Advanced sıgnal classıfıcatıon usıng CNN-PBCC and AMFTCNet
Advanced signal classification using CNN-PBCC and AMFTCNet
- Tez No: 986786
- Danışmanlar: PROF. DR. HÜSAMETTİN OSMANOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstinye Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği ve Enformatik Bilimler Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Jandoubi, N. (2025). CNN-PBCC ve AMFTCNet Kullanarak Gelişmiş Sinyal Sınıflandırması. İstinye Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı. Yüksek Lisans Tezi. İstanbul. Sinyal sınıflandırması, kablosuz iletişim, biyomedikal sinyal işleme ve bilişsel radyo alanlarında temel bir görevdir; ancak geleneksel yöntemler gürültülü ve yüksek boyutlu verilerde çoğunlukla yetersiz kalmaktadır. Bu tezde, çok ölçekli CNN tabanlı özellik çıkarıcıları, Zamanlamalı Konvolüsyonel Ağları (TCN), Sıkıştırma-Genleşme (Squeezeand-Excitation) dikkat mekanizmasını ve Desen-Temelli Bilişsel İletişim (PBCC) mantığını bütünleştiren derin bir mimari olan AMFTCNet (Dikkat-Geliştirilmiş Çok Ölçekli Özellik ve Zaman Konvolüsyonel Ağı) önerilmektedir. Bu mimari, karmaşık zaman serisi örüntülerinin uçtan uca dayanıklı öğrenimini mümkün kılmaktadır. SNR (Signal-to-Noise Ratio) değerleri –10 dB'den +20 dB'ye kadar değişen kapsamlı 16 sınıflı bir modülasyon veri kümesi üzerinde yapılan değerlendirmelerde, AMFTCNet üstün bir performans sergilemiştir. Yüksek SNR koşullarında (örneğin +20 dB) neredeyse kusursuz doğruluk (~%100) elde etmiş; 0 dB'de %91,4 F1 skoru ve –5 dB'de %83,8 başarıya ulaşmıştır. Temel CNN ve LSTM modelleriyle kıyaslandığında, AMFTCNet düşük SNR koşullarında %5–15 oranında daha yüksek doğruluk sağlamış ve tüm sınıflarda dengeli kesinlik ve duyarlılık değerlerini korumuştur. Ayrıca, hızlı ve kararlı bir eğitim süreci elde edilerek 5. epoch'ta %95'in üzerinde doğruluk seviyesine ulaşılmış ve aşırı öğrenme belirtileri gözlemlenmemiştir. Bu sonuçlar, AMFTCNet'in bilişsel olarak zenginleştirilmiş çok ölçekli tasarımının, gerçek dünya sinyal sınıflandırma sorunlarına yönelik yüksek doğruluklu, gürültüye dayanıklı ve genelleştirilebilir bir çözüm sunduğunu doğrulamaktadır.
Özet (Çeviri)
Jandoubi, N .(2025). Advanced Signal Classification Using CNN-PBCC and AMFTCNet. Istinye University, Institute of Science and Technology, Department of Computer Engineering. Master's Thesis. Istanbul. Signal classification is a fundamental task in wireless communications, biomedical signal processing, and cognitive radio, but traditional methods often falter on noisy, high-dimensional data. In this thesis, we propose AMFTCNet (Attention-enhanced Multi-scale Feature and Temporal Convolutional Network), a deep architecture that integrates multi-scale CNN feature extractors, Temporal Convolutional Networks (TCNs), Squeeze-and-Excitation attention, and Pattern-Based Cognitive Communication (PBCC) logic – enabling robust end-to-end learning of complex timeseries patterns. Evaluated on a comprehensive 16-class modulation dataset with Signalto-Noise Ratios (SNR) ranging from –10 dB to +20 dB, AMFTCNet demonstrated superior performance. It achieved near-perfect accuracy (~100%) in high-SNR conditions (e.g., +20 dB) and maintained strong performance even at 0 dB with a 91.4% F1-score, and 83.8% at –5 dB. Compared to baseline CNN and LSTM models, AMFTCNet outperformed them by 5–15% accuracy in the low-SNR regime, while maintaining balanced precision and recall across all classes. The model also achieved rapid and stable training convergence, reaching over 95% accuracy by the 5th epoch without signs of overfitting. These results confirm that AMFTCNet's cognitively enriched, multi-scale design delivers a highly accurate, noise-resilient, and generalizable solution for real-world signal classification challenges.
Benzer Tezler
- Classification of hand gestures using time-frequency analysis and different artificial intelligence methods
Zaman-frekans analizi ve farklı yapay zeka yöntemleri kullanılarak el hareketlerinin sınıflandırılması
DENİZ HANDE KISA
Yüksek Lisans
İngilizce
2023
Bilim ve Teknolojiİzmir Katip Çelebi ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONAN GÜREN
PROF. DR. AYDIN AKAN
- Ses olay tespit problemine derin öğrenme tabanlı çözümler
Utilizing footstep sound event detection by using cnn techniques for assuring property security
FURKAN YUSUF YAVUZ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NEJAT YUMUŞAK
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Fault diagnosis in smart grids using artificialintelligence techniques
Akilli şebekelerde yapay zeka teknikleriyleariza teşhisi
AHMED SAMI KHAIRULLAH ALHANAF
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN HÜSEYİN BALIK
PROF. DR. MURTAZA FARSADI
- 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