Yazar "Leblebici, Mehmet Merih" seçeneğine göre listele

Listeleniyor 1 - 1 / 1
  • Küçük Resim Yok
    Öğe
    Gelecek nesil haberleşme sistemlerinde yapay zeka tabanlı modülasyon tanımlama yöntemi geliştirilmesi
    (Düzce Üniversitesi, 2024) Leblebici, Mehmet Merih; Çalhan, Ali
    Derin öğrenme (deep learning, DL) ve makine öğrenimi (machine learning, ML) tekniklerinin gelecek nesil haberleşme sistemlerinde otomatik modülasyon tanımlama (automatic modulation recognition, AMR) için kullanılması oldukça önemlidir. Gelecek nesil haberleşme teknolojilerinde yapay zeka (artificial intelligence, AI) oldukça önemli bir yer tutacaktır. Yapay zekanın ön plana çıkmasıyla beraber bilişsel radyo (cognitive radio, CR) gibi sistemler daha etkili çalışma fırsatı bulacaktır. Bu tez çeşitli evrişimli sinir ağı (convolutional neural network, CNN) tabanlı modelin etkinliğini modülasyon türlerinin sınıflandırılması kapsamında farklı sistem modelleri ve sinyal-gürültü oranları (signal-to-noise ratio, SNR) için incelemektedir. Çeşitli formattaki sayılar ya da görüntüler ile IQ ve rθ diyagram düzlemlerinde üretilen veri setleri sınıflandırma modellerini beslemektedir. Böylelikle sınıflandırma modellerinin beslendiği veri setleri içeriğinin performansa etkisi gözlenmiştir. Ayrıca klasik modülasyon türlerinin yanına çeşitli indis modülasyonu (index modulation, IM) tekniği de eklenerek sınıflandırma problemi kapsamında literatüre yenilikçi katkılar sağlanmaktadır. Kullanılan klasik modülasyon tekniklerinin arasında faz kaydırmalı anahtarlama (phase shift keying, PSK) modülasyon ailesinden ikili PSK (binary PSK, BPSK), dördün PSK (quadrature PSK, QPSK), 8PSK, 16PSK, 32PSK ve 64PSK bulunurken karesel genlik modülasyonu (quadrature amplitude modulation, QAM) ailesinden QAM16, QAM64 ve QAM256 bulunmaktadır. Sınıflandırılan IM teknikleri de uzaysal modülasyon (spatial modulation, SM), dik SM (quadrature SM, QSM) ve genelleştirilmiş SM (generalized SM, GSM)'dir. rθ diyagram düzleminde üretilen veri setinden yararlanarak hiperparametre optimizasyonu, öğrenme aktarımı ve toplamsal beyaz Gauss gürültüsünün (additive white Gaussian noise, AWGN) etkileri araştırılmıştır. Gürültünün etkileri çeşitli çalışmalar ile düşük, orta ve yüksek SNR değerleri seçilerek ya da bu SNR bölgelerini kapsayan bir dizi SNR değeri için incelenmiştir. Temel bulgular bazı modellerin performansının diğerlerine göre üstün olduğunu, CNN tabanlı modellerin yüksek dereceli modülasyon türlerinin ayırt edilmesinde etkili olduğunu ve özellikle düşük SNR durumlarında IQ diyagram düzleminden rθ diyagram düzlemine geçişle beraber sınıflandırma doğruluğunun yükseldiğini göstermiştir. Sonuçlar uygun bir şekilde optimize edildiği zaman DL tekniklerinin modülasyon tanımlama görevleri için geleneksel yaklaşımlara göre daha iyi performans sergilediğini göstermektedir ve dolayısıyla dinamik ve otonom haberleşme sistemleri için potansiyele sahip olduğunu kanıtlamaktadır. Son olarak modülasyon sınıflandırma problemi farklı bir bakış açısı ile bilgi hiyerarşisi özelinde değerlendirilerek veri analitiğine bu problem için yeni bir açı kazandırılmıştır.