LEE- Telekomünikasyon Mühendisliği Lisansüstü Programı

Bu topluluk için Kalıcı Uri

http://hdl.handle.net/11527/19468

Gözat

Yazar "Aras, Yusuf" ile LEE- Telekomünikasyon Mühendisliği Lisansüstü Programı'a göz atma
  • Öge
    Derin sinir ağları ile modülasyon sınıflandırma
    (Lisansüstü Eğitim Enstitüsü, 2023-07-06) Aras, Yusuf ; Çelebi, Mehmet Ertuğrul ; 504181348 ; Telekomünikasyon Mühendisliği
    Haberleşme sistemleri, farklı modülasyon türlerinin kullanımıyla günden güne gelişmektedir. Geliştirilen her modülasyon türünün kendine özgü kullanım alanı ve kendine ait özellikleri olmaktadır. Etkin, kaliteli ve sürdürülebilir bir haberleşme alt yapısı için kullanılan modülasyon türleri araştırmacılar için hep çalışma konusu olmuştur. Araştırmacılar, modülasyon türlerinin sınıflandırılması için çeşitli yöntemler kullanmıştır. Bu yöntemler, teknolojinin gelişimine göre de sürekli gelişmiştir. Teknolojinin gelişme aşamasında, modülasyon sınıflandırma olasılık tabanlı yöntemlerle yapılmaya çalışılıyordu. Olasılık tabanlı yöntemler, yoğun matematiksel hesaplama gerektiren işlemlere dayanıyordu. Bu yöntemlerin kullanılabilmesi için de sınıflandırılacak modülasyon türü hakkında ön bilgiye gereksinim duyulmaktadır. Ancak günümüzde, oyun bilgisayarlarının, önceki nesillere göre çok daha hızlı olması ve grafik işlemcilerle donatılması modülasyon türlerinin sınıflandırılması için yeni yöntemler sunmuştur. Modülasyon türleri, makine öğrenmesi algoritmaları ile sınıflandırılmaya başlanmıştır. Makine öğrenmesi algoritmaları ile modülasyon sınıflandırma yaparken, sınıflandırılacak modülasyon türü hakkında ön bilgiye ihtiyaç duyulmamaktadır. Makine öğrenmesi algoritmaları kullanılarak, çok kısa sürede ve yüksek doğruluk değerleri ile sınıflandırma yapılabilmesi araştırmacıları bu alana yöneltmiştir. Araştırmacılar, modülasyon sınıflandırma işlemleri için makine öğrenmesi algoritmalarını benimsemiş, özellik çıkarımına gerek kalmadan modülasyon sınıflandırma yöntemlerine katkıda bulunmuşlardır. Hızlı ve yüksek başarımlı algoritmalar geliştirmişlerdir. Bu algoritmalar da yapılan yeni çalışmalarla daha da ileriye taşınmaktadır. Bu tez çalışmasında, makine öğrenmesi algoritmaları kullanılarak modülasyon sınıflandırma işlemleri yapılmaya çalışılmıştır. Yapılan çalışmada 8 sayısal modülasyon türü, ikili faz kaydırmalı anahtarlama (BPSK), dörtlü faz kaydırmalı anahtarlama (QPSK), 8 faz kaydırmalı anahtarlama (8-PSK), 16 karesel genlik modülasyonu (16-QAM), 64 karesel genlik modülasyonu (64-QAM), 4 darbe genlik modülasyonu (PAM4), gauss frekans kaydırmalı anahtarlama (GFSK), sürekli fazlı frekans kaydırmalı anahtarlama modülasyonu (CPFSK) ve 3 analog modülasyon türü çift yan bant modülasyonu (DSB-AM), tek yan bant modülasyonu (SSB-AM), geniş bant frekans modülasyonu (WB-FM) sınıflandırılmaya çalışılmıştır. Tez kapsamında, modülasyon sınıflandırma işlemleri için kullanılan olasılık tabanlı ve makine öğrenmesi algoritmaları ile sınıflandırma yöntemleri tanıtılmıştır. Yapılan sınıflandırma çalışmaları güncel sınıflandırma çalışmaları yöntemlerine göre seçilmiştir. Sınıflandırma işlemleri için evrişimli sinir ağları (CNN), artık sinir ağları (ResNet), özyineli sinir ağları (RNN) modelleri olan, uzun kısa vadeli bellek (LSTM), geçitli tekrarlayan ünite (GRU) ve çift yönlü bilgi akışı sağlayarak sınıflandırma yapabilen, çift yönlü uzun kısa vadeli bellek (Bi-LSTM), çift yönlü geçitli tekrarlayan ünite (Bi-GRU) yöntemleri