Automatic modulation classification with machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımları ile otomatik modülasyon sınıflandırması
- Tez No: 966006
- Danışmanlar: DOÇ. DR. DERYA YILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 119
Özet
Otomatik Modülasyon Sınıflandırması (AMC), modüle edilmiş giriş sinyalinin işlenerek ve analiz edilerek modülasyon tipinin belirlenmesidir. Son yıllarda AMC için Makine Öğrenmesi (ML) ve Derin Öğrenme (DL) algoritmaları sıklıkla kullanılmaktadır. Bu çalışmada 24 modülasyon tipini içeren sentetik olarak üretilmiş RadioML2018 veri seti kullanılmıştır. Veri seti her modülasyon tipi için -20dB ile 30dB aralığında belirli SNR seviyelerinde sinyaller içermektedir. Bu çalışma, geleneksel yöntemlerin sınırlamalarını ele almak için özellik mühendisliği ve görselleştirme tabanlı derin öğrenmeyi birleştiren hibrit bir çerçeve önermektedir. Öncelikle, literatürde kullanılmayan yöntemler ile özgün özellikler çıkarılmış ve bu özellikler geleneksel sınıflandırma algoritmaları kullanılarak 24 sınıf üzerinde çeşitli SNR değerlerinde sınıflandırılmıştır. Optimize Edilebilir Ensemble sınıflandırıcısını kullanan özellik odaklı yaklaşımlar, 20 dB SNR'da %52,9 doğruluk elde etmiştir. Bu sonuç ele alnınan yaklaşımın potansiyelini gösterirken aynı zamanda daha sağlam çözümlere olan ihtiyacı da vurguladı. Bunu aşmak için, Genlik-Renk Ölçeği Takımyıldızı Diyagramı tekniği geliştirildi. Bu teknik, geleneksel konstelasyon diyagramlarının ötesine geçerek sembollerin genlik bilgisini nokta büyüklüğüyle, faz bilgisini ise renk tonlarıyla kodlar ve böylece modülasyon türlerinin karakteristik saçılım desenlerini görselleştirir. Bu teknik, özellikle gürültülü ortamlarda sembol ayrımını iyileştirir ve derin öğrenme algoritmaları için zengin bir girdi sunarak otomatik modülasyon sınıflandırma performansını artırır. Görselleştirilen veriler daha sonra ResNet50, EfficientNet ve Görüntü Dönüştürücüleri (ViT'ler) dahil olmak üzere birden fazla derin öğrenme modeline eğitildi. Hiyerarşik özellik çıkarma yeteneği sayesinde 20 dB SNR'de %82,03 doğruluk elde eden ResNet50 en etkili model olarak ortaya çıktı. Son olarak, özellik tabanlı Optimize Edilebilir Ensemble ve görselleştirme tabanlı ResNet50 modellerini entegre eden yumuşak bir oylama topluluğu uygulandı. Bu hibrit topluluk yaklaşımı, 24 sınıfta sınıflandırma doğruluğunu önemli ölçüde iyileştirerek 20 dB SNR'da %88,30 doğruluk elde etti. Doğruluktaki iyileştirme, özellik çıkarma ve görselleştirme tabanlı derin öğrenme modellerinin birleştirilmesinin etkinliğini göstererek, dünya uygulamaları için önerilen çerçevenin potansiyelini doğruladı.
Özet (Çeviri)
Automatic Modulation Classification (AMC) is the determination of the modulation type by processing and analyzing the modulated input signal. In recent years, Machine Learning (ML) and Deep Learning (DL) algorithms have been frequently used for AMC. In this study, the synthetically generated RadioML2018 dataset containing 24 modulation types was used. The dataset contains signals at certain SNR levels in the range of -20dB to 30dB for each modulation type. This study proposes a hybrid framework combining feature engineering and visualization-based deep learning to address the limitations of traditional methods. First, original features are extracted with methods not used in the literature and these features are classified at various SNRs on 24 classes using traditional classification algorithms. Feature-oriented approaches using the Optimizable Ensemble classifier achieved 52.9% accuracy at 20dB SNR. While this result shows the potential of the approach under consideration, it also emphasizes the need for more robust solutions. To overcome this, the Amplitude-Color Scale Constellation Diagram technique was developed. This technique goes beyond traditional constellation diagrams by encoding the amplitude information of symbols with dot size and phase information with color tones, thus visualizing the characteristic scattering patterns of modulation types. This technique improves symbol separation, especially in noisy environments, and provides a rich input for deep learning algorithms, enhancing the performance of automatic modulation classification. The visualized data is then trained on multiple deep learning models, including ResNet50, EfficientNet, and Image Transformers (ViTs). ResNet50 emerged as the most effective model, achieving 82.03% accuracy at 20 dB SNR due to its hierarchical feature extraction capability. Finally, a soft voting ensemble was applied, integrating the feature-based Optimizable Ensemble and visualization-based ResNet50 models. This hybrid ensemble approach significantly improved the classification accuracy, achieving 88.30% accuracy at 20 dB SNR in 24 classes. The improvement in accuracy demonstrated the effectiveness of combining feature extraction and visualization-based deep learning models, validating the potential of the proposed framework for world applications.
Benzer Tezler
- Evrişimsel sinir ağlarıyla otomatik modülasyon sınıflandırma
Automatic modulation classification with comvolutional neural networks
OSMAN KAYA
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TANSAL GÜÇLÜOĞLU
- Gelecek nesil haberleşme sistemlerinde yapay zeka tabanlı modülasyon tanımlama yöntemi geliştirilmesi
Development of artificial intelligence based modulation recognition method in next generation communication systems
MEHMET MERİH LEBLEBİCİ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiDüzce ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ ÇALHAN
- Deep learning based automatic modulation classification in the presence of carrier phase offset and carrier frequency offset
Taşıyıcı faz kayması ve taşıyıcı frekans kayması altında derin öğrenme temelli otomatik modülasyon sınıflandırma
RAMAZAN YILMAZ
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ EMRE PUSANE
PROF. DR. ÇAĞATAY CANDAN
DR. ÖĞR. ÜYESİ HÜSEYİN BİRKAN YILMAZ
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET AKİF YAZICI
DR. ÖĞR. ÜYESİ MEHMET FATİH DEMİRKOL
- Derin öğrenme ile modülasyon sınıflandırması
Modulation classification with deep learning
SELÇUK BALSÜZEN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MESUT KARTAL