Geri Dön

Derin sinir ağları ile modülasyon sınıflandırma

Başlık çevirisi mevcut değil.

PDF İndir

  1. Tez No: 894327
  2. Yazar: YUSUF ARAS
  3. Danışmanlar: PROF. DR. MEHMET ERTUĞRUL ÇELEBİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 118

Özet

Haberleşme sistemleri, farklı modülasyon türlerinin kullanımıyla günden güne gelişmektedir. Geliştirilen her modülasyon türünün kendine özgü kullanım alanı ve kendine ait özellikleri olmaktadır. Etkin, kaliteli ve sürdürülebilir bir haberleşme alt yapısı için kullanılan modülasyon türleri araştırmacılar için hep çalışma konusu olmuştur. Araştırmacılar, modülasyon türlerinin sınıflandırılması için çeşitli yöntemler kullanmıştır. Bu yöntemler, teknolojinin gelişimine göre de sürekli gelişmiştir. Teknolojinin gelişme aşamasında, modülasyon sınıflandırma olasılık tabanlı yöntemlerle yapılmaya çalışılıyordu. Olasılık tabanlı yöntemler, yoğun matematiksel hesaplama gerektiren işlemlere dayanıyordu. Bu yöntemlerin kullanılabilmesi için de sınıflandırılacak modülasyon türü hakkında ön bilgiye gereksinim duyulmaktadır. Ancak günümüzde, oyun bilgisayarlarının, önceki nesillere göre çok daha hızlı olması ve grafik işlemcilerle donatılması modülasyon türlerinin sınıflandırılması için yeni yöntemler sunmuştur. Modülasyon türleri, makine öğrenmesi algoritmaları ile sınıflandırılmaya başlanmıştır. Makine öğrenmesi algoritmaları ile modülasyon sınıflandırma yaparken, sınıflandırılacak modülasyon türü hakkında ön bilgiye ihtiyaç duyulmamaktadır. Makine öğrenmesi algoritmaları kullanılarak, çok kısa sürede ve yüksek doğruluk değerleri ile sınıflandırma yapılabilmesi araştırmacıları bu alana yöneltmiştir. Araştırmacılar, modülasyon sınıflandırma işlemleri için makine öğrenmesi algoritmalarını benimsemiş, özellik çıkarımına gerek kalmadan modülasyon sınıflandırma yöntemlerine katkıda bulunmuşlardır. Hızlı ve yüksek başarımlı algoritmalar geliştirmişlerdir. Bu algoritmalar da yapılan yeni çalışmalarla daha da ileriye taşınmaktadır. Bu tez çalışmasında, makine öğrenmesi algoritmaları kullanılarak modülasyon sınıflandırma işlemleri yapılmaya çalışılmıştır. Yapılan çalışmada 8 sayısal modülasyon türü, ikili faz kaydırmalı anahtarlama (BPSK), dörtlü faz kaydırmalı anahtarlama (QPSK), 8 faz kaydırmalı anahtarlama (8-PSK), 16 karesel genlik modülasyonu (16-QAM), 64 karesel genlik modülasyonu (64-QAM), 4 darbe genlik modülasyonu (PAM4), gauss frekans kaydırmalı anahtarlama (GFSK), sürekli fazlı frekans kaydırmalı anahtarlama modülasyonu (CPFSK) ve 3 analog modülasyon türü çift yan bant modülasyonu (DSB-AM), tek yan bant modülasyonu (SSB-AM), geniş bant frekans modülasyonu (WB-FM) sınıflandırılmaya çalışılmıştır. Tez kapsamında, modülasyon sınıflandırma işlemleri için kullanılan olasılık tabanlı ve makine öğrenmesi algoritmaları ile sınıflandırma yöntemleri tanıtılmıştır. Yapılan sınıflandırma çalışmaları güncel sınıflandırma çalışmaları yöntemlerine göre seçilmiştir. Sınıflandırma işlemleri için evrişimli sinir ağları (CNN), artık sinir ağları (ResNet), özyineli sinir ağları (RNN) modelleri olan, uzun kısa vadeli bellek (LSTM), geçitli tekrarlayan ünite (GRU) ve çift yönlü bilgi akışı sağlayarak sınıflandırma yapabilen, çift yönlü uzun kısa vadeli bellek (Bi-LSTM), çift yönlü geçitli tekrarlayan ünite (Bi-GRU) yöntemleri kullanılmıştır. Yapılan çalışmalarda, GNU Radio (ücretsiz ve açık