Sayısal Haberleşme yüksek lisans dersi için hazırlamış olduğum makale çeviri çalışmasının sunumu.

1. SAYISAL HABERLEŞME
SAYISAL HABERLEŞMEDE ÇOK KATMANLI ALGILAYICI
KULLANARAK MODÜLASYONUN TANINMASI
10280161 - HARUN ÇETİN

2. İÇİNDEKİLER
• ÖZET
• GİRİŞ
• ANAHTAR ÖZELLİKLERİ AYIKLAMA/AYIRMA
• YSA SINIFLAMA
• EĞİTİM SÜRECİ
• TEST SÜRECİ
• SİMÜLASYON SÜRECİ
• SONUÇ
• KAYNAK
• TEŞEKKÜR

3. ÖZET
• Sayısal modülasyon sınıflama iletişim alanında
önemli bir rol oynamaktadır.
• İletişim alanındaki uygulamalarda temel amaç
yakalanan sinyallerin ve bu sinyallerdeki kusursuz
izlemeyi etkileyen parametrelerden birinin
kusursuz izlenmesidir.
• Bu çalışmada, dijital modülasyonun farklı türlerini
tanımlayan bir takım anahtar özellikler geleneksel
sinyal işleme yöntemlerini kullanmak için
geliştirildi.

4. ÖZET
• Bant sınırlı gauss gürültüsü ile bozulmuş olan sayısal
modüle edilmiş farklı türde bant sınırlı sinyaller için
bilgisayar simülasyonları gerçekleştirildi.
• Anlık genlik, frekans ve sayısal modüle edilmiş farklı
türdeki sinyallerin fazı için ifadeler elde edildi.
• Sınıflama, alınan sinyalin sınıfını belirlemek için
kullanılan geri yayılımlı denetimli öğrenme
algoritmasına sahip çok katmanlı algılayıcılı sinir ağı ile
yürütüldü; önerilen metot altı modülasyon türünü
tanıyabilmektedir.
• Ayrıca metodun performansını gösteren bilgisayar
simülasyon sonuçları yazının sonunda verildi.

5. GİRİŞ
• İletişim alanlarında üzerinde aktarımın
yapılacağı ortamın karakteristiği ile özellikleri
uyuşan modüle edilmiş sinyal üretmek için
modüle sinyallerin başka bir sinyalin (taşıyıcı
sinyal) bir veya birden fazla karakteristiği içine
kodlandığı bir teknik kullanılmakta.

6. GİRİŞ
• Kodlama, demodülasyon işlemiyle alıcıda
modüle edilmiş sinyalden kurtarılabilen
orijinal modüle sinyali korur.
• İletişim sinyalleri geniş banda düşen farklı
modülasyon türleri ve frekanslarına sahip
uzayda aktarılır.
• Bu sinyaller bilgiyi bir yerden bir yere
göndermek için çok sayıda modülasyon tekniği
kullanır.

7. GİRİŞ
• Gürültü modüle sinyali etkilediğinden sinyal
hasar görecektir. Bu yüzden her farklı ortam
için, farklı modülasyon türleri en iyi aktarımı
sağlar.
• Hedef tarafında, alıcı modülasyon tipini
tanımlayabilir ve sonra yalnızca doğru işaret
bilgisi alınır.

8. GİRİŞ
• Aksi takdirde sinyal kısmen hasar görecek veya
yanlış bilgiler alınacaktır.
• Bu tanıma işlemi esas olarak hem savunma
hem de sivil uygulamaları izlemek ve
tanımlamak için kullanılmakta.
• Savunma uygulamaları tehdit algılama ve uyarı
gibi harp veya elektronik gözetim amaçlı
olabilirken Sivil uygulamalara lisanssız vericiler
dâhil edilebilir.

9. GİRİŞ
• Günümüzde en çekici uygulama alanı radyo
veya diğer yeniden konfigüre edilebilir iletişim
sistemleri olacaktır.
• Sayısal modülasyon şemalarının kullanımına
uygun olarak hareket etme eğilimine göre
algoritmaların çoğu dijital modülasyon
sınıflama problemiyle ilgilenmektedir.

10. GİRİŞ
Bu makaledeki modülasyon tanıma algoritması
iki temel adımı kapsamakta:
• Sınıflama için anahtar özellikleri ayıklama/çıkarma
ve
• Alınan sinyalin modülasyon tipine karar verme.

11. GİRİŞ
Şekil bu tanıma sürecinin blok şemasını
göstermektedir.

12. ANAHTAR ÖZELLİKLERİ AYIKLAMA/AYIRMA
Önerilen sayısal modülasyon tanıma
algoritmasında kullanılan anahtar özellikler üç
önemli nitel parametreden türetildi:
• anlık genlik a(t),
• anlık faz (t) ve
• anlık frekansı f(t).

