Geri Dön

6g ve ötesi kablosuz ağlarda düşük snr ortamlarında güçlü modülasyon tanımlama için yapay zekâ tabanlı yöntemler

Artificial intelligence-based methods for robust modulation recognition in low-snr environments for 6g and beyond wireless networks

  1. Tez No: 1023852
  2. Yazar: ÖMER BATUHAN GEMCİ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ OSMAN DİKMEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Kablosuz iletişim, Yapay zeka, Wireless communication, Artificial intelligence
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Düzce Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez çalışmasında, düşük işaret-gürültü oranı (SNR) koşulları altında otomatik modülasyon tanımlama (Automatic Modulation Classification, AMC) problemini çözmek amacıyla derin öğrenme tabanlı üç farklı mimari yaklaşım önerilmiş ve kapsamlı biçimde değerlendirilmiştir. İlk olarak, yıldız diyagramı temsilleri üzerinden çalışan hafif ve dikkat destekli bir evrişimsel sinir ağı olan SCALNet modeli geliştirilmiştir. Derinlik-ayrık evrişimler, squeeze–excitation mekanizmaları ve artık bağlantılar kullanan modelin, düşük parametre sayısına rağmen düşük ve orta SNR seviyelerinde yüksek doğruluk ve makro-F1 performansı sağladığı gösterilmiştir. Deneysel sonuçlar, SCALNet'in özellikle düşük SNR koşullarında AlexNet, EfficientNet-B0 ve MobileNetV2 gibi modern CNN mimarileriyle rekabetçi sonuçlar elde ettiğini ve hesaplama verimliliği açısından önemli avantaj sunduğunu ortaya koymuştur. İkinci olarak, uzamsal ve zamansal özellik öğrenimini birlikte gerçekleştiren hibrit bir mimari olan MUXNet önerilmiştir. Model; attention mekanizmaları, residual güçlendirme yapıları ve ayrık evrişim katmanlarını birleştirerek özellikle gürültülü kanal koşullarında daha dayanıklı özellik çıkarımı gerçekleştirmiştir. RadioML2016.10a veri kümesi üzerinde yapılan deneylerde MUXNet, oldukça düşük parametre sayısına rağmen MCNet, DAE ve AlexNet modellerini geride bırakarak başarılı sonuçlar elde etmiştir. Üçüncü olarak ise attention destekli Mixture-of-Experts yaklaşımına dayanan MoAUXNet modeli sunulmuştur. Bu modelde LSTM ve GRU tabanlı zamansal uzmanlar ile attention destekli evrişimsel uzman bir araya getirilmiş, gating mekanizması aracılığıyla uzman çıktılarının adaptif biçimde ağırlıklandırılması sağlanmıştır. Elde edilen sonuçlar, MoAUXNet'in özellikle düşük SNR bölgelerinde daha güçlü gürültü dayanıklılığı ve daha esnek özellik öğrenimi sağladığını göstermektedir. Genel olarak değerlendirildiğinde, önerilen modellerin AMC performansını yalnızca doğruluk açısından değil, aynı zamanda hesaplama maliyeti, genelleme yeteneği ve gerçek zamanlı uygulanabilirlik açısından da anlamlı biçimde iyileştirdiği görülmektedir.

Özet (Çeviri)

In this thesis, three different deep learning–based architectures were proposed and comprehensively evaluated to address the problem of Automatic Modulation Classification (AMC) under low Signal-to-Noise Ratio (SNR) conditions. First, a lightweight attention-enhanced convolutional neural network called SCALNet was developed using constellation diagram representations. By integrating depthwise separable convolutions, squeeze–excitation mechanisms, and residual connections, the proposed model achieved high accuracy and macro-F1 performance at low and medium SNR levels despite its low parameter count. Experimental results demonstrated that SCALNet achieved competitive performance against modern CNN architectures such as AlexNet, EfficientNet-B0, and MobileNetV2, while offering significant computational efficiency advantages. Second, a hybrid architecture named MUXNet was proposed to jointly learn spatial and temporal features. By combining attention mechanisms, residual enhancement blocks, and separable convolution layers, MUXNet achieved more robust feature extraction, particularly under noisy channel conditions. Experiments conducted on the RadioML2016.10a dataset showed that MUXNet outperformed MCNet, DAE, and AlexNet despite having a substantially lower parameter count. Third, an attention-enhanced Mixture-of-Experts–based architecture called MoAUXNet was introduced. The model combines LSTM- and GRU-based temporal experts with an attention-guided convolutional expert, while a gating mechanism adaptively weights expert outputs according to the input characteristics. Experimental findings demonstrated that MoAUXNet provided stronger robustness and more adaptive feature learning, especially in low-SNR regions. Overall, the proposed architectures significantly improved AMC performance not only in terms of classification accuracy, but also with respect to computational cost, generalization capability, and real-time applicability.

Benzer Tezler

  1. Tez No

    795009

    Reconfigurable intelligent surface-based novel transceiver architectures and multiple access

    Başlık çevirisi yok

    AYMEN KHALEEL

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiKoç Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ERTUĞRUL BAŞAR

  2. Tez No

    1003573

    OFDM-based received waveform design and processing techniques to detect and classify radar targets for next generation integrated sensing and communication systems

    Gelecek nesil bütünleşik algılama ve haberleşme sistemleri için radar hedeflerinin tespit ve sınıflandırmasına yönelik OFDM tabanlı dalgabiçimi tasarımı ve sinyal işleme teknikleri

    SEYFETTİN MUHİBBULLAH ULUOCAK

    Doktora

    İngilizce

    İngilizce

    2026

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MESUT KARTAL

  3. Tez No

    828204

    Age aware power allocation for energy-efficient wireless networksusing RSMA

    RSMA kullanan enerji-verimli kablosuz ağlar için bilgi yaşına duyarlı güç tahsisi

    SELİN AKYÜREK

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. EZHAN KARAŞAN

  4. Tez No

    1006362

    5G ve 5G-ötesi sistemlerde ağ dilimleme için simülasyon ortamlarının karşılaştırmalı değerlendirmesi

    A comparative evaluation of simulation environments for network slicing in 5G and beyond 5G systems

    NIMA GHASEMI PARVIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYalova Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YUNUS ÖZEN

  5. Tez No

    887359

    Terahertz communications for next generation wireless communication systems

    Yeni nesil kablosuz iletişim sistemleri için terahertz haberleşmesi

    NAZIFA MUSTARI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET SERDAR UFUK TÜRELİ

Geri Dön