Makine öğrenmesi yöntemi ve görüntü işleme kullanılarak modülasyon sinyalinden bilgi işaretinin elde edilmesi
Tarih
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
Özet
Makine Öğrenmesi ve Görüntü İşleme algoritmaları haberleşme sinyallerinin sınıflandırılmasında veya tanınmasında çeşitli biçimlerde kullanılmaktadır. Günümüzde sayısal haberleşme sinyallerinin çeşitliği sayesinde daha düşük band genişliğinde daha hızlı haberleşme gerçekleştirilmektedir. Sayısal haberleşmede kullanılan geçiş band modülasyonu olarak da adlandırılan sinyallerin birbirinden ayrılabilmesi ya da demodüle edilebilmesi, alıcı tarafta sinyalin kolay ve hızlı şekilde tespit edilip buna göre tepki üretilebilmesi hem askeri hem de sivil uygulamalarda ayrıca önem kazanmaktadır. Tez kapsamında demodülatör devre yapıları yerine, modülasyonlu QASK, QFSK ve QPSK sinyallerinin görüntülerinden bu sinyallerin sınıflandırılması ve demodülasyon işlemleri gerçekleştirilmektedir. Sinyallerin sınıflandırılması ve demodülasyon işlemlerinin yapılabilmesi için destek vektör makineleri(SVM), konvolüsyonel sinir ağları(CNN), birleştirilmiş model(Ensemble), NARX yapay sinir ağı yapısı ve görüntülerden özelliklerin çıkarılması için Yönlendirilmiş Hızlı ve Sağlam BRIEF Öznitelikleri(ORB) yöntemi kullanılmıştır. 0dB, 5dB, 10dB ve 15dB gürültü oranlarına sahip modülasyonlu sinyallerden oluşan görüntülerin sınıflandırma ve demodülasyonları sonucunda performansları, istatistiksel parametreler ile değerlendirilip sunulmuştur. Ortaya çıkan sonuçlarda yer alan hata matrisleri göstermiştir ki özellikle 5dB gürültü oranına sahip sinyal görüntülerinin tahmininde karmaşıklıklar meydana gelmiştir. Bu durumun, özellik çıkarma algoritmalarından destek alarak veya makine öğrenmesi yöntemlerinin birleştirilerek kullanılması ile aşılabileceği gösterilmiştir.
Machine Learning and Image Processing algorithms are used in various ways in the classification or recognition of communication signals. Currently, thanks to the diversity of digital communication signals, faster communication is achieved in a lower bandwidth. The ability to separate or demodulate the signals, also called passband modulation, used in digital communication, to detect the signal easily and quickly at the receiver side and to generate response accordingly are also important in both military and civilian applications. Within the scope of the thesis, instead of demodulator circuit structures, images of modulated QASK, QFSK and QPSK the classification and demodulation processes of these signals are performed by taking the images of the signals. In order to classify and demodulate signals, support vector machines (SVM), convolutional neural networks (CNN), combined model (Ensemble), NARX artificial neural network structure and Oriented FAST and Rotated BRIEF (ORB) method were used to extract features from images. As a result of classification and demodulation of images consisting of modulated signals with 0dB, 5dB, 10dB and 15dB noise ratios, their performances are evaluated and presented with statistical parameters. It showed the confusion matrices included in the results and complexities occurred in the prediction of signal images, especially with 5dB noise ratio. It has been shown that this situation can be overcome by getting support from feature extraction algorithms or by combining machine learning methods.