Ali Çimen

Bu çalışmada, otomatik modülasyon sınıflandırması için ResNet-50 derin öğrenme mimarisi ile işaret grafiği ve ayrık dalgacık dönüşümü tabanlı özniteliklerin birleştirilmesi yaklaşımı önerilmiştir. Çalışmanın amacı, gürültülü haberleşme kanallarında modülasyon türlerinin sınıflandırma başarımını artırmak amacıyla sinyallerin hem zaman hem de frekans alanı özelliklerini birlikte kullanmaktır. RadioML 2018.01A veri setinden seçilen dört temel modülasyon türü (OOK, BPSK, QPSK ve 16QAM) üzerinde benzetimler gerçekleştirilmiştir. Her bir sinyal için Coiflet-2 (coif2) dalgacığı kullanılarak yüksek frekans bileşenlerini temsil eden detay katsayıları elde edilmiştir. Daha sonra, bu katsayılar ile gözlenen işaretin grafikleri birleştirilerek derin öğrenme modeline girdi olarak verilmiştir. Farklı sinyal gürültü oranı koşullarında yapılan benzetimlerde, önerilen modelin düşük sinyal-gürültü oranı değerlerinde dahi kararlı bir şekilde çalıştığı ve yüksek doğruluk oranlarına ulaştığı gözlenmiştir. Sinyal-gürültü oranı arttıkça doğruluk oranında beklendiği üzere yükselme gerçekleşmiş ve 30 dB seviyesinde %98’in üzerinde bir sınıflandırma başarısı elde edilmiştir. Bu sonuçlar, dalgacık tabanlı özniteliklerin modelin hem yapısal hem de geçici sinyal özelliklerini yakalama kabiliyetini güçlendirdiğini ve benzer modülasyon türleri arasındaki karışıklığı azalttığını göstermektedir.

Underwater wireless optical communication systems face significant challenges due to the heterogeneous nature of the underwater environment and the attenuation of optical signals caused by absorption and scattering. These effects restrict the data transfer capacity and transmission distance, resulting in communication errors. Different modulation techniques are used to minimize the effects of these parameters. Automatic modulation classification plays a critical role in terms of effective management of spectrum resources. In this study, underwater wireless optical communication channels are modulated with different modulation techniques, and the signals are transformed into the discrete wavelet space, resulting in approximation and detail coefficients that are used as feature vectors for training machine learning algorithms. In addition, optimized classification features are determined for different signal-to-noise ratios and different transmission distances using the genetic algorithm. The results show that the approximation and detail coefficient energies provide higher classification performance in the classification of modulated signals according to statistical features such as mean, variance, and standard deviation. According to simulation results, an average classification accuracy of 82% has been obtained using the proposed discrete wavelet transform and genetic algorithm-based technique, which demonstrates high classification accuracy for noisy underwater channels.