kullanılmıştır. Yapılan çalışmalarda, GNU Radio (ücretsiz ve açık kaynaklı bir yazılım geliştirme platformu) tarafından oluşturulan, yapay veri seti RadioML2016.10a kullanılmıştır. Bu yapay veri seti, 11 modülasyon türüne ait zaman alanında örneklenmiş verileri içermektedir. Tez kapsamında oluşturulan modellere giriş verisi olarak RadioML2016.10a verisi kullanılmıştır. Tez çalışmasında, yüksek doğruluk ve hızlı sınıflandırma konularına yoğunlaşılmıştır. Bu bağlamda, yüksek doğruluk ve hızlı sınıflandırma sağlayan modeller oluşturulmaya çalışılmıştır. Tez çalışmasında, her biri özgün olan 12 modülasyon sınflandırma benzetimleri kullanılmıştır. Yüksek doğruluk ve hız açısından, paralel modeller oluşturulmuştur. Paralel modellerle veri öğrenmesinin iki farklı kolda ayrı ayrı yapılıp, sınıflandırma işlemlerinde öğrenilen özelliklerin paylaşılarak yüksek doğruluk ve hızlı sınıflandırma amaçlanmıştır. Yapılan sınıflandırma çalışmalarında, Paralel CNN, ResNet, Paralel ResNet, LSTM, Paralel LSTM, GRU, Bi-LSTM, Bi-GRU modelleri oluşturulmuş ve bu modellerler sınıflandırma çalışmaları tekrar tekrar denenmiştir. Elde edilen en yüksek doğruluk değerleri tez kapsamında dâhil edilmiştir. Yapılan tüm çalışmalarda elde edilen en yüksek doğruluk değerleri %93 olmuştur. Tez çalışmasında ResNet modeli ile de %92 oranında bir doğruluk değeri sağlanmıştır. ResNet Modeli ile yapılan sınıflandırma için yüksek bir sınıflandırma başarımıdır. Yapılan önceki modülasyon sınıflandırma çalışmalarında, ResNet ile yüksek doğruluk değerleri sağlanamamışken, bu tez çalışmasında %92 gibi bir başarım sağlanmıştır. Bu başarımın arttırılması için Paralel ResNet modeli oluşturulmuştur. Ancak, oluşturulan Paralel ResNet modeli beklenen başarımı sergileyememiştir. Paralel ResNet modelinin, sadece faz kaydırmalı anahtarlama modülasyonları için uygun olduğu görülmüştür. LSTM modelleri ile yapılan sınıflandırmalar, diğer çalışmalarda olduğu gibi yüksek doğruluk değerleri sağlamıştır. LSTM ile oluşturulan modeller %93 gibi bir başarım sağlamıştır. Yapılan önceki çalışmalar, LSTM modelinin GRU modeline göre daha iyi bir sınıflandırma sonucu sağladığı algısını değiştirmiştir. Yapılan çalışmalarda GRU modelleri, hem yüksek doğruluk hem hızlı sınıflandırma açısından daha iyi bir başarım sağlamıştır. Yapılan çalışmalar sonucunda GRU modelinin LSTM modeline göre üstünlüğü kurulmuştur. LSTM ve GRU modelleri farklı katman sayıları ile oluşturulmuş ve bu iki yöntem arasında hız ve doğruluk denemeleri yapılmıştır. Yapılan denemeler sonucunda, elde edilen başarım değerleri tek tek karşılaştırılmıştır. Yapılan tüm çalışmalarda, elde edilen sonuçlar tarafsız bir şekilde değerlendirilmeye çalışılmış, savunulan düşünceler de yeni oluşturulan modellerle de desteklenmeye çalışılmıştır. Tez kapsamında yapılan çalışmalar sonucunda, kullanılan yöntemlere göre modülasyon türlerinin doğruluk tahminleri tek tek analiz edilmeye çalışılmıştır. Kullanılan modellerin başarımları modülasyon türlerine göre ayrı ayrı değerlendirilmiş ve her modülasyon türüne en uygun olacak sınıflandırıcı model belirtilmiştir. Derin sinir ağları ile yapılan tüm modülasyon sınıflandırma benzetimleri özgün bir şekilde, bu tez çalışmasına dâhil edilmiştir. Yapılan tez çalışması, modülasyon sınıflandırma, ses tanıma, haberleşme sistemlerinin iyileştirilmesi gibi konularda yapılacak sonraki çalışmalara kaynak teşkil edecek ve yol gösterici bir çalışma olarak gerçekleştirilmiştir.