13. ANAHTAR ÖZELLİKLERİ AYIKLAMA/AYIRMA
• Anahtar özellikler olan
max, ap, dp, aa, af, sırasıyla (1), (4), (6), (7)
ve (8) denklemleriyle tanımlanmıştır.
• max yakalanan sinyalin normalize-
merkezlenmiş anlık genliğinin güç spektral
yoğunluğunun maksimum değerini
göstermektedir.

14. ANAHTAR ÖZELLİKLERİ AYIKLAMA/AYIRMA
• max = (max|DFT(acn(i))|2Ns) Denklem (1)
• Burada acn(i),
• acn(i)= an(i) – 1
• an=a(i)/ma Denklem (2)
ile tanımlanmış t = i/fs, (i = 1,2 . . . . . Ns)
anlarındaki normalize-merkezlenmiş anlık
genliğin değeridir.

15. ANAHTAR ÖZELLİKLERİ AYIKLAMA/AYIRMA
• an(i) normalize genliğin, ma, bir çerçeve
üzerindeki anlık genliğin ortalama değeridir.
Denklem (3)
• Anlık genliğin normalizasyonu kanal kazancını
denkleştirmek için gereklidir. DFT, Discrete
Fourier Transform’un kısaltmasıdır.

16. ANAHTAR ÖZELLİKLERİ AYIKLAMA/AYIRMA
• ap, bir sinyal segmentinin zayıf olmayan
aralıkları üzerinde hesaplanan anlık fazın
merkezlenmiş doğrusal olmayan bileşeninin
mutlak değerinin standart sapmasıdır.
Denklem (4)

17. ANAHTAR ÖZELLİKLERİ AYIKLAMA/AYIRMA
• Burada NL(i) t=i/fs anlarındaki anlık fazın
merkezlenmiş doğrusal olmayan bileşeninin değeri,
• u çözülmemiş faz,
• C, an(i) > at için {NL(i)} içindeki örneklerin sayısı ve
• at, gürültüye çok duyarlı olan anlık fazın tahmini ,a(i)-
için bir eşiktir.
Denklem (5)

18. ANAHTAR ÖZELLİKLERİ AYIKLAMA/AYIRMA
• dp sinyalin zayıf olmayan segmentleri
üzerinde hesaplanan doğrudan (mutlak değil)
anlık fazın doğrusal olmayan bileşeninin
standart sapmasıdır.
Denklem (6)

19. ANAHTAR ÖZELLİKLERİ AYIKLAMA/AYIRMA
• aa sinyalin normalize-merkezlenmiş anlık
genliğinin mutlak değerinin standart
sapmasıdır.
Denklem (7)

20. ANAHTAR ÖZELLİKLERİ AYIKLAMA/AYIRMA
• af yakalanan sinyalin zayıf olmayan
segmentleri üzerinde hesaplanan normalize-
merkezlenmiş anlık frekansın mutlak değerinin
standart sapmasıdır.
Denklem (8)

21. ANAHTAR ÖZELLİKLERİ AYIKLAMA/AYIRMA
• Burada fN(i) = fc(i)/rb
• rb – baud hızı
• fc(i) = f(i) - mf
Denklem (9)

22. YSA SINIFLAMA
• YSA, yapısının
basitliği edeniyle
birçok uygulamada
kullanılmaktadır.
• Yandaki şekil temel
YSA sınıflama
sürecini
göstermektedir.

23. YSA SINIFLAMA
• YSA’ları çevrimiçi analizde modülasyon tanıma
amacıyla kullanmak için sınıflayıcı yapısı bu ağı
çevrimiçi analizde kullanmadan önce
çevrimdışı, örneğin eğitim sürecini
tamamlamak için, ayarlanmalıdır.

24. EĞİTİM SÜRECİ
• Ağdaki eğitimin amacı optimum ağırlık ve
biasları bulmak, ağ çıktısı ve doğru yanıtlar
arasındaki hatayı minimize etmektir.
• Minimum hatayı elde etmek için pek çok
öğrenme metodu bulunmaktadır.
• Popüler bir ölçüt doğru yanıt ve ağ çıktısı
arasındaki en düşük ortalama kare hatasıdır
(MSE).

25. EĞİTİM SÜRECİ
• Çok katmanlı ağ denetimli öğrenmede, eğitim
verisi *X,T+ olarak gösterilen girdi/çıktı eşlileri
şeklinde verilmelidir.
• Geri yayılım ve ek olarak denetimli öğrenme
paradigmaları bu süreçte gösterilen
geliştirilmiş tüm YSA modülasyon tanıma
algoritmalarında kullanıldı.

26. EĞİTİM SÜRECİ
• Seçilen YSA geri yayılım öğrenmeyi kullanarak,
adaptif olarak eğitilmektedir.
• Bu algoritmalarda, üç gizli katmana sahip
YSA’lar; bu çalışmada modülasyon tanıma
algoritmalarında kullanılan tüm ağlar eğitimde
kullanılan veriye karşılık gelen hesaplanmış
çıktı ve gerçek hedef arasında hedef açısından
tanımlanan ortalama kare hatasını (MSE)
azaltmak için adaptif olarak eğitilmiştir.

