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
- Tez No: 770074
- Danışmanlar: DOÇ. DR. İSMAİL UYSAL
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: University of South Florida
- Enstitü: Yurtdışı Enstitü
- Ana Bilim Dalı: Haberleşme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 105
Özet
Bu araştırmada, kablosuz iletişimde kendi-kendini organize eden ve yeni nesil mobil ağlarda kullanılan (kümeleme, anormallik algılama ve sinyal sınıflandırması dâhil) makine öğrenmesi (ve derin öğrenme) uygulamalarına odaklanılmaktadır. Spesifik olarak bu tez belgesinde üç farklı konu ele alınacaktır. İlk olarak,“Derin kümeleme için sinir ağı topolojilerinin ve hiperparametrelerinin performans analizi”başlıklı çalışmada, kümeleme performansı ile ağ karmaşıklığı arasındaki ilişkiyi araştırmaktayız. Derin öğrenmenin ilk temeli görüntü ve ses tanıma gibi gözetimli uygulamalarda atılmıştır ve bunların ardından, benzer etki alanlarındaki derin üretken modeller gelmiştir. Son yıllarda araştırmacılar, genellikle derin kümeleme olarak adlandırılan gözetimsiz uygulamalar için bu tür yapıların benzersiz genelleştirme yeteneklerini kullanmak amacıyla yaratıcı öğrenme gösterimleri tasarlamışlardır. Bu makalede, ağ topolojisinin, hiperparametrelerin ve kümeleme katsayılarının doğruluğu nasıl etkilediğini incelemek amacıyla, derin oto-kodlayıcılar ve evrişimli oto-kodlayıcılar dahil popüler derin kümeleme mimarilerinin kapsamlı bir analizi sunulmaktadır. Veriden bağımsız sonuçlar sağlamak için MNIST, CIFAR10 ve SVHN dahil olmak üzere üç popüler karşılaştırmalı değerlendirme veri seti kullanılmıştır. İstatistiksel anlamlılık için yeterli tekrarlı test ile 120 benzersiz kombinasyonun ortak analizi için hem standart hem de evrişimli oto-kodlayıcı mimarileri için üç farklı veri setinde toplamda 20 farklı topoloji eşleştirmesi ve kümeleme katsayısı kullanılmıştır. Veri setinin karmaşıklığı ile bir dereceye kadar ilişkili olan kodlama katmanı (gizli boyut) büyüklüğünün seçilmesi söz konusu olduğunda sonuçlar genel bir optimumun olduğunu göstermektedir. Ayrıca, görüntü veri setleri için renk, gözlemin kimliğine anlamlı bir katkı yaptığında, müteakip derin kümeleme performansının iyileştirilmesine de yardımcı olur. İkinci olarak,“Kendi-Kendini Organize Eden Ağlarda Anormallik Algılama, Geleneksele karşı Çağdaş Makine Öğrenmesi”başlıklı çalışmada, özellikle kendi-kendini organize eden ağlarda anormallik algılaması için hem geleneksel hem de modern makine (derin) öğrenmesinin öncüllerini karşılaştırıyoruz. Derin öğrenme, özellikle büyük hacimli verilerin toplanabildiği ve işlenebildiği uygulama senaryolarında önemli düzeyde bir ilgi görmüş olsa da, daha geleneksel yöntemler, özellikle uygun öğrenme gösterimlerini kullanırken güçlü istatistiksel alternatifler sunabilir. Örneğin destek vektör makineleri daha önce birçok ikili sınıflandırma uygulamasında en son teknoloji potansiyelini göstermiştir ve tek-sınıflı öğrenme ve veri çoğaltma gibi farklı gösterimlerle daha fazla kullanılabilir. Geleneksel makine öğrenmesinin, dört farklı uygulama senaryosunda önceki son teknolojiden derin öğrenme kullanarak ortalama %15 daha iyi performans sergileyebileceğini, daha önce yayınlanmış ve herkese açık bir veri setinde ilk kez gösteriyoruz. Sonuçlarımız, yürütme süresinin kritik olduğu durumlarda, geleneksel makine öğrenmesinin, önemli ölçüde daha az sayıda eğitilebilir parametrenin kullanıldığı 5G kendi-kendini organize eden ağlar için güçlü bir alternatif sunduğunu göstermektedir. Son olarak üçüncü çalışma ise“Yeni Nesil Mobil Ağlarda Sinyal Sınıflandırması için Hızlı, Sağlam ve Hafif Makine Öğrenmesi”üzerinedir. Yeni nesil mobil ağlar, birden fazla cihaz ailesinin entegrasyonu sayesinde, benzersiz zorluklarla birlikte benzeri görülmemiş fırsatlar getirmektedir. Hızlı ve sağlam sinyal sınıflandırması ve modülasyon tanımlaması, sürekli kapasite talebini karşılamak için kritik hale gelmiştir. Bu makalede, gerçek dünya uygulamasında farklı gürültü seviyelerinde sinyal tanımlamaya yönelik veri merkezli ve geleneksel yaklaşımların karşılaştırmalı bir çalışması sunulmaktadır. Standart bir hafif sınıflandırıcının, veri sıkıştırmalı ve veri sıkıştırmasız çoklu modülasyon şemalarını algılayabildiğini ve 15 farklı gürültü seviyesinde kullanılmakta olan son teknolojiden ortalama %6 daha iyi performans sergiledigini göstermekteyiz. Daha da önemlisi, öznitelik sıkıştırma kullanılırken doğrulukta önemli bir kayıp olmadan algılama hızı en az 50 kat artırılmıştır.
