2 results
Search Results
Now showing 1 - 2 of 2
Master Thesis Bazı Modülasyon Türlerinin Sınıflandırılmasında Yüksek Mertebeden İstatistiksel Özelliklerin Performans Analizi(2020) Tezel, Remziye Büşra; Kara, AliModülasyon Sınıflandırma algoritmaları, alıcıda elde edilen sinyalin modülasyon tipini belirlemek ve uygun demodulator seçimi için kullanılır. Özellik tabanlı ve Olabilirlik tabanlı olmak üzere 2 tür vardır. Bu tezde yapı olarak daha az karmaşık olan FB yöntemi kullanılmıştır. 12 Analog ve Dijital Modülasyon tipli sinyalleri sınıflandırmak için algoritma geliştirilmiştir. İstatistiksel özellikler, Yüksek Dereceli Momentler ve Yüksek Dereceli Kümülantlar kullanılmıştır. Havadan kaydedilen ve sentetik simüle kanal etkileri eklenen sinyaller Lineer, Kuadratik ve Kübik Destek Vektör Makinesi (DVM) ile sınıflandırıldı. SNR'de 0 dB ile 20 dB arasında incelenen sinyallerin sınıflandırma performansı sunulmuştur. Performansın 10 dB ve 20 dB arasında kararlı olduğu ve yaklaşık %73, en yüksek performansın ise Karesel SVM'de 12dB'de % 75.5 olduğu gözlenmiştir. Bu tezde, geliştirilen algoritmasının sınırları, 12 modülasyon tipinin özellikleri ve SVM yapısı ile başarılı bir şekilde sunulmuştur.Master Thesis Modülasyon Türlerinin Hiyerarşik Sınıflandırılmasının Performans Analizi(2020) Yalçınkaya, Bengisu; Kara, AliOtomatik 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.