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

Radyo Haberleşmesinde Evrişimli Sinir Ağı Kullanılarak Yapılan Modülasyon Sınıflandırması

Sayfa
867–877
Yayın Tarihi
2022-11-06
DOI
—
🏛️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)

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 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, radyo iletişim sinyalleri için modülasyon tipi sınıflandırması amaçlanmış ve derin öğrenmenin sınıflandırma performansı üzerindeki etkisi incelenmiştir.
📊
Temel Bulgular & Veri:Simülasyonda taşıyıcı frekans kayması, sembol hızı, çok yollu sönümleme, gecikme yayılımı ve termal gürültünün farklı etkileri göz önünde bulundurulmaktadır.
💡
Sonuç & Katkı: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.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:512 örnek
⚙️Değişkenler: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.

Anahtar kelimeler
🔖

Bu Makaleye Atıf Yap

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

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (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?