Evrişimsel sinir ağlarıyla otomatik modülasyon sınıflandırma
Automatic modulation classification with comvolutional neural networks
- Tez No: 803287
- Danışmanlar: PROF. DR. TANSAL GÜÇLÜOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Haberleşme Bilim Dalı
- Sayfa Sayısı: 89
Özet
Otomatik modülasyon sınıflandırma, bir haberleşme sisteminde alıcıya gelen sinyalin modülasyon türünün otomatik olarak belirlenmesi işlemidir. Derin öğrenme ise karmaşık veri kümelerini yüksek başarım performansı ile sınıflandırması sebebiyle son zamanlarda sürekli artan bir şekilde rağbet gören bir makine öğrenmesi tekniğidir. Hem sivil hem de askeri birçok uygulamada kritik bir rol oynayan otomatik modülasyon sınıflandırma işlemi, bu çalışmada derin öğrenme yaklaşımlarından biri olan evrişimsel sinir ağları kullanılarak incelenmiştir. Haberleşme sistemleri için sinyal sınıflandırma hızlı bir şekilde gelişen bir alandır. Bu alanda farklı teknikler ve algoritmalar kullanılarak çok sayıda çalışma yapılmıştır. Literatürde var olan ve geleneksel yöntemlerle yapılan çalışmaların birçoğunun, karmaşıklık düzeyi yüksek sistemlerde, modülasyon sinyallerinin tanınması ve sınıflandırılması noktasında başarım performanslarının yeteri kadar yüksek olmadığı gözlemlenmiştir. Çalışma kapsamında biri araştırmacıların erişimine açılmış olan RadioML.2016a, diğeri bu çalışma için Matlab kullanılarak üretilmiş iki ayrı veri seti ile çalışılmıştır. Kullanılan ilk veri setinde AM-DSB, BPSK, CPFSK, GFSK, PAM4, 64-QAM ve QPSK olmak üzere yedi farklı modülasyon çeşidi, ikincisinde BPSK, BFSK, QPSK, QFSK, 16-QAM ve 64-QAM olmak üzere altı farklı modülasyon çeşidi bulunmaktadır. Her bir modülasyon çeşidi -20 dB ve 18 dB arasında yirmi farklı SNR değerine sahiptir. Bu veri setlerinde 7 farklı senaryo ile ağın derinlik düzeyi ve katmanlardaki filtre sayısı değiştirilerek derin ağın başarım performansı incelenmiştir. Farklı filtre sayılarına sahip 3 farklı evrişim katmanıyla tasarlanan modülasyon sınıflandırıcının başarımının yüksek olduğu gözlemlenmiştir.
Özet (Çeviri)
Automatic modulation classification is the process of automatically determining the modulation type of the signal arriving at the receiver in a communication system. Deep learning is a machine learning technique that has recently become increasingly popular due to its ability to classify complex datasets with high performance. Automatic modulation classification, which plays a critical role in many civilian and military applications such as industry, medicine, finance, translation, image processing, video processing, natural language processing, robotics, electronic warfare technologies, is investigated in this study using convolutional neural networks, one of the deep learning approaches. Signal classification for communication systems is a rapidly developing field. Numerous studies have been conducted in this field using different techniques and algorithms. It has been observed that most of the existing studies in the literature using traditional methods do not have high enough performance in the recognition and classification of modulation signals in high complexity systems. Within the scope of the study, two separate datasets was worked on, one of which was made available to the researchers, RadioML.2016a, and the other produced using Matlab for this study. In the first dataset used, there are seven different modulation types, namely AM-DSB, BPSK, CPFSK, GFSK, PAM4, 64-QAM and QPSK, and in the second dataset there are six different modulation types, namely BPSK, BFSK, QPSK, QPSK, QFSK, 16-QAM and 64-QAM. Each modulation type has twenty different SNR values between -20 dB and 18 dB. In these datasets, the performance of the deep network was analyzed by varying the depth level of the network and the number of filters in the layers with 7 different scenarios. It is observed that the performance of the modulation classifier designed with 3 different convolution layers with different filter numbers is high.
Benzer Tezler
- Detection the sickness of the tea plant leaf by using neural networks
Çay bitkisindeki hastalıkların sinir ağları kullanılarak tespiti
SAJA AL-KARAWI
Yüksek Lisans
İngilizce
2024
Bilim ve TeknolojiAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN KOYUNCU
- Comparing uncertainty estimation methods in deep neural networks
Derin sinir ağlarında kullanılan belirsizlik ölçümleme yöntemlerinin karşılaştırılması
MEHMET ARIN ZEYNELOĞLU
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiVeri Bilimi Ana Bilim Dalı
PROF. DR. AYŞE BERRİN YANIKOĞLU YEŞİLYURT
- CNN-based text-independent automatic speaker identification
Evrişimsel sinir ağı tabanlı metinden bağımsız otomatik konuşmacı tanılama
MANDANA FASOUNAKI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN İNCE
- Classification of pediatric snoring episodes using deep convolutional neural networks
Pediyatrik horlama episodlarının derin evrişimsel sinir ağları ile sınıflandırılması
OZAN FIRAT CİVANER
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. MUSTAFA ERSEL KAMAŞAK
- Derin evrişimsel ağlar kullanarak çevrimdışı sahte imza ve gerçek imza sınıflandırılması
Offline fake signature and real signature classification using deep convolutional networks
TUBA TALO
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ÇINAR