Gelecek nesil haberleşme sistemlerinde yapay zeka tabanlı modülasyon tanımlama yöntemi geliştirilmesi
Development of artificial intelligence based modulation recognition method in next generation communication systems
- Tez No: 876257
- Danışmanlar: PROF. DR. ALİ ÇALHAN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Düzce Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 124
Özet
Derin öğrenme (deep learning, DL) ve makine öğrenimi (machine learning, ML) tekniklerinin gelecek nesil haberleşme sistemlerinde otomatik modülasyon tanımlama (automatic modulation recognition, AMR) için kullanılması oldukça önemlidir. Gelecek nesil haberleşme teknolojilerinde yapay zeka (artificial intelligence, AI) oldukça önemli bir yer tutacaktır. Yapay zekanın ön plana çıkmasıyla beraber bilişsel radyo (cognitive radio, CR) gibi sistemler daha etkili çalışma fırsatı bulacaktır. Bu tez çeşitli evrişimli sinir ağı (convolutional neural network, CNN) tabanlı modelin etkinliğini modülasyon türlerinin sınıflandırılması kapsamında farklı sistem modelleri ve sinyal-gürültü oranları (signal-to-noise ratio, SNR) için incelemektedir. Çeşitli formattaki sayılar ya da görüntüler ile IQ ve rθ diyagram düzlemlerinde üretilen veri setleri sınıflandırma modellerini beslemektedir. Böylelikle sınıflandırma modellerinin beslendiği veri setleri içeriğinin performansa etkisi gözlenmiştir. Ayrıca klasik modülasyon türlerinin yanına çeşitli indis modülasyonu (index modulation, IM) tekniği de eklenerek sınıflandırma problemi kapsamında literatüre yenilikçi katkılar sağlanmaktadır. Kullanılan klasik modülasyon tekniklerinin arasında faz kaydırmalı anahtarlama (phase shift keying, PSK) modülasyon ailesinden ikili PSK (binary PSK, BPSK), dördün PSK (quadrature PSK, QPSK), 8PSK, 16PSK, 32PSK ve 64PSK bulunurken karesel genlik modülasyonu (quadrature amplitude modulation, QAM) ailesinden QAM16, QAM64 ve QAM256 bulunmaktadır. Sınıflandırılan IM teknikleri de uzaysal modülasyon (spatial modulation, SM), dik SM (quadrature SM, QSM) ve genelleştirilmiş SM (generalized SM, GSM)'dir. rθ diyagram düzleminde üretilen veri setinden yararlanarak hiperparametre optimizasyonu, öğrenme aktarımı ve toplamsal beyaz Gauss gürültüsünün (additive white Gaussian noise, AWGN) etkileri araştırılmıştır. Gürültünün etkileri çeşitli çalışmalar ile düşük, orta ve yüksek SNR değerleri seçilerek ya da bu SNR bölgelerini kapsayan bir dizi SNR değeri için incelenmiştir. Temel bulgular bazı modellerin performansının diğerlerine göre üstün olduğunu, CNN tabanlı modellerin yüksek dereceli modülasyon türlerinin ayırt edilmesinde etkili olduğunu ve özellikle düşük SNR durumlarında IQ diyagram düzleminden rθ diyagram düzlemine geçişle beraber sınıflandırma doğruluğunun yükseldiğini göstermiştir. Sonuçlar uygun bir şekilde optimize edildiği zaman DL tekniklerinin modülasyon tanımlama görevleri için geleneksel yaklaşımlara göre daha iyi performans sergilediğini göstermektedir ve dolayısıyla dinamik ve otonom haberleşme sistemleri için potansiyele sahip olduğunu kanıtlamaktadır. Son olarak modülasyon sınıflandırma problemi farklı bir bakış açısı ile bilgi hiyerarşisi özelinde değerlendirilerek veri analitiğine bu problem için yeni bir açı kazandırılmıştır.
Özet (Çeviri)
The application of deep learning (DL) and machine learning (ML) techniques for automatic modulation recognition (AMR) is pivotal in advancing next-generation communication systems. Artificial intelligence (AI) is poised to play a crucial role in next-generation communication technologies. As AI continues to advance, systems such as cognitive radio (CR) will have the opportunity to operate with increased efficiency and effectiveness. The integration of AI into these systems will enable more intelligent, adaptive, and dynamic management of communication networks, enhancing their overall performance and reliability. This thesis investigates the effectiveness of various convolutional neural network (CNN)-based models in classifying modulation schemes for different system models across different signal-to-noise ratio (SNR) conditions. Datasets produced in the IQ and rθ diagram planes, represented as numbers or images in various formats, are utilized to feed the classification models. This approach allows for the assessment of how the content of these datasets impacts the performance of the classification models. Furthermore, innovative contributions to the literature are made by incorporating various index modulation (IM) techniques into classical modulation types within the scope of the classification problem. The classical modulation techniques employed include binary PSK (BPSK), quadrature PSK (QPSK), 8PSK, 16PSK, 32PSK, and 64PSK from the phase shift keying (PSK) modulation family, as well as QAM16, QAM64, and QAM256 from the quadrature amplitude modulation (QAM) family. The classified IM techniques include spatial modulation (SM), quadrature SM (QSM), and generalized SM (GSM). Utilizing a unique dataset generated on the rθ diagram plane, the study emphasizes hyperparameter optimization, transfer learning, and the impact of additive white Gaussian noise (AWGN) channels. The effects of noise have been extensively examined in various studies by selecting low, medium, and high SNR values or by analyzing a range of SNR values that encompass these regions. Key findings highlight several important points, such as the superior performance of certain models over others, the effectiveness of CNN models in distinguishing high-order modulation schemes, and the enhanced accuracy achieved through the rθ transformation from the IQ diagram plane, particularly under low SNR conditions. The studies collectively demonstrate that DL techniques, when properly optimized, significantly outperform traditional approaches in modulation recognition tasks, thereby underscoring their potential in dynamic and autonomous communication environments. Finally, the modulation classification problem was evaluated from a novel perspective within the context of the data wisdom, thereby introducing a new dimension to data analytics for addressing this issue.
Benzer Tezler
- 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
2020
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
DR. SEDAT ÖZER
- Index modulation based designs, error performance and physical layer security analyses for unmanned aerial vehicle networks
İnsansız hava aracı ağları için indis modülasyonu tabanlı tasarımlar, hata performansı ve fiziksel katman güvenlik analizleri
AYŞE BETÜL BÜYÜKŞAR
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik-Haberleşme Eğitimi Ana Bilim Dalı
PROF. DR. İBRAHİM ALTUNBAŞ
- New edge computing offloading methods for next generation wireless networks
Yeni nesil haberleşme sistemleri için geliştirilen kenar ağlarda bilgi işlem yük boşaltma yöntemleri
BESTE ATAN
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. LÜTFİYE DURAK ATA
- 5G waveform design and software defined radio based proof of concept implementations
5G dalga formu tasarımı ve yazılım tabanlı radyo tabanlı kavram kanıtlama gerçeklemeleri
SELAHATTİN GÖKCELİ
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNEŞ ZEYNEP KARABULUT KURT
- Ortam tabanlı modülasyonlu işbirlikli dik olmayan çoklu erişim
Media-based modulated cooperative non-orthogonal multiple access
MEHMET CAN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM ALTUNBAŞ