Geri Dön

Makine öğrenmesi algoritmaları ile spektrum kullanımının tahmini

Estimation of spectrum usage with machine learning algorithms

  1. Tez No: 868800
  2. Yazar: MEHMET OĞUZ KELEK
  3. Danışmanlar: PROF. DR. MEHMET SERDAR UFUK TÜRELİ
  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: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Haberleşme Bilim Dalı
  13. Sayfa Sayısı: 62

Özet

Günümüzde kablosuz iletişimin artmasıyla birlikte spektrum yoğunluğu da artmaktadır. Spektrum yoğunluğunun artması aynı zamanda spektrum kıtlığına da yol açmaktadır. Ayrıca askeri alanlarda yasa dışı iletişimin tespitinde spektrum kullanımının tahmin edilmesi de önemli bir konu haline gelmiştir. Bu çalışma, Medipol Üniversitesi tarafından toplanan geniş bir veri seti üzerinde makine öğrenmesi algoritmaları uygulanarak gerçekleştirilmiştir. Çalışmanın odak noktası, belirli bir kablosuz kanalın gelecekteki güç düzeyini tahmin etmek ve bu tahminleri kullanarak dinamik spektrum erişim stratejilerini optimize etmektir. Medipol Üniversitesi'nin Agilent EXA N9010A spektrum analizörü ile yaptığı bu ölçümler, 21 saat 38 dakika 3 saniye boyunca saniyede bir frekansta sürekli olarak gerçekleştirildi ve toplam 1000 farklı frekans değeri incelendi. Kullanılan veri kümesinin %60'ı algoritmaların eğitimi için, %20 test için ve %20 algoritmaların doğrulanması için ayrılmıştır. Yoğun olarak kullanılan ve daha az kullanılan kanallarda spektrum kullanımını tahmin etmek için üç farklı algoritma kullanıldı: Rastgele Orman algoritması, Destek Vektör Makinesi algoritması ve Uzun-Kısa Süreli Bellek (LSTM) algoritması. Kullanılan algoritmalar kanalın geçmiş bilgilerini kullanarak sonuçlar üretti. Kullanılan algoritmalar birbirleriyle karşılaştırılmış ve spektrum kullanımını tahmin etmek için en ideal çözüm aranmıştır. Her üç algoritma da yoğun olarak kullanılan kanalda kötü sonuçlar vermiştir. Daha az yoğun olarak kullanılan kanalda ise Destek Vektör Makinesi ve Uzun-Kısa Süreli Bellek algoritmaları benzer sonuçlar vermiştir. Ancak LSTM algoritmasının ayırt edici özelliği biraz daha yüksekti.

Özet (Çeviri)

Nowadays, with the increase in wireless communication, spectrum density is also increasing. Increasing spectrum density also leads to spectrum scarcity. In addition, estimating spectrum usage in detecting illegal communications in military areas has become an important issue. This study was carried out by applying machine learning algorithms on a large data set collected by Medipol University. The focus of the work is to predict the future power level of a given wireless channel and optimize dynamic spectrum access strategies using these predictions. These measurements, made with Medipol University's Agilent EXA N9010A spectrum analyzer, were carried out continuously at a frequency of one per second for 21 hours 38 minutes and 3 seconds, and a total of 1000 different frequency values were examined. %60 of the dataset used is reserved for training the algorithms, %20 for testing, and %20 for validating the algorithms. Three different algorithms were used to estimate spectrum usage on heavily used and less used channels: Random Forest algorithm, Support Vector Machine algorithm, and Long-Short Term Memory (LSTM) algorithm. The algorithms used produced results using the channel's historical information. The algorithms used were compared with each other and the most ideal solution was sought to estimate spectrum usage. All three algorithms gave poor results on the heavily used channel. In the less intensively used channel, Support Vector Machine and Long-Short Term Memory algorithms gave similar results. However, the distinctiveness of the LSTM algorithm was slightly higher.

Benzer Tezler

  1. Modeling of the marine diesel engines with comparative machine learning methodologies

    Gemi dizel motorların karşılaştırmalı makine öğrenmesi yöntemleri ile modellenmesi

    MEHMET İLTER ÖZMEN

    Doktora

    İngilizce

    İngilizce

    2024

    Gemi Mühendisliğiİstanbul Teknik Üniversitesi

    Gemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı

    PROF. DR. OSMAN AZMİ ÖZSOYSAL

  2. Adaptive symbol glossary for pattern based cognitive communication system

    Örüntü tabanlı bilişsel haberleşme sistemi için uyarlamalı sembol sözlüğü

    HUSAM Y. I ALZAQ

    Doktora

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    Assoc. Prof. Dr. BURAK BERK ÜSTÜNDAĞ

  3. Long-horizon value gradient methods on Stiefel manifold

    Stiefel manifoldu üzerinde uzun ufuklu değer gradyanı yöntemleri

    TOLGA OK

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NAZIM KEMAL ÜRE

  4. Design and implementation of beyond 5g physical layer schemes

    5g sonrası fiziksel katman şemalarının tasarımı ve gerçeklemesi

    CANER GÖZTEPE

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜNEŞ ZEYNEP KARABULUT KURT

  5. Emotion recognition in children: Single and multimodal approaches with facial and physiological data

    Çocuklarda duygu tanima: Yüz ve fizyolojik verilerle tekli ve çoklu modalite yaklaşimlari

    ŞEYMA TAKIR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HATİCE KÖSE