transmission over various channel conditions demonstrate that the proposed semantic digital model achieves higher perceptual quality with less transmission burden. Combined with the noise-aware co-design semantic model training strategy, the model outperforms baseline communication systems.
Benzer Tezler
- Manipulation of visually recognized objects using deep learning
Görsel tanınan nesnelerin derin öğrenme kullanarak hareket ettirilmesi
ERTUĞRUL BAYRAKTAR
Doktora
İngilizce
2018
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. PINAR BOYRAZ
- System design for internet of things and network coding applications in the wireless personal area networks
Nesnelerin interneti için sistem tasarımı ve kablosuz kişisel alan ağlarında ağ kodlama uygulamaları
GÖRKEM ÖZVURAL
Yüksek Lisans
İngilizce
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNEŞ KARABULUT KURT
- Innovation based transmission in al-enabled sensor networks for 6GIoT scenario
Yapay zeka etkinlenmiş sensör ağlarında 6G nesnelerin interneti senaryoları için inovasyon bazlı iletim
AHMET ARDA ATALIK
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ORHAN ARIKAN
- Open data platform for agriculture: Multi layers perspective
Tarım için açık veri platformu: Çok katmanlı bakışaçısı
ŞAHİN AYDIN
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. MEHMET NAFİZ AYDIN
- İmalat sistemlerinde derin öğrenme tabanlı doku hata tespiti
Deep learning based texture defect detection in manufacturing systems
HÜSEYİN ÜZEN
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DAVUT HANBAY
DOÇ. DR. MUAMMER TÜRKOĞLU