Günümüzde kablosuz iletişim sistemleri hızla gelişmekte ve karmaşıklaşmaktadır. Bu gelişmelerle birlikte, iletilen radyo frekansı sinyallerinin doğru bir şekilde tanımlanması ve analiz edilmesi, iletişim güvenliği, spektrum etkinliği ve frekans spektrumu yönetimi açısından kritik bir öneme sahiptir. İşte bu noktada derin öğrenme ve makine öğrenmesi gibi çağın teknolojileri, otomatik modülasyon tanımada önemli bir rol oynamaktadır. Bu yazıda, ilk olarak temel haberleşme sistemlerini ve modülasyon kavramlarının neler olduğu tekrar hatırlatılacak ve ayrıca yenilikçi yaklaşımların bir araya gelerek nasıl otomatik modülasyon tanıma süreçlerini optimize ettiğini ve kablosuz iletişim dünyasında nasıl bir devrim oluşturduğunu keşfedeceğiz.
Haberleşme Sistemleri:
Bilgi, iletişim, ses, görüntü, video ve veri gibi çeşitli verilerin bir yerden başka bir yere etkili, yüksek kaliteli ve güvenli bir şekilde aktarılmasını sağlayan bir süreçtir. Bir iletişim sistemi genellikle bilginin kaynağı, gönderici, iletişim ortamı ve alıcı devrelerinden oluşur. Bu sistemler, iletilen bilgi türüne, iletişim mesafesine ve diğer çeşitli faktörlere bağlı olarak farklı tiplerde olabilir.
İletişim Sistemi Temel Bileşenleri:
- Bilgi Kaynağı: Bilgi kaynağı, iletim için sağlanan ses, görüntü, video, veri veya diğer bilgilerin orijinal kaynaktır. Bir konuşmacının sesi, bir kameranın görüntüsü veya bir bilgisayarın gönderdiği veri bilgi kaynağı olabilir.
- Gönderici: Gönderici, bilgiyi alıp bir taşıyıcı sinyal ile modüle eden ve iletişim ortamına ileten bir cihazdır. Örnek olarak bir radyo vericisi, bir fiber optik kablo veya bir uydu vericisi olabilir.
- İletişim Ortamı: İletişim ortamı, bilginin taşındığı fiziksel veya kablosuz ortamı ifade eder. Bu ortam, hava, su, fiber optik kablo, uydu bağlantısı veya diğer iletim kanallarını içerebilir.
- Alıcı: İletişim ortamından gelen taşıyıcı sinyali çözen ve orijinal bilgiyi geri dönüştüren bir cihazdır. Bu bir radyo alıcısı, bir televizyon ekranı veya bir bilgisayar ünitesi olabilir.
Modülasyon:
Bilgi sinyalinin düşük enerjili olduğu durumlarda, iletim mesafesini artırmak için kullanılan bir yöntem olan modülasyon, bilgi sinyalini güçlendirilerek bir taşıyıcı sinyal üzerine bindirme işlemidir. Modülasyonun temel amacı, iletim mesafesine bağlı olarak bilgi sinyalinin belirli tekniklerle güçlendirilip iletilmesini sağlamaktır. Bu hedefe ulaşmak için frekans modülasyonu, genlik modülasyonu ve faz modülasyonu gibi farklı teknikler kullanılır.
Frekans Modülasyonu (Frequency Modulation, FM):
- Frekans modülasyonu, bilgi sinyalinin frekansının değiştirilerek taşıyıcı sinyal üzerine bindirilmesini sağlayan bir modülasyon türüdür.
- Genellikle radyo iletişiminde ve müzik yayınlarında kullanılır.
- FM, sinyalin direncini gürültüye karşı daha iyi koruyabilme özelliğiyle bilinir.
Genlik Modülasyonu (Amplitude Modulation, AM):
- Genlik modülasyonu, bilgi sinyalinin genliğinin değiştirilerek taşıyıcı sinyal üzerine bindirilmesini sağlar.
- AM, özellikle AM radyo yayınlarında ve eski televizyon sistemlerinde kullanılmıştır.
- Genellikle dijital iletişim sistemlerinde kullanımı daha azdır.
Faz Modülasyonu (Phase Modulation, PM):
- Faz modülasyonu, bilgi sinyalinin fazının değiştirilerek taşıyıcı sinyal üzerine bindirilmesini ifade eder.
