Taşıyıcı faz kayması ve taşıyıcı frekans kayması altında derin öğrenme temelli otomatik modülasyon sınıflandırma

Otomatik modülasyon sınıflandırma (OMS), modülasyon sınıflandırma işlemlerini otonom bir hale getirme çabalarının sonucunda ortaya çıkmış bir alandır. OMS'nin ortaya çıkmasından bu yana birçok çok metot ve algoritma, OMS alanında kullanılmıştır. Bunları; olabilirlik temelli sınıflandırma, sınama temelli sınıflandırma, öznitelik temelli sınıflandırma, derin öğrenme temelli sınıflandırma ve makine öğrenmesi temelli sınıflandırma olarak ayırabiliriz. Bu metotlar yardımıyla modülasyon sınıflandırma işlemleri tamamen otomatik bir şekilde yapılabilir. Bu tezde, bu metotları yakından inceleyeceğiz ve OMS alanına katkıda bulunacak kendi algoritmalarımızı tanıtacağız. Önerdiğimiz algoritmalardan ilki K-en yakın komşu (KEYK) algoritması kullanan bir öznitelik temelli sınıflandırma. Her bir sinyaldeki sembol sayısı düşünüldüğünde, sınıflandırma yaparken bir hata tabanı ile karşılaşma ihtimali yüksektir. Bizim önerdiğimiz algoritmanın asıl amacı da bu durumla başa çıkmaktır. Önerdiğimiz bir diğer algoritma ise polar koordinat temelli bir derin öğrenme algoritması. Bu algoritma, taşıyıcı faz kayması (TFAK) etkisinde olan sinyalleri sınıflandırmayı hedeflemektedir. Polar koordinatlar ise dönme etkisini, doğrusal hareket etkisine çevirerek sınıflandırmayı kolaylaştırmaktadır. Önerdiğimiz son algoritma ise taşıyıcı frekans kayması (TFRK) yaşayan sinyalleri 2 aşamalı ve derin öğrenme temelli sınıflandırma algoritması. İlk aşamada; algoritma, TFRK kestirmesi yaparak frekans kayması etkisini azaltmayı amaçlar. İkinci aşamada ise bu sinyalleri sınıflandırmayı amaçlar. Son olarak, ileride yapılabilecek işleri ve gelişmeleri tartışarak tezi noktalıyoruz.