Geri Dön

Derin öğrenmenin modülasyon sınıflandırma uygulamaları için alanda programlanabilir kapı dizileri üzerinde gerçeklenmesi

Field programmable gate array based implementation of deep learning for modulation classification

  1. Tez No: 722179
  2. Yazar: KORAY ALIÇ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ GÖKHAN SOYSAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 113

Özet

Modülasyon sınıflandırma hem askeri hem de sivil haberleşme sistemlerinde kritik öneme sahiptir. Modülasyon sınıflandırma uygulamaları ile askeri ortamlardan istihbarat elde etme, haberleşme sistemlerini karıştırma ve yayıncı tanıma gibi çalışmalar yapılmaktadır. Sivil ortamda ise haberleşme kanalının efektif olarak yönetilmesi ve alıcının değişen kanal koşullarına göre otomatik olarak doğru demodülatör tipinin seçilmesi gibi uygulamalar yapılmaktadır. Literatürde modülasyon sınıflandırma için olabilirlik tabanlı ve öznitelik tabanlı yöntemler sıklıkla kullanılmaktadır. Bunun dışında son zamanlarda derin öğrenme tabanlı yöntemler uygulanmaya başlanmıştır. Bu tez çalışmasında derin öğrenme tabanlı yöntemler ile haberleşme sinyallerinde modülasyon sınıflandırma başarımı incelenmiştir. Evrişimli sinir ağları (CNN) ve özyinelemeli sinir ağları (RNN) türünde mimariler oluşturularak, bu mimarilerin sınıflandırma başarımları nicemlenmiş ve nicemlenmemiş modeller için karşılaştırılmıştır. Derin öğrenme uygulamaları genel olarak grafik işlemci birimleri (GPU) üzerinde çalıştırılmaktadır. Bu tez çalışmasında derin öğrenme mimarisi alanda programlanabilir kapı dizileri (FPGA) üzerinde gerçeklenmiş ve çalıştırılmıştır. Derin öğrenme mimarisinin GPU üzerinden FPGA ortamına aktarılması ortaya çıkan nicemleme kaybı incelenmiştir. Sınıflandırma başarım oranı 0dB SNR seviyesinde yapılan testlerde ortalama %50 olurken, 10dB SNR seviyesinden itibaren bu oran %90 seviyesine ulaşmıştır. Nicemlenmiş modellerdeki performans kaybı ortalama %5 seviyesinde olmuştur.

Özet (Çeviri)

Modulation classification is critical in both military and civilian communication systems. With modulation classification applications, studies such as obtaining intelligence from military environments, jamming communication systems, and recognition of transmitters can be done. In the civilian environment, applications such as effective management of the communication channel and automatically selecting the right demodulator type according to the changing channel conditions of the receiver are carried out. In literature, there are many likelihood-based and feature-based methods exist. Apart from this, deep learning-based methods have been applied recently. This thesis has studied modulation classification performance in communication signals with deep learning-based methods. Convolutional neural networks (CNN) and recursive neural networks (RNN) types of architectures were created, and the classification performances of these architectures were compared for quantized and Non-quantized models. Deep learning applications are generally run on graphics processor units (GPU). In this thesis, deep learning architecture is implemented and run on field-programmable gate arrays (FPGA). The quantization loss that occurs when transferring the deep learning architecture to the FPGA environment over the GPU has been scrutinized. While the classification success rate was 50% in tests performed at 0dB SNR level, this rate reached 90% above 10dB SNR level. Performance loss in quantized models averaged 5%.

Benzer Tezler

  1. Data-driven design and analysis of next generation mobile networks for anomaly detection and signal classification with fast, robust and light machine learning

    Hızlı, Sağlam ve Hafif Makine Öğrenmesi ile Anormallik Algılaması ve Sinyal Sınıflandırması için Yeni Nesil Mobil Ağların Veriye Dayalı Tasarımı ve Analizi

    MUHAMMED FURKAN KUCUK

    Doktora

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiUniversity of South Florida

    Haberleşme Ana Bilim Dalı

    DOÇ. DR. İSMAİL UYSAL

  2. Wi-Fi sinyalleri kullanılarak kablosuz cihazların derin öğrenme yöntemleri ile kimliklendirilmesine yönelik bir çalışma

    A study on wireless device identification using Wi-Fi signals by means of deep learning methods

    MUHAMMED SEFA KOÇAKOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiMilli Savunma Üniversitesi

    Askeri Elektronik Sistemler Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ KARA

  3. Evolutionary adaptation and dopamine modulated learning in spiking neural networks

    Atımlı sinir ağlarında evrimsel adaptasyon ve dopamin modülasyonlu öğrenme

    ABDURREZAK EFE

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilim ve Teknolojiİhsan Doğramacı Bilkent Üniversitesi

    Malzeme Bilimi ve Nanoteknoloji Ana Bilim Dalı

    YRD. DOÇ. DR. SEYMUR JAHANGIROV

  4. Derin sinir ağları ile modülasyon sınıflandırma

    Başlık çevirisi yok

    YUSUF ARAS

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET ERTUĞRUL ÇELEBİ

  5. Deep learning based automatic modulation classification in the presence of carrier phase offset and carrier frequency offset

    Taşıyıcı faz kayması ve taşıyıcı frekans kayması altında derin öğrenme temelli otomatik modülasyon sınıflandırma

    RAMAZAN YILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiBoğaziçi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALİ EMRE PUSANE

    PROF. DR. ÇAĞATAY CANDAN

    DR. ÖĞR. ÜYESİ HÜSEYİN BİRKAN YILMAZ