Bu kaydın yasal hükümlere uygun olmadığını düşünüyorsanız lütfen sayfa sonundaki Hata Bildir bağlantısını takip ederek bildirimde bulununuz. Kayıtlar ilgili üniversite yöneticileri tarafından eklenmektedir. Nadiren de olsa kayıtlarla ilgili hatalar oluşabilmektedir. MİTOS internet üzerindeki herhangi bir ödev sitesi değildir!

Performance Analysis Of Hierarchical Classification Of Modulation Types

Diğer Başlık: Modülasyon Türlerinin Hiyerarşik Sınıflandırılmasının Performans Analizi

Oluşturulma Tarihi: 03-11-2020

Niteleme Bilgileri

Tür: Tez

Alt Tür: Yüksek Lisans Tezi

Yayınlanma Durumu: Yayınlanmamış

Dosya Biçimi: PDF

Dil: İngilizce

Konu(lar): Elektrik mühendisliği. Elektronik. Nükleer mühendislik,

Yazar(lar): Yalçınkaya, Bengisu (Yazar),

Emeği Geçen(ler): Kara, Ali (Tez Danışmanı),


Yayın Tarihi: 06-02-2020


Dosya:
file show file
Görüntüle
download file
Kaydet

Anahtar Kelimeler

Automatic modulation classification, feature extraction, digital modulation, higher order statistics, support vector machines


Özet

Automatic modulation classification (AMC) is a frequently required framework to determine the modulation type of an incoming modulated signal with an unknown modulation type. AMC applications are divided under two main titles in the literature as likelihood-based (LB) and feature-based (FB) methods. In this thesis, an AMC algorithm is developed with a FB approach. As classifier, Support Vector Machine (SVM) using linear, quadratic and cubic kernel is chosen and their performances are compared. Over-the-air collected modulated signals with the SNR values between 0 and 30 dB are used. Signals are modulated with 12 different digital modulation types containing M-ASK, M-PSK, M-APSK up to higher orders. Statistical features i.e. mean, variance, skewness and kurtosis of the instantaneous amplitude, phase and frequency of the signal are used in addition to higher-order moments and cumulants up to 8th order. SVM using quadratic kernel showed slightly higher performance. In addition, a hierarchical classification structure with less complexity compared to the literature has been proposed in order to improve performance especially in high order modulation types which show very poor performance when classified with using a single classifier. A significant improvement is observed in the accuracies of these modulations comparing with the traditional method. The overall performance is increased from 80% to 90%.



İçindekiler



Açıklamalar



Haklar



Notlar



Kaynakça


Atıf Yapanlar

Gözat Sayfasına Dön

 

Sosyal Medya ve Araçlar

İstatistikler

  • Kayıt
    • Bu ay: 0
    • Toplam: 2555
  • Online
    • Ziyaretçi: 12
    • Üye: 0
    • Toplam: 12

Detaylı İstatistikler