Modülasyon Türlerinin Hiyerarşik Sınıflandırılmasının Performans Analizi

Abstract

Otomatik modülasyon sınıflandırması (AMC), bilinmeyen bir modülasyon tipine sahip gelen modüle edilmiş bir sinyalin modülasyon tipini belirlemek için sıklıkla ihtiyaç duyulan bir yapıdır. AMC uygulamaları literatürde olabilirlik tabanlı (LB) ve özellik tabanlı (FB) yöntemler olarak iki ana başlık altında bölünmüştür. Bu tezde, FB yaklaşımı ile bir AMC algoritması geliştirilmiştir. Sınıflandırıcı olarak lineer, kuadratik ve kübik çekirdek kullanan Destek Vektör Makinesi (SVM) seçilmiş ve performansları karşılaştırılmıştır. SNR değerleri 0 ila 30 dB arasında olan havadan toplanan modüle edilmiş sinyaller kullanılmıştır. Sinyaller, yüksek derecelere kadar M-ASK, M-PSK, M-APSK içeren 12 farklı dijital modülasyon tipiyle modüle edilmiştir. İstatistiksel özellikler, yani sinyalin anlık genliği, fazı ve frekansının ortalaması, varyansı, çarpıklığı ve basıklığı, 8. dereceye kadar olan daha yüksek dereceli momentlere ve kümülanlara ek olarak kullanılmıştır. Sınıflandırıcılar arasından ikinci dereceden çekirdek kullanan SVM daha yüksek performans göstermiştir. Ayrıca, özellikle tek bir sınıflandırıcı kullanılarak sınıflandırıldığında çok düşük performans gösteren yüksek dereceli modülasyon tiplerinde, performansı arttırmak için literatüre kıyasla daha az karmaşıklığa sahip bir hiyerarşik sınıflandırma yapısı önerilmiştir. Bu modülasyonların doğruluklarında geleneksel yönteme kıyasla önemli bir gelişme gözlenmektedir. Genel performans %80'den %90'a yükselmiştir.

Automatic modulation classification (AMC) is a frequently required framework to determine the modulation type of an incoming modulated signal with an unknown modulation type. AMC applications are divided under two main titles in the literature as likelihood-based (LB) and feature-based (FB) methods. In this thesis, an AMC algorithm is developed with a FB approach. As classifier, Support Vector Machine (SVM) using linear, quadratic and cubic kernel is chosen and their performances are compared. Over-the-air collected modulated signals with the SNR values between 0 and 30 dB are used. Signals are modulated with 12 different digital modulation types containing M-ASK, M-PSK, M-APSK up to higher orders. Statistical features i.e. mean, variance, skewness and kurtosis of the instantaneous amplitude, phase and frequency of the signal are used in addition to higher-order moments and cumulants up to 8th order. SVM using quadratic kernel showed slightly higher performance. In addition, a hierarchical classification structure with less complexity compared to the literature has been proposed in order to improve performance especially in high order modulation types which show very poor performance when classified with using a single classifier. A significant improvement is observed in the accuracies of these modulations comparing with the traditional method. The overall performance is increased from 80% to 90%.