Deep learning based spectrum sensing for cognitive radio systems
Bilişsel radyo sistemleri için derin öğrenme tabanlı spektrum algılama
- Tez No: 990137
- Danışmanlar: PROF. DR. DİDEM KIVANÇ TÜRELİ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Okan Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Spektrumun daha değerli bir kaynak haline gelmesiyle, modern iletişim sistemlerinin zaman, frekans ve uzamsal alanlarda mevcut tüm frekans bantlarını en iyi şekilde kullanması esastır. Bazı lisanslı ve lisanssız spektrumlar aşırı kalabalıkken ve lisanslı spektrumların çoğu önemli ölçüde yetersiz kullanılıyor. Bu nedenle, tüketicilerin hizmet kalitesi (QoS) için amaçlanan standartlarını korurken yüksek veri hızlarına ulaşmak için. Bilişsel radyo (CR) ağı, spektrum kullanım problemini ele almak ve farklı modülasyon sinyallerini belirlemek için daha verimli bir yöntem olduğu için bu tezde kullanılmıştır. Sonuç olarak, bu tez, gerçek dünya sinyalini algılamak için derin öğrenmeye (DL) dayalı bir evrişimli sinir ağı (CNN) ve ardından bu gerçek zamanlı sinyalin var olup olmadığını tespit etmeye yönelik kategorizasyon süreci için kullandı. Ayrıca, önerilen CNN modeli, SDR cihazı tarafından üretilen bir sentetik kullanılarak eğitilmiştir. Sonuç olarak, önerilen CNN modelinin eğitim performansı kısa sürede olmuştur ve önerilen CNN, minimum algılama hatası ile düşük SNR'de önemli bulgular elde ederek geleneksel enerji dedektör yönteminden daha iyi performans göstermiştir. Ayrıca, önerilen CNN modeli performansı, algılama olasılığı (Pd) ve yanlış alarm olasılığı (Pfa) olmak üzere iki faktör açısından gerçekleştirilmiştir. Bu nedenle, CNN modeli, SNR'deki sinyalleri -26 dB olarak etkin bir şekilde algılar ki bu çok düşük bir SNR değeridir. Bunun yanı sıra, bu tezin bir sonraki vizyonu, üç fazda (Aşama 1, 2 ve 3) dağıtılan veri seti sinyalleri olan yedi sinyal türü için modülasyon şemasının sinyal sınıflandırması için Derin Öğrenme algoritmasına dayalı bir bilişsel radyo sisteminde bir BiLSTM tekniği kullanmaktır. önerilen BiLSTM modelinin etkinliğini değerlendirmek için. Ek olarak, önerilen BiLSTM ile sınıflandıran bu üç fazlı veri setinin ağ doğruluğu ve karışıklık matrisleri açısından simülasyon sonuçları için tartışmalar yapılmıştır. Son olarak bu tezde yer alan modeller MATLAB programı kullanılarak değerlendirilmiştir.
Özet (Çeviri)
With the spectrum becoming a more precious resource, it is essential that modern communication systems make the best use of all the available frequency bands in the time, frequency, and spatial domains. While certain licensed and unlicensed spectrums are overcrowded, and the majority of licensed spectrums are significantly underused. Therefore, in order to accomplish high data rates while keeping consumers' intended standards for quality of service (QoS). The cognitive radio (CR) network has been employed in this thesis since it is a more efficient method to address the spectrum utilization problem and identify different types of modulation signals. Consequently, this thesis used a convolutional neural network (CNN) based on deep learning (DL) for sensing real-world signal and subsequently for the categorization process of detecting if this real-time signal is present or absent. Furthermore, the proposed CNN model was trained by using a synthetic signal generated by the SDR device. As a result, the training performance of the proposed CNN model has been within a short time and the proposed CNN outperformed the traditional energy detector method by achieving significant findings at low SNR with minimum detection error. In addition, the proposed CNN model performance was carried out in terms of two factors, which are the probability of detection (Pd) and the false alarm probability (Pfa). Hence, the CNN model effectively detects the signals at SNR as -26 dB, which is a very low SNR value. Besides that, the next vision thesis is to utilize a BiLSTM deep learning network in a cognitive radio system based on a Deep Learning algorithm for signal classification of the modulation scheme for seven signal types, dataset signals distributed in three phases (Phase 1, 2 and 3) to evaluate the effectiveness of the proposed BiLSTM model. Additionally, the discussions for simulation results in terms of the network accuracy and the confusion matrixes of these three phases dataset that classifies by the proposed BiLSTM have been carried out. Finally, the models in this thesis are evaluated by using MATLAB software.
Benzer Tezler
- Sayısal modülasyonlu işaretlerin radyometre ve derin öğrenme yöntemleri ile tespiti ve başarımı
Empirical analysis of the performance of radiometer and deep learning methods for digitally modulated signals
GAMZE KİRMAN TOKGÖZ
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Ticaret ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERHAN YARKAN
- 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
- Cognition-enabling techniques for next-generation radar and electronic warfare systems
Gelecek nesil radar ve elektronik harp sistemleri için bilişsellik-etkinleştirme teknikleri
MUHARREM ARIK
Doktora
İngilizce
2019
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZGÜR BARIŞ AKAN
- Automatic spectrum sensing technique using support vector machine in cognitive radio network
Başlık çevirisi yok
MUSTAFA KAMAL YAWER ARKWAZEE
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMAD ILYAS
- Hardware implementation for 802.11b/g/n signal classification
802.11b/g/n sinyal sınıflandırması için donanım tasarımı
RAMAZAN ÇETİN
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL FAİK BAŞKAYA