Yazar "Leblebici, Merih" seçeneğine göre listele
Listeleniyor 1 - 8 / 8
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe CNN-based automatic modulation recognition for index modulation systems(Pergamon-Elsevier Science Ltd, 2024) Leblebici, Merih; Calhan, Ali; Cicioglu, MurtazaAutomatic modulation recognition (AMR) has garnered significant attention in both civilian and military domains, with applications ranging from spectrum sensing and cognitive radio (CR) to the deterrence of adversary communication. Index modulation (IM) represents an innovative digital modulation technique that exploits the indices of parameters of communication systems to transmit extra information bits. This paper aims to examine the performance of a convolutional neural network (CNN)-based AMR across various IM systems, including spatial modulation (SM), quadrature spatial modulation (QSM), and generalized spatial modulation (GSM) with eight digital modulation schemes. In this study, we leverage confusion matrices, receiver operating characteristic (ROC) curves, and F1 scores to illustrate the recognition model's outputs.Öğe Deep learning-based modulation recognition with constellation diagram: A case study(Elsevier, 2024) Leblebici, Merih; Calhan, Ali; Cicioglu, MurtazaAutomatic modulation recognition is a promising solution for identifying and classifying signals received in heterogeneous wireless networks. In dynamic and autonomous environments, receivers must extract the relevant signal from various modulated signals to enable further communication procedures. Machine learning, including its sub-branches for classification problems, offers promising operational capabilities. This study utilized the ResNet-50 deep learning method for modulation classification. A dataset consisting of eight digital modulation techniques was generated, with constellation diagrams created as image data over the additive white Gaussian noise (AWGN) channel at signal-to-noise ratios (SNR) of 5 dB, 10 dB, and 20 dB. The deep learning algorithm's performance metrics were evaluated using a confusion matrix, and F1 scores were compared to those of the AlexNet deep learning algorithm. The simulation results clearly indicate the superior performance of ResNet-50 over AlexNet. In terms of average F1 scores, ResNet-50 exhibits a significant advantage, surpassing AlexNet by approximately 67%, 29%, and 10% at SNR values of 5 dB, 10 dB, and 20 dB, respectively.Öğe Derin Öğrenme Tabanlı Kanal Kestirimi: 5G NR OFDM Sistemleri için Hiperparametre Optimizasyonu ve Performans Karşılaştırması(2025) Leblebici, Merih; Çalhan, AliBeşinci nesil (5G) Yeni Radyo (NR), gelişmiş mobil geniş bant ve ultra güvenilir düşük gecikmeli iletişim sağlamak üzere tasarlanmış birleşik, esnek ve ölçeklenebilir kablosuz iletişim için küresel bir standarttır. Kanal kestirimi, 5G NR dik frekans bölmeli çoğullama (OFDM) sistemlerinin performansını optimize etmek için kritik bir öneme sahiptir. Bu çalışma, hiperparametre analizine ve geleneksel en küçük kareler (LS) yöntemiyle performans karşılaştırmasına odaklanarak derin öğrenme (DL) tabanlı kanal kestirim tekniklerini araştırmaktadır. 300 adet simülasyon aracılığıyla, DL modellerinin dinamik kablosuz ortamlardaki uyarlanabilirliklerinin ve doğruluklarının değerlendirilmesi için değişen parametreler altında analizi yapılır. Sonuçlar, DL modellerinin, ince ayar yapıldığında, tahmin doğruluğu açısından LS'den daha iyi performans gösterdiğini, daha düşük hatalar elde ettiğini ve değişen kanal koşullarına daha fazla uyum sağladığını göstermektedir. Ayrıca çalışma, optimize edilmiş DL modellerinin hesaplama karmaşıklığını azaltma potansiyelini vurgulayarak gerçek zamanlı uygulamalarda kullanılabileceklerine dikkat çekmekte ve 5G NR OFDM sistemlerinde DL tabanlı yaklaşımların avantajlarının altını çizmektedir.