Derin öğrenme tabanlı SNR kestirimi: Durum çalışması

Basit Öğe Kaydı
dc.contributor.authorLeblebici, Merih
dc.contributor.authorÇalhan, Ali
dc.date.accessioned2025-10-11T20:37:57Z
dc.date.available2025-10-11T20:37:57Z
dc.date.issued2025
dc.departmentDüzce Üniversitesien_US
dc.description.abstractSinyal-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.en_US
dc.identifier.doi10.28948/ngumuh.1647805
dc.identifier.endpage886en_US
dc.identifier.issn2564-6605
dc.identifier.issue3en_US
dc.identifier.startpage874en_US
dc.identifier.trdizinid1327211en_US
dc.identifier.urihttps://doi.org/10.28948/ngumuh.1647805
dc.identifier.urihttps://search.trdizin.gov.tr/tr/yayin/detay/1327211
dc.identifier.urihttps://hdl.handle.net/20.500.12684/20796
dc.identifier.volume14en_US
dc.indekslendigikaynakTR-Dizinen_US
dc.language.isotren_US
dc.relation.ispartofNiğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisien_US
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanıen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.snmzKA_TR_20250911
dc.subjectÖğrenme aktarımıen_US
dc.subjectDerin öğrenmeen_US
dc.subjectKablosuz haberleşmeen_US
dc.subjectSNR kestirimien_US
dc.titleDerin öğrenme tabanlı SNR kestirimi: Durum çalışmasıen_US
dc.typeArticleen_US

Dosyalar

Koleksiyon

TR-Dizin İndeksli Yayınlar Koleksiyonu