27. TEST SÜRECİ
Test süreci aşağıdaki adımlardan oluşmaktadır:
• Eğitim sürecinde kullanılacak gerçeklemelerin
kümesi için anahtar özellikler eğitilmiş ağa
gösterilir.
• Gerçek hedef matris, T, modülasyonun her grubu
için tanımlanır.
• Test grubunun her gerçeklemesi için, çıktı
vektörüne uygun, kullanılan gizli katmanların
sayısına dayanan, aşağıdaki gibi hesaplanır.
• Çıktı vektörü içindeki maksimum değere uygun
eleman 1 yapılır ve diğer elemanların tümü 0 olur.

28. TEST SÜRECİ
• Değiştirilmiş çıktı vektörü T matrisinin
sütunlarından birine uymalıdır ve bu uyum
sonuç modülasyon tipi olarak alınır.
• Test grubundaki her gerçekleme için tüm
prosedür tekrar edilir.
• Doğru bir kararın olasılığı, doğru olarak
değiştirilmiş çıktı vektörlerine sahip olan
gerçeklemelerin yüzdesi olarak hesaplanır.

29. SİMÜLASYON SÜRECİ
• Çok katmanlı algılayıcılı sinir ağı sınıflama
metodunun simülasyonu MATLAB yazılım paketi
kullanılarak gerçekleştirilmiştir.
• Önce rastgele semboller dizisi üretilmiş ve bu
semboller 2ASK, 4ASK, 2PSK, 4PSK, 2FSK, 4FSK
sayısal modülasyonlarıyla modüle edilmiştir.
• Fonksiyon ADC sürecini kullanarak rastgele analog
sinyalleri sayısal sinyale eşlemektedir.
• Fonksiyon rastgele üretilen analog sinyalleri ADC
sürecini kullanarak sayısal sinyale eşlemektedir.

30. SİMÜLASYON SÜRECİ
• Modüle sinyaller AWGN
kanalıyla gönderilmiştir.
• Gereken anahtar
özellikler modüle
sinyalden ayıklanmış ve
bir matris dosyası içine
depolanmıştır.
• Ağırlıklar ve bias’lar
şekildeki ağ mimarisine
bağlı olarak optimize
edilmiştir.

31. SİMÜLASYON SÜRECİ
• Mimaride beş anahtar özellik olarak beş girdi
düğümüne sahip girdi katmanı ve altı modülasyon
tipi olarak altı çıktı düğümüne sahip çıktı katmanı
bulunmaktadır.
• Düğüm sayıları ortalama kare hatasına (MSE)
bağlı üç gizli katman vardır.
• MSE 10-5 olacak şekilde alınacak ve MLP eğitimi
3000 tura kadar dönecek, fakat beş katmanlı
(birer tane girdi ve çıktı katmanı, 3 gizli katman)
sinir ağı belirtilmiş olan maksimum dönüş sayısına
yakınsayacak.

32. SİMÜLASYON SÜRECİ
• Gizli katmanlarda log-sigmoid aktivasyon
fonksiyonu kullanıldı.
• Eğitim fazından sonra modüle sinyal için test
süreci gerçekleştirilecek.
• Bu işlemden modülasyon türünü kolaylıkla
tanımlayabiliriz.

33. SONUÇ
• Her modülasyon tipinin çıktı
performansı çeşitli SNR değerlerine
göre çizelge halinde verildi.
• Konfüzyon matrisi tablosu gerçek
ve sınıflanmış değerleri
göstermektedir.
• Konfüzyon tablosu düzeltilmiş ve
aynı zamanda yanlış sınıflanmış
değerleri yüzde olarak
göstermektedir.
• Doğru sınıflama değerleri yüzdesi
(Pcc) ve SNR değerleri arasında
çizilen grafik (Şekil 4) aşağıda
gösterildiği gibidir.

34. SONUÇ
15 dB Sinyal/Gürültü Oranında MLP (Multi Layer Perceptron)’nin Konfüzyon Matrisi

35. SONUÇ
10 dB Sinyal/Gürültü Oranında MLP (Multi Layer Perceptron)’nin Konfüzyon Matrisi

36. SONUÇ
5 dB Sinyal/Gürültü Oranında MLP (Multi Layer Perceptron)’nin Konfüzyon Matrisi

37. KAYNAK
• Arvindan, M. Kingsley, S. R. S. Recognition of
Modulation Using Multilayer Perceptron In
Digital Communication. Recent Advances in
Intelligent Computational Systems (RAICS),
2011 IEEE: 264-268; 2011

38. DİNLEDİĞİNİZ İÇİN
TEŞEKKÜRLER
