sayisal haberleşmede Çok katmanlı algılayıcı kullanarak modülasyonun tanınması

SAYISAL HABERLEŞME

SAYISAL HABERLEŞMEDE ÇOK KATMANLI ALGILAYICI KULLANARAK MODÜLASYONUN TANINMASI

10280161 - HARUN ÇETİN

İÇİNDEKİLER

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

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.

• 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.

ÖZET

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.

• 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.

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.

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.

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.

GİRİŞ

Bu makaledeki modülasyon tanıma algoritması iki temel adımı kapsamakta: • Sınıflama için anahtar özellikleri ayıklama/çıkarma

ve • Alınan sinyalin modülasyon tipine karar verme.

GİRİŞ

Şekil bu tanıma sürecinin blok şemasını göstermektedir.

GİRİŞ

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).

• 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.


• 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.


• an(i) normalize genliğin, ma, bir çerçeve üzerindeki anlık genliğin ortalama değeridir.

• Anlık genliğin normalizasyonu kanal kazancını denkleştirmek için gereklidir. DFT, Discrete Fourier Transform’un kısaltmasıdır.


Denklem (3)

• ap, bir sinyal segmentinin zayıf olmayan aralıkları üzerinde hesaplanan anlık fazın merkezlenmiş doğrusal olmayan bileşeninin mutlak değerinin standart sapmasıdır.

Denklem (4)


• 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)

• dp sinyalin zayıf olmayan segmentleri üzerinde hesaplanan doğrudan (mutlak değil) anlık fazın doğrusal olmayan bileşeninin standart sapmasıdır.


Denklem (6)

• aa sinyalin normalize-merkezlenmiş anlık genliğinin mutlak değerinin standart sapmasıdır.

Denklem (7)


• af yakalanan sinyalin zayıf olmayan segmentleri üzerinde hesaplanan normalize-merkezlenmiş anlık frekansın mutlak değerinin standart sapmasıdır.

Denklem (8)


• Burada fN(i) = fc(i)/rb

• rb – baud hızı

• fc(i) = f(i) - mf

Denklem (9)


YSA SINIFLAMA

• YSA, yapısının basitliği edeniyle birçok uygulamada kullanılmaktadır.

• Yandaki şekil temel YSA sınıflama sürecini göstermektedir.

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

YSA SINIFLAMA

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).

• 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.

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.

EĞİTİM SÜRECİ

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.

• 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.

TEST SÜRECİ

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.

• 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.


• 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.


• Gizli katmanlarda log-sigmoid aktivasyon fonksiyonu kullanıldı.

• Eğitim fazından sonra modüle sinyal için test süreci gerçekleştirilecek.

• Bu işlemden modülasyon türünü kolaylıkla tanımlayabiliriz.


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.

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

SONUÇ


SONUÇ

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

DİNLEDİĞİNİZ İÇİN TEŞEKKÜRLER

sayisal haberleşmede Çok katmanlı algılayıcı kullanarak modülasyonun tanınması

Documents