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
- Tez No: 730966
- Danışmanlar: DOÇ. DR. ALİ EMRE PUSANE, PROF. DR. ÇAĞATAY CANDAN, DR. ÖĞR. ÜYESİ HÜSEYİN BİRKAN YILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 94
Özet
Otomatik modülasyon sınıflandırma (OMS), modülasyon sınıflandırma işlemlerini otonom bir hale getirme çabalarının sonucunda ortaya çıkmış bir alandır. OMS'nin ortaya çıkmasından bu yana birçok çok metot ve algoritma, OMS alanında kullanılmıştır. Bunları; olabilirlik temelli sınıflandırma, sınama temelli sınıflandırma, öznitelik temelli sınıflandırma, derin öğrenme temelli sınıflandırma ve makine öğrenmesi temelli sınıflandırma olarak ayırabiliriz. Bu metotlar yardımıyla modülasyon sınıflandırma işlemleri tamamen otomatik bir şekilde yapılabilir. Bu tezde, bu metotları yakından inceleyeceğiz ve OMS alanına katkıda bulunacak kendi algoritmalarımızı tanıtacağız. Önerdiğimiz algoritmalardan ilki K-en yakın komşu (KEYK) algoritması kullanan bir öznitelik temelli sınıflandırma. Her bir sinyaldeki sembol sayısı düşünüldüğünde, sınıflandırma yaparken bir hata tabanı ile karşılaşma ihtimali yüksektir. Bizim önerdiğimiz algoritmanın asıl amacı da bu durumla başa çıkmaktır. Önerdiğimiz bir diğer algoritma ise polar koordinat temelli bir derin öğrenme algoritması. Bu algoritma, taşıyıcı faz kayması (TFAK) etkisinde olan sinyalleri sınıflandırmayı hedeflemektedir. Polar koordinatlar ise dönme etkisini, doğrusal hareket etkisine çevirerek sınıflandırmayı kolaylaştırmaktadır. Önerdiğimiz son algoritma ise taşıyıcı frekans kayması (TFRK) yaşayan sinyalleri 2 aşamalı ve derin öğrenme temelli sınıflandırma algoritması. İlk aşamada; algoritma, TFRK kestirmesi yaparak frekans kayması etkisini azaltmayı amaçlar. İkinci aşamada ise bu sinyalleri sınıflandırmayı amaçlar. Son olarak, ileride yapılabilecek işleri ve gelişmeleri tartışarak tezi noktalıyoruz.
Özet (Çeviri)
Automatic Modulation Classification (AMC) has emerged after the efforts of making the modulation classification process autonomous. Since then, various methods, algorithms, and tools have been used in the AMC field, such as likelihood-based methods, the goodness of fit tests, feature-based methods, machine learning-based methods, and deep learning-based methods. With the help of these methods, the modulation classification operation can be performed automatically without any human input. In this thesis, we survey these methods in detail and propose our methods to contribute to the AMC field. First, we proposed a blind feature-based algorithm that uses K-nearest neighbor (KNN) to perform classification. When the number of symbols in each signal decreases, the classification process may encounter an error floor. The main goal of the proposed feature-based algorithm is to combat this error floor. Then, we proposed a novel polar coordinate approach in deep learning to classify the signals that are affected by carrier phase offset (CPO). The polar coordinate approach converts the rotational effect of CPO into the translational effect, which makes the classification easier. Finally, we propose a 2-staged deep learning-based classification algorithm under the presence of carrier frequency offset (CFO). In the first stage, the algorithm estimates the CFO amount and in the second stage, it classifies the CFO-affected signals. Finally, we conclude the thesis by discussing the future works and possible improvements.
Benzer Tezler
- Kablosuz sönümlemeli kanalda derin öğrenme tabanlı otomatik modülasyon sınıflandırması
Automatic modulation classification over wireless fading channel based on deep learning
YİĞİT CAN DURDU
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiZonguldak Bülent Ecevit ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAKAN KAYA
DR. ÖĞR. ÜYESİ FERDİ KARA
- Deep learning based automatic modulation classification for sub-carriers of ofdm signals
OFDM sinyallerinin alttaşıyıcıları için derin öğrenme temelli modülasyon sınıflandırma
GÖKHAN TOSUN
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ EMRE PUSANE
- Automatic modulation recognition with vision transformer in radio signals
Radyo sinyallerinde vision transformer kullanarak otomatik modülasyon tanıma
SEZER DÜMEN
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiSivas Bilim ve Teknoloji ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. BUYURMAN BAYKAL
- Gelecek nesil haberleşme sistemlerinde yapay zeka tabanlı modülasyon tanımlama yöntemi geliştirilmesi
Development of artificial intelligence based modulation recognition method in next generation communication systems
MEHMET MERİH LEBLEBİCİ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiDüzce ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ ÇALHAN
- Derin öğrenme ile modülasyon sınıflandırması
Modulation classification with deep learning
SELÇUK BALSÜZEN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MESUT KARTAL