Modulation classification with deep learning techniques using software-defined radio(SDR)
Yazılım tabanlı radyo(YTR) kullanarak derin öğrenme teknikleriyle modülasyon sınıflandırması
- Tez No: 977722
- Danışmanlar: DOÇ. DR. REYAT YILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Derin öğrenme, Deep learning
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, derin öğrenme (DL) teknikleri ve Yazılım Tanımlı Radyolar (SDR'ler) temelinde Otomatik Modülasyon Sınıflandırması (AMC) için uçtan uca bir sistem sunmaktadır. Evrensel Yazılım Radyo Çevre Birimi (USRP) cihazlarını kullanan çalışma, simülasyon tabanlı çalışmalar ile gerçek dünya sinyal ortamları arasındaki boşluğu doldurmaktadır. Üç derin öğrenme mimarisi — Evrişimli Sinir Ağları (CNN), Artık Ağlar (ResNet) ve Çok Katmanlı Algılayıcılar (MLP) — kümulant tabanlı ve faz tabanlı özellikler üzerinde eğitilmiş ve değerlendirilmiştir. Gerçek zamanlı bir sınıflandırma sistemi geliştirilmiş ve havadan iletişim kuran iki senkronize USRP cihazında uygulanmıştır. Deney sonuçları, özellikle MLP modeliyle çeşitli SNR ve kanal koşulları altında QPSK, 16QAM, 64QAM ve 8PSK gibi dijital modülasyon şemaları için %90'ın üzerinde doğruluk elde ederek sağlam bir sınıflandırma performansı göstermektedir.
Özet (Çeviri)
This thesis presents an end-to-end system for Automatic Modulation Classification (AMC) based on deep learning (DL) techniques and Software-Defined Radios (SDRs). Using Universal Software Radio Peripheral (USRP) devices, the study bridges the gap between simulation-based studies and real-world signal environments. Three deep learning architectures—Convolutional Neural Networks (CNN), Residual Networks (ResNet) and Multilayer Perceptrons (MLP)—are trained and evaluated on cumulant-based and phase-based features. A real-time classification system is developed and deployed across two synchronized USRP devices communicating over-the-air. Experimental results indicate robust classification performance, achieving over 90% accuracy for digital modulation schemes such as QPSK, 16QAM, 64QAM, and 8PSK under various SNR and channel conditions particularly with the MLP model.
Benzer Tezler
- 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
- Optimization of deep learning models for real-time rf signal classifications on resource-constrained devices
Sınırlı kaynaklı cihazlarda derin öğrenme kullanarak gerçek zamanlı rf sinyal sınıflandırması optimizasyonu
GÖKSENİN SERTTAŞ
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik MühendisliğiAtılım ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BARIŞ GÜRCAN HAKANOĞLU
- Derin sinir ağları ile modülasyon sınıflandırma
Başlık çevirisi yok
YUSUF ARAS
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ERTUĞRUL ÇELEBİ
- 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
- OFDM-based received waveform design and processing techniques to detect and classify radar targets for next generation integrated sensing and communication systems
Gelecek nesil bütünleşik algılama ve haberleşme sistemleri için radar hedeflerinin tespit ve sınıflandırmasına yönelik OFDM tabanlı dalgabiçimi tasarımı ve sinyal işleme teknikleri
SEYFETTİN MUHİBBULLAH ULUOCAK
Doktora
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MESUT KARTAL