Hibrit derin öğrenmenin sönümlü kanal koşullarında bilişsel radyo ağlarındaki spektrum algılama performansına etkisinin incelenmesi
Investigating the effect of hybrid deep learning on spectrum sensing performance in cognitive radio networks under fading channel conditions
- Tez No: 1020315
- Danışmanlar: PROF. DR. İBRAHİM DEVELİ, DR. ÖĞR. ÜYESİ KENAN KOÇKAYA
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Daha Bilişsel radyo (CR), kablosuz iletişim sistemlerinde spektrum kullanımını iyileştirmeyi hedefleyen umut verici bir teknoloji olarak değerlendirilmektedir. Spektrum algılama, CR sistemlerinin önemli bir bileşeni olup kullanılmayan frekans bantlarının tespit edilmesine ve ilgili bantların verimli bir şekilde kullanılmasına olanak sağlamaktadır. Ancak, düşük sinyal-gürültü oranı (SNR) ve sönümlü kanal koşulları gibi etkenler, spektrum algılama performansını önemli ölçüde sınırlandırabilmektedir. Bu tez çalışmasında, karşılaşılan sınırlamaların üstesinden gelmek amacıyla, verimli spektrum algılama sağlayan hibrit bir derin öğrenme (DL) modeli önerilmektedir. Önerilen hibrit DL yapısı, çift yönlü uzun kısa süreli bellek (BiLSTM) katmanlarını, iki paralel tek boyutlu evrişimsel sinir ağı-uzun kısa süreli bellek (1D-CNN-LSTM) dalı ile birleştirmektedir. Küresel ortalama havuzlama katmanı, parametre karmaşıklığını azaltarak modelin genelleme yeteneğini artırmaktadır. Önerilen hibrit DL modelinin performansı, hem mevcut DL modelleri hem de geleneksel spektrum algılama teknikleriyle karşılaştırmalı analizler yapılarak değerlendirilmiştir. Benzetim çalışmaları; Rician, Rayleigh, Nakagami-m ve Weibull gibi çeşitli sönümleme kanalları ile toplanır beyaz Gauss gürültüsü (AWGN) ortamında gerçekleştirilmiştir. Bu tez çalışmasında ayrıca, DL modelinin spektral verimliliği artırmadaki rolünü araştırmak amacıyla akıllı yansıtıcı yüzey (IRS) teknolojisi de incelenmektedir. IRS, fazlarını ayarlayarak kablosuz sinyallerin yayılmasını kontrol edebilen programlanabilir pasif yansıtıcı elemanlardan oluşmaktadır. IRS destekli spektrum algılama uygulanmasının, bilişsel radyo ağlarındaki algılama performansını önemli ölçüde artırdığı gösterilmiştir.sonra doldurulacaktır.
Özet (Çeviri)
Cognitive radio (CR) is considered a promising technology for enhancing spectrum utilization in wireless communication systems. Spectrum sensing is a fundamental component of CR systems because it allows the discovery and efficient use of underutilized frequency bands. However, spectrum sensing performance is often degraded under adverse conditions such as low signal-to-noise ratio (SNR) and fading channels. This thesis proposes a hybrid deep learning (DL) model to enable efficient spectrum sensing and overcome the identified limitations. The proposed hybrid DL architecture combines bidirectional long short-term memory (BiLSTM) layers with two parallel one-dimensional convolutional neural network-long short-term memory (1D-CNN-LSTM) branches. A global average pooling layer reduces parameter complexity while enhancing the model's generalization capability. The performance of the proposed hybrid DL model is assessed through comparative analysis against both conventional DL models and traditional spectrum sensing techniques. Simulation studies were conducted in various fading environments, including Rician, Rayleigh, Nakagami-m, and Weibull channels, as well as under additive white Gaussian noise (AWGN). This thesis also examines intelligent reflecting surface (IRS) technology to investigate its role in improving the spectral efficiency of the DL model. An IRS comprises programmable passive reflecting elements capable of controlling wireless signal propagation through phase adjustments. The integration of IRS-assisted spectrum sensing significantly improves detection performance in cognitive radio networks.
Benzer Tezler
- A smart intrusion detection systemagainst cyber attacks in unmanned aerial vehicles
İnsansız hava araçlarında siber saldırılara karşıakıllı saldırı tespit sistemi
BURCU SÖNMEZ SARIKAYA
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞERİF BAHTİYAR
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- UAV-assisted energy-aware data collection in robotic wireless sensor networks under battery prediction error
Pil tahmin hatası durumunda robotik kablosuz sensör ağlarında İHA destekli enerji bilinçli veri toplama
BEYZA DURAN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. ÖMER MELİH GÜL
PROF. DR. SEİFEDİNE KADRY
- Derin ve hibrit derin öğrenme teknikleriyle kripto para fiyat tahmini
Cryptocurrency price prediction using deep and hybrid deep learning techniques
HASAN KİLİMCİ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET YILDIRIM