kaynaklı bir yazılım geliştirme platformu) tarafından oluşturulan, yapay veri seti RadioML2016.10a kullanılmıştır. Bu yapay veri seti, 11 modülasyon türüne ait zaman alanında örneklenmiş verileri içermektedir. Tez kapsamında oluşturulan modellere giriş verisi olarak RadioML2016.10a verisi kullanılmıştır. Tez çalışmasında, yüksek doğruluk ve hızlı sınıflandırma konularına yoğunlaşılmıştır. Bu bağlamda, yüksek doğruluk ve hızlı sınıflandırma sağlayan modeller oluşturulmaya çalışılmıştır. Tez çalışmasında, her biri özgün olan 12 modülasyon sınflandırma benzetimleri kullanılmıştır. Yüksek doğruluk ve hız açısından, paralel modeller oluşturulmuştur. Paralel modellerle veri öğrenmesinin iki farklı kolda ayrı ayrı yapılıp, sınıflandırma işlemlerinde öğrenilen özelliklerin paylaşılarak yüksek doğruluk ve hızlı sınıflandırma amaçlanmıştır. Yapılan sınıflandırma çalışmalarında, Paralel CNN, ResNet, Paralel ResNet, LSTM, Paralel LSTM, GRU, Bi-LSTM, Bi-GRU modelleri oluşturulmuş ve bu modellerler sınıflandırma çalışmaları tekrar tekrar denenmiştir. Elde edilen en yüksek doğruluk değerleri tez kapsamında dâhil edilmiştir. Yapılan tüm çalışmalarda elde edilen en yüksek doğruluk değerleri %93 olmuştur. Tez çalışmasında ResNet modeli ile de %92 oranında bir doğruluk değeri sağlanmıştır. ResNet Modeli ile yapılan sınıflandırma için yüksek bir sınıflandırma başarımıdır. Yapılan önceki modülasyon sınıflandırma çalışmalarında, ResNet ile yüksek doğruluk değerleri sağlanamamışken, bu tez çalışmasında %92 gibi bir başarım sağlanmıştır. Bu başarımın arttırılması için Paralel ResNet modeli oluşturulmuştur. Ancak, oluşturulan Paralel ResNet modeli beklenen başarımı sergileyememiştir. Paralel ResNet modelinin, sadece faz kaydırmalı anahtarlama modülasyonları için uygun olduğu görülmüştür. LSTM modelleri ile yapılan sınıflandırmalar, diğer çalışmalarda olduğu gibi yüksek doğruluk değerleri sağlamıştır. LSTM ile oluşturulan modeller %93 gibi bir başarım sağlamıştır. Yapılan önceki çalışmalar, LSTM modelinin GRU modeline göre daha iyi bir sınıflandırma sonucu sağladığı algısını değiştirmiştir. Yapılan çalışmalarda GRU modelleri, hem yüksek doğruluk hem hızlı sınıflandırma açısından daha iyi bir başarım sağlamıştır. Yapılan çalışmalar sonucunda GRU modelinin LSTM modeline göre üstünlüğü kurulmuştur. LSTM ve GRU modelleri farklı katman sayıları ile oluşturulmuş ve bu iki yöntem arasında hız ve doğruluk denemeleri yapılmıştır. Yapılan denemeler sonucunda, elde edilen başarım değerleri tek tek karşılaştırılmıştır. Yapılan tüm çalışmalarda, elde edilen sonuçlar tarafsız bir şekilde değerlendirilmeye çalışılmış, savunulan düşünceler de yeni oluşturulan modellerle de desteklenmeye çalışılmıştır. Tez kapsamında yapılan çalışmalar sonucunda, kullanılan yöntemlere göre modülasyon türlerinin doğruluk tahminleri tek tek analiz edilmeye çalışılmıştır. Kullanılan modellerin başarımları modülasyon türlerine göre ayrı ayrı değerlendirilmiş ve her modülasyon türüne en uygun olacak sınıflandırıcı model belirtilmiştir. Derin sinir ağları ile yapılan tüm modülasyon sınıflandırma benzetimleri özgün bir şekilde, bu tez çalışmasına dâhil edilmiştir. Yapılan tez çalışması, modülasyon sınıflandırma, ses tanıma, haberleşme sistemlerinin iyileştirilmesi gibi konularda yapılacak sonraki çalışmalara kaynak teşkil edecek ve yol gösterici bir çalışma olarak gerçekleştirilmiştir.