Öğe Derin öğrenme tabanlı modülasyon tanıma(2023) Leblebici, Merih; Çalhan, Ali; Cicioğlu, MurtazaHaberleşme teknolojilerinde her geçen gün artan sinyal çeşitliliği, bu sinyallerin tanımlanması ve sınıflandırılması gerekliliğini ortaya çıkarmıştır. Beşinci nesil (fifth generation, 5G) ve ötesi kablosuz haberleşme teknolojileri, birçok uygulama için vazgeçilmez iletişim araçları haline gelmiştir. Otomatik modülasyon tanıma (automatic modulation recognition, AMR) tekniği, özellikle yeni nesil nesnelerin interneti, akıllı şehirler, otonom araçlar ve bilişsel radyo gibi birçok uygulama için temel bileşen haline gelmiştir. Bu çalışmada sekiz farklı modülasyon türü kullanılarak bir veri seti oluşturulmuş ve derin öğrenme (deep learning, DL) algoritmalarından olan evrişimli sinir ağları (convolutional neural network, CNN) kullanılarak farklı sinyal-gürültü oranlarında (signal-to-noise ratio, SNR) modülasyon türü sınıflandırılması yapılmıştır. Sonuç olarak SNR değerleri 10 dB, 20 dB ve 30 dB iken CNN ile sınıflandırma işleminde sırasıyla %80,76, %99,89 ve %100 doğruluk sağlanmıştır.Öğe Derin öğrenme tabanlı SNR kestirimi: Durum çalışması(2025) Leblebici, Merih; Çalhan, AliSinyal-gürültü oranı (signal to noise ratio, SNR) kestirimi, uyarlanabilir modülasyonu, etkili güç tahsisini ve güvenilir bağlantı uyarlamasını iyileştirdiği için kablosuz haberleşme sistemlerinin optimize edilmesinde önemli bir yere sahiptir. Veri yardımlı ve veri yardımsız olarak yapılan geleneksel SNR kestirim yöntemlerinin, yüksek frekans, geniş bant aralığı ve gürültüye karşı duyarlılığın fazla olması şeklinde karakterize edilen altıncı nesil (sixth generation, 6G) sistemlerinde yaşadıkları zorlukların aksine derin öğrenme (deep learning, DL) modelleri umut vaat eden bir alternatif olarak karşımıza çıkmaktadır. Bu çalışmada ResNet101V2, MobileNetV2 ve Xception olmak üzere üç adet DL modelinin SNR sınıflandırma performansı, modülasyon türlerine ait yıldız diyagramı görüntüleri yardımıyla öğrenme aktarımı tekniği kullanılarak değerlendirilmiştir. ResNet101V2, %70.8’lik bir ortalama sınıflandırma doğruluyla en üstün performansı gösterirken MobileNetV2 ve Xception sırasıyla %63.6 ve %56.8’lik doğruluk değerlerine ulaşabilmektedir. ResNet101V2, yüksek dereceli modülasyon türleri kullanılarak yapılan SNR sınıflandırmasında daha dayanıklı bir mimari olduğunu göstermiş olsa da MobileNetV2, kaynakları sınırlı senaryolar için alternatif olabilecek bir işlemsel yüke sahiptir. Tüm bunların aksine Xception, ImageNet veri setindeki görüntü sınıflandırma başarısına rağmen bu çalışmaya özgü olan SNR sınıflandırmasında aynı performansı gösterememektedir. Sonuçlar beklendiği üzere artan modülasyon derecesiyle beraber sınıflandırma doğruluğunun düştüğünü göstermektedir.Öğe Effects of diagram plane on neural network based modulation recognition(Elsevier, 2024) Leblebici, Merih; Calhan, Ali; Cicioglu, MurtazaModulation recognition using deep learning presents challenges in effectively distinguishing high -order modulation schemes while maintaining a balance between complexity and recognition accuracy. In this study, we curate a comprehensive dataset in the r theta plane, encompassing eight distinct modulation schemes. Leveraging hyperparameter optimization and transfer learning, we explore the capabilities of various CNN -based architectures, including MobileNetV2, ResNet50V2, ResNet101V2, InceptionV3, ResNet152V2, Xception, and InceptionResNetV2, for the classification of modulation schemes. The simulation results demonstrate that with signalto-noise ratio (SNR) values exceeding 5 dB, all models exhibit classification accuracies surpassing 50% and approach near -perfect accuracy at an SNR value of 20 dB. However, under low SNR conditions, such as 5 dB, the recognition accuracies of all models, except for ResNet152V2 and InceptionV3, show minimal variation. As the SNR increases by 5 dB from -5 dB to 20 dB, ResNet152V2 and InceptionV3 demonstrate remarkable classification accuracy improvements, exceeding 40%, 30%, 30%, 10%, and 15%, respectively. In contrast, the other models do not exhibit such robust responsiveness in accuracy enhancements. The remarkable performance improvements are achieved by fine-tuning pre -trained models through these processes.