Özet (Çeviri)
This research focuses on machine (and deep) learning applications (including clustering, anomaly detection and signal classification) for self-organizing and next generation mobile networks in wireless communications. Specifically, this dissertation document will address the three different topics. First, in the study titled“Performance analysis of neural network topologies and hyperpa-rameters for deep clustering”, we explore the relationship between the clustering performance and network complexity. Deep learning found its initial footing in supervised applications such as image and voice recognition successes of which were followed by deep generative models across similar domains. In recent years, researchers have proposed creative learning representations to utilize the unparalleled generalization capabilities of such structures for unsupervised applications commonly called deep clustering. This paper presents a compre-hensive analysis of popular deep clustering architectures including deep autoencoders and convolutional autoencoders to study how network topology, hyperparameters and clustering coefficients impact accuracy. Three popular benchmark datasets are used including MNIST, CIFAR10 and SVHN to ensure data independent results. In total, 20 different pairings of topologies and clustering coefficients are used for both the standard and convolutional autoencoder architectures across three different datasets for a joint analysis of 120 unique combinations with sufficient repetitive testing for statistical significance. The results sug¬gest that there is a general optimum when it comes to choosing the coding layer (latent dimension) size which is correlated to an extent with the complexity of the dataset. More¬over, for image datasets, when color makes a meaningful contribution to the identity of the observation, it also helps improve the subsequent deep clustering performance. Second, in the study titled“Anomaly Detection in Self-Organizing Networks Conven¬tional vs. Contemporary Machine Learning”, we compare the premise of both conventional and modern machine (deep) learning, specifically for anomaly detection in self-organizing networks. While deep learning has gained significant traction, especially in application scenarios where large volumes of data can be collected and processed, more conventional methods may yet offer strong statistical alternatives, especially when using proper learn¬ing representations. For instance, support vector machines have previously demonstrated state-of-the-art potential in many binary classification applications and can be further ex¬ploited with different representations, such as one-class learning and data augmentation. We demonstrate for the first time, on a previously published and publicly available dataset, that conventional machine learning can outperform the previous state-of-the-art using deep learn¬ing by 15% on average across four different application scenarios. Our results indicate that when execution time is critical, conventional machine learning provides a strong alternative for 5G self-organizing networks using significantly fewer trainable parameters. Finally, the third study is on“Fast, Robust and Light Machine Learning for Signal Clas-sification in Next Generation Mobile Networks”. The next generation mobile networks bring unprecedented opportunities coupled with unique challenges thanks to the integration of multiple families of devices. Fast and robust signal classification and modulation identi¬fication become critical to meet the sustained demand on capacity. This paper presents a comparative study of data-centric and conventional approaches to signal identification at dif¬ferent noise levels on a real-world application. We demonstrate that a standard lightweight classifier can detect multiple modulation schemes with and without data compression and outperforms current state-of-the-axt by as much as 6% on average across 15 different noise levels. More importantly, the detection speed is improved by at least 50-fold without a significant loss in accuracy when using feature compression.
Benzer Tezler
- From media-based modulation to reconfigurable intelligent surfaces: Novel index modulation solutions
Ortam-tabanlı modülasyon'dan uyarlanabilir akıllı yüzeylere: Özgün indis modülasyon çözümleri
ZEHRA YİĞİT
Doktora
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERTUĞRUL BAŞAR
PROF. DR. İBRAHİM ALTUNBAŞ
- Scaling-up eutectic freeze crystallization
Ötektik donma kristalizasyonunda boyut büyütme
FATMA ELİF GENCELİ
Doktora
İngilizce
2008
Kimya MühendisliğiTechnische Universiteit Delft (Delft University of Technology)PROF. DR. GEERT JAN WITKAMP
- Düşük bir hızlarında konuşma kodlama ve uygulamaları
Low bit rate speech coding and applications
TARIK AŞKIN
Doktora
Türkçe
1999
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. GÜNSEL DURUSOY
- Rethinking agricultural communication in the context of power/knowledge: Socialization of digital agriculture in Geyve
Tarımsal ı̇letı̇şı̇mı̇ bilgi/iktidar bağlamında yenı̇den düşünmek: Geyve'de dı̇jı̇tal tarımın sosyalleşmesı̇
KÜBRA SULTAN YÜZÜNCÜYIL
Doktora
İngilizce
2024
İletişim BilimleriGalatasaray ÜniversitesiRadyo Televizyon ve Sinema Ana Bilim Dalı
PROF. DR. HALİME YÜCEL BOURSE
- Generation and analysis of segmentation trees for natural images
Başlık çevirisi yok
EMRE AKBAŞ
Doktora
İngilizce
2011
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolUniversity of Illinois at Urbana-ChampaignElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. NARENDRA AHUJA