Özet (Çeviri)

Communication systems are improved day-by-day with using different modulation types. Each modulation type which is developed has its own specific usage area and its own characteristics. Modulation types which are used for effective, high quality and sustainable communication infrastructure have always been the subject of study for researchers. Researchers have used various methods to classify modulation types. These methods have been continuously developed according to the development of technology. In the development phase of technology, modulation classification was first implemented with probability-based methods. Probability-based methods rely on computation-intensive operations. However, usage of these methods also require prior knowledge of the modulation type to be classified. Nowadays, improvement of the gaming computers equipped with graphical proccessing unit pave the way for new methods for modulation classification studies. Modulation classification reach a new phase with machine learning algorithms. Modulation classification with machine learning algorithms doesn't require priori information related with the modulation type which is classified. Machine learning algorithms present high accuracy values and very fast classification performance which appeal the interest of the researcher to use that algorithms on their studies. Researchers have adopted machine learning algorithms for modulation classification processes without the need of feature extraction. They developed algorithms which have fast and high performance on modulation classification. These algorithms are also being carried forward with new studies. In this thesis, modulation classification processes implemented by machine learning algorithms. In this study, 8 digital modulation types, binary phase shift keying (BPSK), quadrature phase shift keying (QPSK), 8 phase shift keying (8-PSK), 16-quadrature amplitude modulation (16-QAM), 64-quadrature amplitude modulation (64-QAM), 4 pulse amplitude modulation (PAM4), gaussian frequency shift keying (GFSK), continuous phase frequency shift keying modulation (CPFSK), and 3 analog modulation types double sideband modulation (DSB-AM), single sideband modulation (SSB-AM), wideband frequency modulation (WB-FM) are tried to be classified. Probability-based and machine learning algorithms based classification methods which are used for modulation classification processes are introduced in the scope of the thesis. Classification studies are selected according to current classification studies' methods. In classification operations, convolutional neural networks (CNN), residual neural networks (ResNet), recursive neural networks (RNN) types, long short-term memory (LSTM), gated recurrent unit (GRU) and models which provide bi-directional information flow, bi-directional long-short-term memory (BiLSTM), bi-directional gate recurrent unit (Bi-GRU) methods are used. In this study, artificial dataset RadioML2016.10a which generated by GNU Radio ( free and open source software development platform) is used. This synthetic dataset contains data of 11 modulation types which are sampled in time-domain. RadioML2016.10a dataset is used as input data for each models which is created within the scope of the thesis. In the thesis work, high accuracy and fast classification issues are developed. In this context, it has been tried to create models which provide high accuracy and fast classification performance. In the thesis study, 12 modulation classification techniques that each one is unique used. In terms of high accuracy and high speed, parallel models have been created. With using parallel models, feature learning is done separately in two different branches and the learned features are shared in classification processes to get high accuracy and fast classification performance. In classification studies, Parallel CNN, ResNet, Parallel ResNet, LSTM, Parallel LSTM, GRU, Bi-LSTM, BiGRU models are created and classification studies are tried repeatedly with these models. The highest accuracy values obtained with these models are included in the thesis. The highest accuracy values obtained in all studies is 93%. In thesis study, an accuracy value of 92% is provided with the ResNet model. This value shows high classification performance for classification with ResNet Model. In previous modulation classification studies, ResNet didn't have high classification performance but in that study %92 accuracy value is achieved with ResNet. After that high performance of the ResNet model, Parallel ResNet model is created to increase this performance. However, the created Parallel ResNet model is not perform as expected. The parallel ResNet model has been found to be suitable only for phase shift keying modulations. Classification with LSTM models always give high classification performance as achieved in that study. Models which are created with LSTM, achieved a success rate of 93%. According to previous studies, LSTM has better performance than GRU. However, this thesis studies also change that perception. In thesis studies, the GRU models provide a better performance in terms of both high accuracy and fast classification. As a result of the studies, the superiority of the GRU model over the LSTM model has been established with that thesis. LSTM and GRU models are created with different number of layers, speed and accuracy comparisons are made between these two methods. As a result of the trials done, the performance values obtained are compared one by one for each model. In all studies, the results are tried to be evaluated in an impartial way, and the hypothesis were tried to be supported with the newly created models. As a result of the studies carried out within the scope of the thesis, the accuracy estimates of the modulation types according to the methods used are tried to be analyzed one by one. The performances of the models used are evaluated separately according to the modulation types, and the classifier model that would be most suitable for each modulation type is specified. All modulation classification simulations with deep neural networks are uniquely included in this thesis. The thesis study is carried out as a guide and a source for future studies on modulation classification, voice recognition, improvement of communication systems.

Benzer Tezler

  1. Tez No

    859548

    Kablosuz sönümlemeli kanalda derin öğrenme tabanlı otomatik modülasyon sınıflandırması

    Automatic modulation classification over wireless fading channel based on deep learning

    YİĞİT CAN DURDU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiZonguldak Bülent Ecevit Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HAKAN KAYA

    DR. ÖĞR. ÜYESİ FERDİ KARA

  2. Tez No

    722179

    Derin öğrenmenin modülasyon sınıflandırma uygulamaları için alanda programlanabilir kapı dizileri üzerinde gerçeklenmesi

    Field programmable gate array based implementation of deep learning for modulation classification

    KORAY ALIÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiAnkara Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKHAN SOYSAL

  3. Tez No

    803287

    Evrişimsel sinir ağlarıyla otomatik modülasyon sınıflandırma

    Automatic modulation classification with comvolutional neural networks

    OSMAN KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. TANSAL GÜÇLÜOĞLU

  4. Tez No

    859636

    Secure and coordinated beamforming in 5G and beyond systems using deep neural networks

    5G ve ötesi sistemlerde derin sinir ağları kullanarak güvenli ve koordineli hüzmeleme

    UTKU ÖZMAT

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET AKİF YAZICI

    DR. ÖĞR. ÜYESİ MEHMET FATİH DEMİRKOL

  5. Tez No

    637233

    Self-supervised pansharpening: Guided colorization of panchromatic images using generative adversarial networks

    Öz-denetimli pankeskinleştirme: Çekişmeli üretken ağlar ile pankromatik görüntülerin güdümlü renklendirilmesi

    FURKAN ÖZÇELİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖZDE ÜNAL

Geri Dön