Geri Dön

Kablosuz sönümlemeli kanalda derin öğrenme tabanlı otomatik modülasyon sınıflandırması

Automatic modulation classification over wireless fading channel based on deep learning

  1. Tez No: 859548
  2. Yazar: YİĞİT CAN DURDU
  3. Danışmanlar: DOÇ. DR. HAKAN KAYA, DR. ÖĞR. ÜYESİ FERDİ KARA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Zonguldak Bülent Ecevit Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 83

Özet

Otomatik modülasyon sınıflandırması(Automatic Modulation Classification-AMC), bir kablosuz haberleşme sisteminde alıcıya ulaşan sinyallerin kestirilmesini ifade etmektedir. Bu kapsamda, özellikle esnek alıcı-verici yapısı tasarımında ve spektrumun sezilmesinde derin öğrenme metotlarının kullanılması önemli bir aşama kaydedilmesini sağlamıştır. AMC'deki performansın artırılması için maksimum olabilirlik, öznitelik tabanlı ve derin öğrenme tabanlı algoritmalar önerilmektedir. Yüksek veri işleme kapasitesi, işlemsel yükün diğer yöntemlere kıyasla daha az olması, karmaşık veri setlerine uygulanabilmesi ve kesinliğin daha fazla olması sebebiyle çalışmada derin öğrenme yöntemi tercih edilmiştir. Çalışmada alıcıda elde edilen modülasyonlu işaretler için farklı çerçeve uzunluklarında işaret-yıldız küme görüntülerinden oluşan veri setleri elde edilmiştir. M'li Faz Kaydırmalı Anahtarlama (M-Phase Shift Keying- MPSK) ve M'li Dördün Genlik Modülasyonu (M- Quadrature Amplitude Modulation) olmak üzere 7 farklı modülasyon çeşidi kullanılmıştır. BPSK, QPSK, 8-PSK, 16-PSK, 16-QAM, 64-QAM, 256-QAM modülasyonlu işaretlerden oluşan 7 sınıflı veri seti; eğitim, doğrulama ve test verisi olarak ayrılmıştır. Farklı modülasyonlar ve modülasyon seviyeleri ile sinyal gürültü oranı (signal-noise ratio- SNR) değerlerine göre sınıflandırma başarımlarının ölçülmesi yaklaşımı benimsenmiştir. SNR (dB) = [0,5,10,15,20] olmak üzere 5 farklı SNR değeri için modülasyonlu işaretlerin bulunduğu veri setleri, çerçeve uzunluğunun etkisinin sınıflandırma başarımına etkisini görebilmek için 1024 ve 4096 çerçeve uzunluklarında ayrı ayrı oluşturulmuştur. Elde edilen tüm veri setlerinin dahil edildiği çalışmada Evrişimli Sinir Ağları (Convolutional Neural Network –CNN) tabanlı AlexNet ve MobileNet ağları ile yapılan sınıflandırma işlemleri neticesinde farklı modülasyon seviyeleri ve çeşitlerini sınıflandırabilen esnek bir ağ yapısı oluşturmak hedeflenmiştir. Sınıflandırma işlemlerinin sonucunda bazı modülasyon seviyeleri ve çeşitlerinin düşük veya yüksek SNR seviyelerinde daha iyi sınıflandırıldıkları görülmüştür. Bu sonuca dayanarak QPSK için 0-5 dB, 16-QAM için 6-13 dB , 64-QAM için 14-22 dB ve 256-QAM için 23-30 dB'de üretilen modülasyonlu işaretleri benzer şekilde 1024 ve 4096 çerçeve uzunluklarına göre ayrılarak iki farklı veri seti daha oluşturulmuştur. AlexNet ve MobileNet ağları ile bu iki veri seti ile yapılan sınıflandırma işlemi ile birlikte hata matrislerinde sınıflandırma başarımlarının yaklaşık %100 olduğu görülmüştür.

Özet (Çeviri)

Automatic Modulation Classification (AMC) refers to the estimation of signals reaching the receiver in a wireless communication system. In this context, the use of deep learning methods, especially in the design of flexible transmitter-receiver structures and spectrum sensing, has represented a significant advancement. Maximum likelihood, feature-based, and deep learning-based algorithms are recommended to enhance the performance of AMC. Due to its high data processing capacity, lower operational cost compared to other methods, applicability to complex datasets, and higher accuracy, deep learning methods are preferred in this study. Datasets consisting of signal-constellation diagrams of different frame lengths were obtained for modulated signals received at the receiver. Seven different modulation types were used, including M-Phase Shift Keying (MPSK) and M-Quadrature Amplitude Modulation (M-QAM). A 7-class dataset comprising BPSK, QPSK, 8-PSK, 16-PSK, 16-QAM, 64-QAM, and 256-QAM modulated signals was divided into training, validation, and test data. The approach adopted for measuring classification performance involves different modulation types and levels with signal-to-noise ratio (SNR) values. Datasets containing modulated signals for five different SNR values (SNR(dB) = [0, 5, 10, 15, 20]) were created separately with frame lengths of 1024 and 4096 to observe the effect of frame length on classification performance. The goal of the study, incorporating all obtained datasets, was to create a flexible network structure capable of classifying different modulation levels and types using Convolutional Neural Networks (CNN) based AlexNet and MobileNet architectures. Classification results showed that some modulation levels and types were better classified at low or high SNR levels. Based on this result, modulation signals generated for 256-QAM at SNR=23-30 dB, 64-QAM at SNR=14-22 dB, 16-QAM at SNR=6-13 Db, QPSK at SNR=0-5 dB and were separated similarly into two different datasets based on frame lengths of 1024 and 4096. Classification operations with AlexNet and MobileNet architectures on these two datasets resulted in classification accuracies of approximately 100% in the confusion matrices.

Benzer Tezler

  1. Kablosuz haberleşme sistemlerinin fiziksel katmanında yapay zeka uygulamaları

    Applications of artifical intelligence in the physical layer of wireless communication systems

    BURAK TÜRER

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiAydın Adnan Menderes Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MÜMTAZ YILMAZ

  2. Kablosuz haberleşme için uçtan uca otokodlayıcı tasarımı

    End to end autoencoder design for wireless communication

    MUSTAFA BAYRAM AYAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET ERTUĞRUL ÇELEBİ

  3. Neural network based multi-carrier receiver design and doppler estimation

    Yapay sinir ağı tabanlı çok taşıyıcılı alıcı tasarımı ve doppler kestirimi

    YASİN YILDIRIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN ALİ ÇIRPAN

    DR. SEDAT ÖZER

  4. Yeni nesil kablosuz haberleşme sistemleri için ileri sinyal işleme algoritmaları

    Advanced signal processing algorithms for new generation wireless communication systems

    ARSHAD SALIH

    Yüksek Lisans

    Türkçe

    Türkçe

    2011

    Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. HAKAN DOĞAN

  5. Sum-rate optimal resource allocation for single carrier frequency division multiple access systems

    Tek taşıyıcılı frekans bölmeli çoklu erişim sistemleri için toplam veri hızını enbüyükleyen özkaynak tahsisi

    TEOMAN MERT

    Yüksek Lisans

    İngilizce

    İngilizce

    2013

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN ALİ ÇIRPAN