KaydedilenlerDerginizi ekleyin

Dergiler / Uludağ Üniversitesi Mühendislik Fakültesi Dergisi / 2026 / Cilt: 28 Sayı: 1

DERİN ÖĞRENME TABANLI MODÜLASYON TANIMA

Deep Learning Based Modulation Recognition

Mehmet Merih Leblebici(DÜZCE ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ)0000-0002-7709-2906
Ali Çalhan(DÜZCE ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ)0000-0002-5798-3103
Murtaza Cicioğlu(Bursa Uludağ Üniversitesi, Mühendislik Fakültesi)0000-0002-5657-7402
Sayfa
123–140
Yayın Tarihi
2023-04-30
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

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.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Haberleşme teknolojilerinde her geçen gün artan sinyal çeşitliliği, bu sinyallerin tanımlanması ve sınıflandırılması gerekliliğini ortaya çıkarmıştır.
📊
Temel Bulgular & Veri:Beşinci nesil (fifth generation, 5G) ve ötesi kablosuz haberleşme teknolojileri, birçok uygulama için vazgeçilmez iletişim araçları haline gelmiştir.
💡
Sonuç & Katkı: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.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Otomatik Modülasyon Tanıma · Evrişimli Sinir Ağları · Derin Öğrenme

Özet

Haberleşme 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.

Abstract

The increasing signal diversity of communication technologies has revealed the need that these signals to be defined and classified. Fifth-generation (5G) and beyond wireless communication technologies have become indispensable communication tools for many applications. The automatic modulation recognition (AMR) technique has become a key component for many applications, especially the next-generation internet of things, smart cities, autonomous vehicles, and cognitive radio. In this study, a data set was created using eight different modulation types and modulation classification was made at different signal-to-noise ratios (SNR) using convolutional neural networks (CNN) from deep learning (DL) algorithms. As a result, while the SNR values were 10 dB, 20 dB, and 30 dB, CNN provided 80.76%, 99.89%, and 100% accuracy in the classification process, respectively.

🔖

Bu Makaleye Atıf Yap

Leblebici, M. M., Çalhan, A., Cicioğlu, M. (2023). DERİN ÖĞRENME TABANLI MODÜLASYON TANIMA. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, Cilt: 28 Sayı: 1, 123–140. https://doi.org/10.17482/uumfd.1161509

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Ansari, S., Alnajjar, K. A., Saad, M., Abdallah, S. ve El-Moursy, A. A. (2022) Automatic Digital Modulation Recognition Based on Genetic-Algorithm-Optimized Machine Learning Models, IEEE Access, 10, 50265–50277. doi:10.1109/ACCESS.2022.3171909.
  2. Dulek, B. (2017) Online Hybrid Likelihood Based Modulation Classification Using Multiple Sensors, IEEE Transactions on Wireless Communications, 16(8), 4984–5000. doi: 10.1109/TWC.2017.2704124.
  3. Hu, L., Jiang, H., Lu, R. ve Liu, C. (2021) Signal Classification in Real-time Based on SDR using Convolutional Neural Network, Proceedings of 2021 IEEE 2nd International Conference on Information Technology, Big Data and Artificial Intelligence, ICIBA2021, (Iciba), 893–898. doi:10.1109/ICIBA52610.2021.9687958
  4. Lin, S., Zeng, Y., ve Gong, Y. (2022) Learning of Time-Frequency Attention Mechanism for Automatic Modulation Recognition, IEEE Wireless Communications Letters, 11(4), 707–711. doi: 10.1109/LWC.2022.3140828.
  5. O’Shea T. J., Corgan, J., ve Clancy, T. C. (2016) Convolutional radio modulation recognition networks, Communications in Computer and Information Science, 629, 213–216. doi: 10.1007/978-3-319-44188-7_16.
  6. Shi F. Y., Hu, Z. M., Yue, C. S. ve Chen, Z. C. (2022a) Combining neural networks for modulation recognition, Digital Signal Processing, 120, 103264. doi: 10.1016/J.DSP.2021.103264.
  7. Shi F. Y., Yue, C. S. ve Han, C. (2022b) A lightweight and efficient neural network for modulation recognition, Digital Signal Processing, 123, 103444. doi: 10.1016/J.DSP.2022.103444.
  8. Wang, Y., Liu, M., Yang, J. ve Gui, G. (2019) Data-Driven Deep Learning for Automatic Modulation Recognition in Cognitive Radios, IEEE Transactions on Vehicular Technology, 68(4), 4074–4077. doi:10.1109/TVT.2019.2900460
  9. Wang Y., Gui, J., Yin, Y., Wang, J., Sun, J., Gui, G., Gacanin, H., Sari, H. ve Adachi, F. (2020) Automatic Modulation Classification for MIMO Systems via Deep Learning and Zero-Forcing Equalization, IEEE Transactions on Vehicular Technology, 69(5), 5688–5692. doi: 10.1109/TVT.2020.2981995.
  10. Zeng, Y., Zhang, M., Han, F., Gong, Y. ve Zhang, J. (2019) Spectrum Analysis and Convolutional Neural Network for Automatic Modulation Recognition, IEEE Wireless Communications Letters, 8(3), 929–932. doi:10.1109/LWC.2019.2900247
  11. Zhang F., Luo, C., Xu, J., Luo, Y. ve Zheng, F. (2022) Deep learning based automatic modulation recognition: Models, datasets, and challenges, Digital Signal Processing, 129, 103650. doi: 10.1016/J.DSP.2022.103650.
  12. Zhou, R., Liu, F. ve Gravelle, C. W. (2020) Deep Learning for Modulation Recognition: A Survey with a Demonstration IEEE Access, 8, 67366–67376. doi:10.1109/ACCESS.2020.2986330