Journals / Fırat Üniversitesi Mühendislik Bilimleri Dergisi / 2022 / Cilt: 34 - Sayı: 2

Radyo Haberleşmesinde Evrişimli Sinir Ağı Kullanılarak Yapılan Modülasyon Sınıflandırması

Pages
867–877
Publication Date
2022-11-06
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Bu araştırmada gösterilen performans ödünleşimleri, veri sembolleri ve eğitim sembolleri üretimindeki temel parametreleri dikkate alır, algılamayı geliştirir ve bu tür sistemlerin optimizasyonu üzerine gelecekteki çalışmalara odaklanır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada, radyo iletişim sinyalleri için modülasyon tipi sınıflandırması amaçlanmış ve derin öğrenmenin sınıflandırma performansı üzerindeki etkisi incelenmiştir.
📊
Key Findings & Data:Simülasyonda taşıyıcı frekans kayması, sembol hızı, çok yollu sönümleme, gecikme yayılımı ve termal gürültünün farklı etkileri göz önünde bulundurulmaktadır.
💡
Conclusion & Impact:Bu araştırmada gösterilen performans ödünleşimleri, veri sembolleri ve eğitim sembolleri üretimindeki temel parametreleri dikkate alır, algılamayı geliştirir ve bu tür sistemlerin optimizasyonu üzerine gelecekteki çalışmalara odaklanır.
🔬Design:Experimental Field Trial
📍Scope:512 örnek
⚙️Variables:CNN · Modülasyon

Özet

Bu çalışmada, radyo iletişim sinyalleri için modülasyon tipi sınıflandırması amaçlanmış ve derin öğrenmenin sınıflandırma performansı üzerindeki etkisi incelenmiştir. Ayrıca bu çalışmada, modülasyon sınıflandırmasında bir evrişimsel sinir ağının (Convolutional Neural Network-CNN) nasıl kullanılacağı araştırılmaktadır. İlk olarak, sentetik, kanal-bozulmuş dalga biçimleri oluşturulur. Üretilen dalga formlarını veri olarak kullanan bir CNN eğitilir, ardından modülasyon sınıflandırması yapılır. Sonunda, CNN'yi test etmek için Yazılım Tanımlı Radyo (SDR) donanımı ve havadan alınan sinyaller (kablosuz) kullanılır. Simülasyonda taşıyıcı frekans kayması, sembol hızı, çok yollu sönümleme, gecikme yayılımı ve termal gürültünün farklı etkileri göz önünde bulundurulmaktadır. Tüm bu etkiler tam olarak uygun bir şekilde modellenebilir ve ayrıca burada çalışmamızın kapsamı dışında sentetik olarak modellenebilecek birçok ek yayılma etkisi vardır. Bu çalışmada eğitilen CNN; İkili faz kaydırmalı anahtarlama (BPSK), dörtlü faz kaydırmalı anahtarlama (QPSK), (8-PSK), 16 dörtlü genlik modülasyonu (QAM), 64 QAM, 4 darbeli genlik modülasyonu (PAM4), gauss frekans kaydırmalı anahtarlama (GFSK), sürekli faz frekans kaydırmalı anahtarlama (CPFSK), yayın FM (B-FM), çift yan bant genlik modülasyonu (DSB-AM), tek yan bant genlik modülasyonu (SSB-AM) şeklindeki modülasyon tiplerini tanımlamak için kullanılır. Eğitilmiş CNN, 1024 ve 512 örnek için her bir çerçevenin modülasyon tipi hakkında tahminde bulunur ve karşılaştırmalar yapar. Bu araştırmada gösterilen performans ödünleşimleri, veri sembolleri ve eğitim sembolleri üretimindeki temel parametreleri dikkate alır, algılamayı geliştirir ve bu tür sistemlerin optimizasyonu üzerine gelecekteki çalışmalara odaklanır.

🔖

Cite This Article

ÇALIŞIR, B. (2022). Radyo Haberleşmesinde Evrişimli Sinir Ağı Kullanılarak Yapılan Modülasyon Sınıflandırması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 34 - Sayı: 2, 867–877. https://ajindex.com/articles/650594

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (3)

  1. Timothy J. O, Pemula L, Batra D, Charles C. T. Radio transformer networks: Attention models for learning to synchronize in wireless systems. In Signals, Systems and Computers, 2016
  2. IEEE 50th Asilomar Conference on
  3. pp. 662-666. [2]He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. CoRR, abs/1512.03385, 2015. [3] Goodfellow I, Bengio Y, and Courville A, Deep Learning. Cambridge, MA, USA: MIT Press, 2016. [4] Lowe D. G, Distinctive image features from scale-invariant keypoints, International Journal Computer Vision, vol. 60, no. 2, pp. 91–110, 2004. [5] Vidal-Naquet M, Ullman S. Object recognition with informative features and linear classification, in Proc. Int. Conf. Comput. Vis., 2003, vol. 3, pp. 281–288. [6] Imai S. Cepstral analysis synthesis on the mel frequency scale. Proc. IEEE Int. Conf. Acoust., Speech, Signal Process., 1983, vol. 8, pp. 93–96. [7] OShea T. J, Corgan J, Clancy T. C. Convolutional radio modulation recognition networks. Proc. Int. Conf. Eng. Appl. Neural Netw., 2016, pp. 213–226. [8] O’Shea T, Hoydis J. An introduction to deep learning for the physical layer. IEEE Trans. Cogn. Commun. Netw., vol. 3, no. 4, pp. 563–575, 2017. [9] Razavian A. S, Azizpour H, Sullivan J, Carlsson S. CNN features off-the-shelf:An astounding baseline for recognition. Proc. IEEE Conf. Comput. Vis. Pattern Recognit. Workshops, 2014, pp. 806–813. [10] O'Shea, T. J, Roy T, Clancy T. C. Over-the-Air Deep Learning Based Radio Signal Classification. IEEE Journal of Selected Topics in Signal Processing. Vol. 12, Number 1, 2018, pp. 168–179. [11] Chen T, Guestrin C. Xgboost: A scalable tree boosting system. Proc. 22nd ACM SIGKDD Int. Conf. Knowl. Discovery Data Mining, 2016, pp. 785–794. [12] Spooner, C. M, Mody A. N, Chuang J, Petersen J. Modulation recognition using second-and higher-order cyclostationarity. Proc. 2017 IEEE Int. Symp. Dyn. Spectr. Access Netw., 2017, pp. 1–3. [13] Abdelmutalab A, Assaleh K, El-Tarhuni M. Automatic modulationclassification based on high order cumulants and hierarchical polynomialclassifiers. Phys. Commun., vol. 21, pp. 10–18, 2016. [14] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv:1409.1556, 2014. [15] Gui G, et al. Flight delay prediction based on aviation big data and machine learning. IEEE Trans. Veh. Technol., vol. 69, no. 1, pp. 1065– 1069, 2020. [16] Mao B, Fadlullah Z. Md, Tang F, Kato N, Akashi O, Inoue T, Mizutani K. Routing or computing?