Öğe Generative artificial intelligence for integrated sensing and communication in 6G(Elsevier, 2025) Leblebici, Merih; Calhan, AliThe advent of sixth generation (6G) networks is poised to redefine wireless communication, promising unprecedented data rates, ultra-low latency, and transformative applications such as holographic communications and real-time digital twins. These advancements hinge on key enabling technologies, including terahertz communication, intelligent reflecting surfaces, and the integration of artificial intelligence (AI). Generative AI (GAI) emerges as a cornerstone of 6G, offering capabilities to overcome challenges such as data scarcity, network optimization, and personalized user experiences. Similarly, integrated sensing and communication (ISAC) stands as a pivotal innovation, merging communication and environmental sensing within a unified system, thereby enhancing spectrum efficiency and operational versatility. This paper examines the convergence of GAI and ISAC as foundational components of 6G. While much of the existing literature focuses on the physical layer, this study also highlights the untapped potential and challenges within the data link and network layers, presenting a comprehensive perspective on the transformative role of GAI and ISAC in next-generation networks.Öğe Unveiling the power of features: A comparative study of machine learning and deep learning for modulation recognition(Elsevier B.V., 2025) Leblebici, Merih; Çalhan, Ali; Cicioǧlu, MurtazaWireless communication systems rely on amplitude, frequency, and phase parameters for signal transmission. Traditional modulation recognition (MR) techniques, employing likelihood-based (LB) and feature-based (FB) methods, struggle with accurate classification, particularly at low signal-to-noise ratios (SNR) and increasing modulation complexity. Machine learning (ML) and deep learning (DL) algorithms, which efficiently utilize in-phase/quadrature (IQ) and r-radius/θ-angle (rθ) data representations to enhance MR performance. DL, utilizing artificial neural networks (ANN), minimizes the need for extensive feature engineering, making it adept at handling diverse modulation types and challenging SNR conditions. This study systematically examines dataset generation parameters to reveal their impact on MR performance. By focusing on these underlying parameters, the analysis provides deeper insights into how data characteristics influence model performance, offering a foundational understanding for optimizing dataset configurations in MR tasks. Evaluating ML and DL models across datasets, results show DL model consistently outperforms ML models, achieving up to 79.41 % accuracy on IQ-based datasets. DL's hierarchical feature extraction enhances adaptability, particularly with larger datasets, reduced window lengths (WL), and specific θ ranges (e.g., radians or smaller degree intervals). For ML models, datasets based on IQ, rθ, and IQrθ parameters yield better results but remain below 70 % accuracy. Overall, DL model exhibits robust adaptability to complex signal environments, highlighting their effectiveness in advancing modulation recognition for next-generation wireless communication systems. © 2025 Elsevier B.V., All rights reserved.
