Please use this identifier to cite or link to this item: http://hdl.handle.net/11452/32962
Full metadata record
DC FieldValueLanguage
dc.contributor.authorLeblebici, Mehmet Merih-
dc.contributor.authorÇalhan, Ali-
dc.date.accessioned2023-06-07T12:14:39Z-
dc.date.available2023-06-07T12:14:39Z-
dc.date.issued2023-01-02-
dc.identifier.citationLeblebici, M. vd. (2023). ''Derin öğrenme tabanlı modülasyon tanıma''. Uludağ Üniversitesi Mühendislik Dergisi, 28(1), 123-140.tr_TR
dc.identifier.issn2148-4155-
dc.identifier.issn2148-4147-
dc.identifier.urihttps://doi.org/10.17482/uumfd.1161509-
dc.identifier.urihttp://hdl.handle.net/11452/32962-
dc.description.abstractHaberleşme teknolojilerinde her geçen gün artan sinyal çeşitliliği, bu sinyallerin tanımlanması ve sınıflandırılması gerekliliğini ortaya çıkarmıştır. Beşinci nesil (fifth generation, 5G) ve ötesi kablosuz haberleşme teknolojileri, birçok uygulama için vazgeçilmez iletişim araçları haline gelmiştir. Otomatik modülasyon tanıma (automatic modulation recognition, AMR) tekniği, özellikle yeni nesil nesnelerin interneti, akıllı şehirler, otonom araçlar ve bilişsel radyo gibi birçok uygulama için temel bileşen haline gelmiştir. Bu çalışmada sekiz farklı modülasyon türü kullanılarak bir veri seti oluşturulmuş ve derin öğrenme (deep learning, DL) algoritmalarından olan evrişimli sinir ağları (convolutional neural network, CNN) kullanılarak farklı sinyal-gürültü oranlarında (signal-to-noise ratio, SNR) modülasyon türü sınıflandırılması yapılmıştır. Sonuç olarak SNR değerleri 10 dB, 20 dB ve 30 dB iken CNN ile sınıflandırma işleminde sırasıyla %80,76, %99,89 ve %100 doğruluk sağlanmıştır.tr_TR
dc.description.abstractThe increasing signal diversity of communication technologies has revealed the need that these signals to be defined and classified. Fifth-generation (5G) and beyond wireless communication technologies have become indispensable communication tools for many applications. The automatic modulation recognition (AMR) technique has become a key component for many applications, especially the next-generation internet of things, smart cities, autonomous vehicles, and cognitive radio. In this study, a data set was created using eight different modulation types and modulation classification was made at different signal-to-noise ratios (SNR) using convolutional neural networks (CNN) from deep learning (DL) algorithms. As a result, while the SNR values were 10 dB, 20 dB, and 30 dB, CNN provided 80.76%, 99.89%, and 100% accuracy in the classification process, respectively.en_US
dc.language.isotrtr_TR
dc.publisherBursa Uludağ Üniversitesitr_TR
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.rightsAtıf 4.0 Uluslararasıtr_TR
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/*
dc.subjectOtomatik modülasyon tanımatr_TR
dc.subjectEvrişimli sinir ağlarıtr_TR
dc.subjectDerin öğrenmetr_TR
dc.subject5G ve ötesi haberleşme teknolojileritr_TR
dc.subjectAutomatic modulation recognitionen_US
dc.subjectConvolutional neural networksen_US
dc.subjectDeep mearningen_US
dc.subject5G and beyond communication technologiesen_US
dc.titleDerin öğrenme tabanlı modülasyon tanımatr_TR
dc.title.alternativeDeep learning based modulation recognitionen_US
dc.typeArticleen_US
dc.relation.publicationcategoryMakale - Uluslararası Hakemli Dergitr_TR
dc.contributor.departmentBursa Uludağ Üniversitesi/Mühendislik Fakültesi/Bilgisayar Mühendisliği Bölümü.tr_TR
dc.contributor.orcid0000-0002-5657-7402tr_TR
dc.identifier.startpage123tr_TR
dc.identifier.endpage140tr_TR
dc.identifier.volume28tr_TR
dc.identifier.issue1tr_TR
dc.relation.journalUludağ Üniversitesi Mühendislik Dergisi / Uludağ University Journal of The Faculty of Engineeringtr_TR
dc.contributor.buuauthorCicioğlu, Murtaza-
dc.relation.collaborationYurt içitr_TR
Appears in Collections:2023 Cilt 28 Sayı 1

Files in This Item:
File Description SizeFormat 
28_1_10.pdf2 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons