Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: İstanbul Ticaret Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2020
Tezin Dili: Türkçe
Öğrenci: GAMZE KİRMAN TOKGÖZ
Danışman: YARKAN SERHAN
Özet:ÖZET Yeni nesil kablosuz iletişim hizmetlerinin ve uygulamalarının hızla büyümesi nedeniyle, frekans spektrumu kaynaklarına çok dikkat edilmiştir. Sınırlı radyo spektrumu göz önüne alındığında, daha yüksek kapasite ve daha yüksek veri hızları için talebi desteklemek, mevcut radyo spektrumundan yararlanmanın yeni yollarını sunabilecek yenilikçi teknolojiler gerektiren zorlu bir görevdir. Bilişsel radyoların spektral boşlukları tanımlamasını sağlayan spektrum algılama konsepti, yeni nesil kablosuz iletişim teknolojileri ve sistemlerinde kritik bir rol oynamaktadır. Ayrıca, spektrum algılama ve dinamik spektrum erişimi ile radyo spektrumu kullanımının verimliliğini artırmak, ortaya çıkan trendlerden biridir. Bu çalışmada, sayısal modülasyonlu işaretler için derin öğrenme algoritmalarından olan CNN, CLDNN, LSTM ve ResNet mimarileri arasında spektrum sezimi verimliliği karşılaştırılması yapıldıktan sonra en iyi sonucu veren performansı gösteren algoritmanın CNN olduğu sonuçlar çerçevesinde gösterilmiştir. Daha sonra, düşük maliyeti ve düşük karmaşıklık seviyesinden dolayı spektrum sezimi uygulamaları için hâlihazırda en çok kullanılan geleneksel enerji sezici yöntemi, en iyi performansı gösteren derin öğrenme CNN yöntemi ile verimlilik analizi yapılarak karşılaştırılmıştır. Önerilen CNN mimarisinin, geleneksel enerji dedektörü yönteminden daha iyi algılama performansı sağladığı sonuçlar ışığında gösterilmiştir. Sonuç olarak, bu tezdeki araştırmalar, gürültü belirsizliğinin zorluğunu aşmak için CNN tabanlı spektrum algılama tekniklerinin geleneksel enerji sezici tekniği ile karşılaştırılmasını sunmaktadır. Anahtar Kelimeler: Artık ağ mimarisi (ResNet), bilgi işlem kütüphanesi (CLDNN), enerji sezici, evrişimsel sinir ağı (CNN), spektrum sezimi, uzun-kısa süreli bellek (LSTM). ABSTRACT Due to the ever-increasing growth of next-generation wireless communication services and applications, nowadays, the need for frequency spectrum sources is greater than ever. Considering the scarcity in limited radio spectrum, satisfying the demand for high capacity and data rates is a challenging task that requires innovative technologies that can pave new ways to utilize the existing spectrum. Spectrum sensing concept, which enables cognitive radios to identify spectral holes, plays a critical role in next-generation wireless communication technologies and systems. Moreover, enhancing the efficiency of radio spectrum allocation with the use of spectrum sensing and dynamic spectrum access is one of the very emerging trends. In this study, a comparison of deep learning algorithms, CNN, CLDNN, LSTM and ResNet architectures, are demonstrated for spectrum sensing of digitally modulated signals in terms of the accuracy and effeciency. In the light of results, it is shown that CNN is the best performing algorithm among others. Furthermore, due to its low cost and low complexity, the most commonly used traditional energy detector method is compared with CNN method for spectrum sensing applications within the framework of efficiency analysis. The results show that the proposed CNN architecture provides better detection performance than the traditional energy detector method. In conclusion, the investigations in this thesis provide a comparison of CNN based spectrum sensing techniques with traditional energy detector techniques to overcome the challenge of noise uncertainty. Keywords: Compute library for deep neural networks (CLDNN), convolutional neural network (CNN), energy detector, long short term memory (LSTM), residual network (ResNet), spectrum sensing. İÇİNDEKİLER İÇİNDEKİLER . i ÖZET . ii ABSTRACT . iii TEŞEKKÜR . iv ŞEKİLLER . v ÇİZELGELER. vi SİMGELER VE KISALTMALAR . vii 1. GİRİŞ. 1 2. LİTERATÜR ÖZETİ . 6 3. SPEKTRUM SEZİMİ . 12 3. 1. Spektrum Sezim Teknikleri . 13 4. GELENEKSEL YÖNTEMLER . 14 4. 1. Enerji Sezici . 14 4. 2. Uyumlu Filtreleme . 16 4. 3. Çevrimsel Durağan Sinyal Analizi . 17 5. YAPAY ZEKA YÖNTEMLERİ . 19 5. 1. Makine Öğrenmesi . 20 5. 1. 1. Denetimli öğrenme . 20 5. 1. 2. Yarı denetimli öğrenme . 21 5. 1. 3. Denetimsiz öğrenme . 21 5. 1. 4. Takviyeli öğrenme . 22 5. 2. Derin Öğrenme . 22 5. 2. 1. Evrişimsel sinir ağları (CNN) . 22 5. 2. 1. 1. Evrişimsel sinir ağı katmanları . 23 5. 2. 1. 1. 1. Evrişim katmanı (Convolutional layer) . 24 5. 2. 1. 1. 2. Havuzlama katmanı (Pooling layer) . 24 5. 2. 1. 1. 3. Seyreltme katmanı (Dropout layer) . 25 5. 2. 1. 1. 4. Düzleme katmanı (Flatten layer) . 26 5. 2. 1. 1. 5. Yoğun katman (Fully connected layer) . 26 5. 2. 1. 1. 6. Aktivasyon fonksiyonları (Activation functions) . 27 5. 2. 2. Derin sinir ağları için bilgi işlem kütüphanesi (CLDNN) mimarisi . 27 5. 2. 3. LSTM mimarisi . 27 5. 2. 4. ResNet mimarisi . 29 6. SİSTEM MODELİ . 30 6. 1. Spektrum Seziminde Derin Öğrenme Metotlarının Karşılaştırılması . 30 6. 1. 1. Test sonuçları . 35 6. 2. Spektrum Seziminde Enerji Sezici ve Evrişimsel Sinir Ağının (CNN) Karşılaştırılması . 37 6. 2. 1. Test sonuçları . 40 6. 3. Enerji Sezici ve CNN’in Gerçek Veriler Kullanılarak Karşılaştırılması . 43 7. SONUÇ VE ÖNERİLER . 48 KAYNAKLAR . 49 ÖZGEÇMİŞ . 53