Derin öğrenme algoritmalarıyla otomatik modülasyon tanımlama
Automatic modulation recognition with deep learning algorithms
- Tez No: 716656
- Danışmanlar: DR. ÖĞR. ÜYESİ BAHATTİN KARAKAYA
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: CNN, Derin öğrenme, Modülasyon yöntemleri, Zaman analizi, CNN, Deep learning, Modulation methods, Time analysis
- Yıl: 2022
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Otomatik modülasyon tanıma, tüm haberleşme sistemleri için sinyal analizinin hızlı bir şekilde gelişen alanıdır. Bu alanda farklı algoritmalarla birçok çalışma yapılmıştır. Literatürde var olan yöntemlerin birçoğu modern yapıda ve yüksek kapasiteli sistemlerde modülasyon sinyallerinin tanınmasında başarısız olabilmektedir. Günümüzde yapay zeka alanındaki gelişmelerle beraber derin öğrenme algoritmaları da sinyal işleme alanında kullanılmaya başlanmıştır. Otomatik modülasyon sınıflama için oluşturulan derin öğrenme modellerinin başarı yüzdeleri yapılan çalışmalarla birlikte artış göstermektedir. Bu tez çalışmasında derin öğrenme algoritmaları kullanılarak Evrişimli Sinir Ağı (Convolutional Neural Network, CNN) tabanlı bir otomatik modülasyon sınıflandırıcı geliştirilmiştir. Sınıflandırma için değişen sinyal-gürültü oranlarında 11 modülasyondan oluşan GNU Radyo ile oluşturulmuş sentetik bir veri seti kullanılmıştır. Veri seti içerisinde bulunan karmaşık sinyallerin zaman-frekans alanındaki görüntüleri elde edilmiştir. Karmaşık sinyallerin zaman-frekans temsillerini sağlamak için etkili bir yaklaşım olan Senkronize Sıkıştırma Dönüşümü (Synchrosqueezing Transform, SST) kullanılmıştır. Fourier Tabanlı Senkronize Sıkıştırma Dönüşümü (Fourier-Based Synchrosqueezig Transform, FSST) yöntemi ile ortaya çıkan zaman-frekans analizi görüntülerinin sınıflandırılması için bir CNN modeli geliştirilmiştir. FSST ile alınan görüntülerden oluşan yeni veri seti, tasarlanan CNN modeli için 128x128x2 şeklinde üç boyutlu bir girdi haline getirilmiştir. Bu girdiler yedi evrişim katmanı ve beş tane de yoğun katman kullanılarak oluşturulan CNN modeli ile eğitilerek bir modülasyon sınıflandırıcı hazırlanmıştır. Önerilen sınıflandırıcı %87 oranında başarılı bir sonuç vermiştir.
Özet (Çeviri)
Automatic modulation recognition is a rapidly developing field of signal analysis for all communication systems. Many studies have been carried out in this area with different algorithms. Many of the methods available in the literature fail to recognize modulation signals in modern structures and high-capacity systems. Today, with the developments in the field of artificial intelligence, deep learning algorithms have started to be used in the field of signal processing. The success rates of deep learning models created for automatic modulation classification increase with the studies done. In this thesis, an automatic modulation classifier based on Convolutional Neural Network (CNN) was developed using deep learning algorithms. A synthetic dataset created with GNU Radio consisting of 11 modulations at varying signal-to-noise ratios was used for classification. The images in the time-frequency domain of the complex signals in the data set were obtained. An efficient approach, Synchrosqueezing Transform (SST), is used to provide time-frequency representations of complex signals. A CNN model has been developed for the classification of time-frequency analysis images produced by the Fourier-Based Synchrosqueezig Transform (FSST) method. The new dataset, consisting of images taken with FSST, is a three-dimensional input in the form of 128x128x2 for the designed CNN model has been made into. A modulation classifier was prepared by training these inputs with the CNN model created using seven convolution layers and five dense layers. The proposed classifier gave a successful result of 87%.
Benzer Tezler
- Derin öğrenme algoritmaları kullanılarak EEG sinyallerinden yalan tespiti
Lie detection from EEG signals using deep learning algorithms
MUSA ASLAN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMET BAYKARA
- Patolojik seslerin tanısı için derin öğrenme tabanlı tıbbi karar destek sisteminin geliştirilmesi
Development of a deep learning-based medical decision support system for the diagnosis of pathological voices
İREM BİGAT
Yüksek Lisans
Türkçe
2022
BiyomühendislikTobb Ekonomi ve Teknoloji ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN EROĞUL
- Ultrason taramalarından fetüs hareketlerinin tespiti için yeni derin öğrenme modelleri geliştirilmesi
Development of novel deep learning models for fetal movement detection in ultrasound scans
MUSA TURKAN
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE DANDIL
- Maymun çiçeği lezyonlarının derin öğrenme tabanlı hibrit model ile sınıflandırılması
Classification of monkeypox lesions using a deep learning-based hybrid model
MUSTAFA KEMAL TOPÇU
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR İNAN
- Boyut arttırma yöntemleri kullanılarak eeg sinyallerinden derin öğrenme tabanlı şizofren durum tespiti
Deep learning based schizophrenia status determination from eeg signals using dimension augmentation methods
ZÜLFİKAR ASLAN
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET AKIN