Linear and nonlinear classification of quadrature modulation signals
Çeyrek modülasyon sinyallerinin doğrusal ve doğrusal olmayan sınıflandırması
- Tez No: 636951
- Danışmanlar: PROF. DR. ERGUN ERÇELEBİ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Gaziantep Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Devreler ve Sistemler Bilim Dalı
- Sayfa Sayısı: 184
Özet
Otomatik modülasyon sınıflandırması (AMC), alınan bir sinyalin modülasyon tipini otomatik olarak tanımlamak için iletişim alıcılarına entegre edilmiş modern bir teknolojidir. Bu çalışmada, sinyal-özellik çıkarma ve örüntü tanıma yöntemine dayanan iki yeni AMC algoritması tanıtılmıştır.İlk olarak, AMC yöntemleri özetlenmiştir. Daha sonra, bunların gelişimi, çıkarılan özellikleri, modüle edilmiş sinyalleri tanıma yetenekleri, çalışma konfigürasyonları ve bazı yeni AMC projeleri dahil olmak üzere güncel AMC algoritmaları, ön tarihsel gelişmelerinden tartışılmaktadır. Ayrıca, en son teknolojiye sahip AMC yöntemleri, özellik seçim grubuna, sınıflandırıcı yapısına, modülasyon sinyallerinin sayısına, kanal sistemine ve simülasyon aracına göre sınıflandırılır. İkincisi, hiyerarşik eşik sınıflandırıcı yapısına dayanan yeni bir AMC yöntemi sunulmaktadır. Önerilen sistem, logaritmik eşiklere dayanan çok sayıda ağaç içerir. Sistem, farklı dijital modülasyon şemaları arasında ayrım yapmak için ayırt edici özellikler olarak modüle edilmiş sinyalin yüksek dereceli kümülanlarının (HOC) logaritmik bir modifikasyonunu kullanır. Ayrıca, önerilen sistem, ilave beyaz Gauss gürültüsü (AWGN) ve düz sönümlendirme ortamlarında QPSK ve MQAM modülasyon tiplerini sınıflandırmak için test edilmiştir. Simülasyon sonuçları, istatistiksel olarak gürültülü kanal modellerinin koşulları altında 5 dB'lik düşük bir SNR'de çok iyi bir sınıflandırma oranının elde edildiğini göstermektedir. Bu, M-QAM sinyal sınıflandırmasında uygulama için logaritmik sınıflandırıcı modelin potansiyelini gösterir. Ayrıca, bu tezde, M-APSK DVB-S2X modülasyon sinyalleri standardında belirtilen modülasyon tanıma problemlerini hafifletmek için nöral ağ özelliklerine dayanan sınıflandırma algoritmalarında yeni yüksek mertebeden spektrum özelliklerinin (HOSF) kullanılmasını öneriyoruz. Sinyallerin HOSF karakteristikleri AWGN kanalı altında çıkarılır ve modülasyon sinyalleri kümeden {16, 32, 64}-APSK ayırmak için dört ayrı parametre tanımlanır. Bu yaklaşım, tanıyıcıyı daha akıllı hale getirir ve sınıflandırma başarı oranını artırır. Sonuçlar, 0dB'nin düşük bir SNR'sinde elde edilen mükemmel sınıflandırma doğruluğunu göstermektedir; bu önerilen özelliklerin M-APSK modülasyon sınıflandırması için bir sinir ağı sınıflandırıcısı ile birleştirilme potansiyelini göstermektedir. Son olarak, önerilen her iki algoritmada da kapsamlı simülasyonlar, literatürde daha önce önerilen sistemlere kıyasla sınıflandırma doğruluğunda ve sistem karmaşıklığında azalmada önemli bir iyileşmenin sağlandığını ortaya koymuştur.
Özet (Çeviri)
Automatic modulation classification (AMC) is a form of modern technology integrated into communication receivers to automatically define the modulation type of a received signal. In this work, two new AMC algorithms based on signal feature extraction and a pattern-recognition method are introduced. First, AMC methods are summarised. Subsequently, up-to-date AMC algorithms, including their development, extracted features, their ability to recognise modulated signals, operating configurations, and some recent AMC projects are discussed from their preliminary historical development. Furthermore, state-of-the-art AMC methods are classified according to their feature-selection group, classifier structure, number of modulation signals, channel system, and simulation tool. Second, a new AMC method based on a hierarchical threshold classifier structure is presented. The proposed system comprises multiple tree-based on logarithmic thresholds. The system uses a logarithmic modification of the high-order cumulants (HOCs) of the modulated signal as discriminant features to distinguish among the different digital-modulation schemes. Moreover, the proposed system is tested for classifying QPSK and MQAM modulation types in additive white Gaussian noise (AWGN) and flat-fading environments. The simulation results demonstrate that a very good classification rate is achieved at a low SNR of 5 dB, under conditions of statistically noisy channel models. This shows the potential of the logarithmic-classifier model for application in M-QAM signal classification. Further, in this thesis, we propose the leveraging of novel higher-order spectra features (HOSF) in classification algorithms based on neural-network properties, to mitigate the modulation recognition problems specified in the M-APSK DVB-S2X modulation signals standard. The HOSF characteristics of signals are extracted under the AWGN– channel, and four individual parameters are defined for distinguishing modulation– signals from the set, {16, 32, 64}-APSK. This approach makes the recogniser more intelligent and improves its classification success rate. The results illustrate the excellent classification accuracy obtained at a low SNR of 0 dB, which demonstrates the potential of combining these proposed features with a neural-network classifier for M-APSK modulation classification. Finally, in both proposed algorithms, extensive simulations revealed that a significant improvement in classification accuracy and reduction in system complexity is achieved compared to the previously proposed systems in the literature.
Benzer Tezler
- Lineer olmayan Volterra integro-diferansiyel denklemler için analitik ve nümerik yöntemler
Analytical and numerical methods for nonlinear Volterra integro-differential equations
MEHMET EMİN ATEŞ
Yüksek Lisans
Türkçe
2021
MatematikVan Yüzüncü Yıl ÜniversitesiMatematik Ana Bilim Dalı
PROF. DR. MUSA ÇAKIR
- Uyarlamalı destek vektör makinesi temelli modelleme ve kontrol
Adaptive support vector machine based modelling and control
ERDEM DİLMEN
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiPamukkale ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELAMİ BEYHAN
- Birinci mertebeden lineer olmayan fark denklemlerinin çözümleri üzerine
On the solutions of first order nonlinear difference equations
GÖKHAN TÜRK
Yüksek Lisans
Türkçe
2021
MatematikOndokuz Mayıs ÜniversitesiMatematik Ana Bilim Dalı
DOÇ. DR. NİHAT ALTINIŞIK
- Kardiyotokografi işaretlerinin analizi ve makine öğrenmesi teknikleri ile sınıflandırılması
Analysis of cardiotocography signals and classifying with machine learning techniques
ZAFER CÖMERT
Doktora
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ADNAN FATİH KOCAMAZ
- Betonarme perdelerin çevrimsel sönümlenen enerji kapasitesinin makine öğrenmesi yöntemleri ile incelenmesi
Investigation of energy dissipation capacity of RCc shear walls with machine learning methods
BERKAY TOPALOĞLU
Yüksek Lisans
Türkçe
2022
Deprem Mühendisliğiİstanbul Teknik ÜniversitesiDeprem Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZEYNEP DEĞER