- PM, genellikle radyo iletişim sistemlerinde ve bazı dijital iletişim uygulamalarında kullanılır.
- Diğer modülasyon türlerine göre daha az gürültü duyarlıdır.
Modülasyon Tespitinin Ardındaki Veri Dünyası
Bir iletişim sistemi içinde, başarılı iletişim, gönderici tarafından iletilen sinyalin alıcı tarafından başarılı bir şekilde çözümlenmesine bağlıdır. Özellikle askeri ve gizlilik gerektiren uygulamalarda modülasyon türü bilgisine önceden sahip olunmamaktadır. Otomatik Modülasyon Sınıflandırma alıcı tarafından algılanan sinyalin modülasyon formatının otomatik olarak tanınmasını ve kategorize edilmesini sağlar. Bu herhangi bir önceden bilgiye ihtiyaç duyulmadan gerçekleşir. Son yıllarda, Otomatik Modülasyon Sınıflandırma işleminde makine öğrenimi ve derin öğrenme algoritmaları da kullanılmaktadır. Makine öğrenimi, insanların öğrenme süreçlerini taklit etmek için veri ve algoritmaları kullanan, doğruluğunu aşamalı olarak artıran bir yapay zeka dalıdır. Derin öğrenme ise, temelde üç veya daha fazla katmana sahip bir sinir ağına dayanan makine öğreniminin bir alt dalıdır. Geleneksel yöntemlere kıyasla, derin öğrenme özellikle doğal dil işleme ve görüntü işleme alanlarında oldukça başarılı sonuçlar elde etmektedir.
Kablosuz iletişim tasarımı ve optimizasyonu için temelde yeni yöntemler geliştiren ve bu amaçla makine öğrenimi/yapay zeka alanındaki en son gelişmeleri kullanma konusunda öncülük eden bir firma olan Deepsig firmasının 3 farklı veri seti kullanılmaktadır.
- RADIOML 2018.01A (2017'den) Dataset:
- 24 farklı dijital ve analog modülasyon türünü içerir.
- Sentetik simüle edilmiş kanal etkilerini içerir.
- 2017 yılında IEEE Journal of Selected Topics in Signal Processing dergisinde yayınlanan "Over-the-air deep learning based radio signal classification" başlıklı makalede kullanılmış ve doğrulanmıştır.
- RADIOML 2016.10A (2016'dan) Dataset:
- GNU Radio kullanılarak üretilmiş bir sentetik veri setidir.
- 11 modülasyonu içerir (8 dijital ve 3 analog) ve değişen sinyal-gürültü oranlarına sahiptir.
- 2016 yılında 6. Yıllık GNU Radio Konferansı'nda ilk kez yayımlanmıştır.
- RADIOML 2016.04C (2016'dan) Dataset:
- GNU Radio kullanılarak üretilmiş bir sentetik veri setidir.
- 11 modülasyon içerir.
- Değişken Sinyal-Gürültü Oranına (SNR) sahip, ılımlı LO (local oscillator) kayması, hafif fading ve çeşitli SNR artışlarını içerir.
Her bir veri seti, derin öğrenme tabanlı radyo sinyali sınıflandırma çalışmaları için kullanılmış ve belirli modülasyon türlerini tanımak ve sınıflandırmak için kullanılabilecek büyük miktarda etiketlenmiş veri içermektedir.
Derin Öğrenme Kullanılarak Modülasyon Tespiti
Otomatik modülasyon tanıma işlemlerinde genellikle Evrişimli Sinir Ağları (CNN) kullanılmaktadır. Evrişimli Sinir Ağları (CNN), görsel veri analizi, tanıma ve sınıflandırma gibi görevlerde oldukça etkili olan bir derin öğrenme modelidir. Genellikle resimlerle çalışmak üzere tasarlanmış olmalarına rağmen, zaman içinde metin ve diğer veri türleriyle de başarılı bir şekilde uygulanmışlardır. CNN'ler, veri içindeki özellikleri belirlemek ve hiyerarşik özellik temsilleri oluşturmak için evrişim (convolution) ve pooling katmanlarını içerirler. Otomatik modülasyon tanıma için kullanılan bir CNN'nin temel katmanlarını içeren genel bir şema bulunmaktadır:
- Giriş Katmanı: RF sinyallerini temsil eden giriş verileri burada bulunur. Tipik olarak, bu veri spektrogram veya zaman-frekans alanında temsil edilmiş özellikler olabilir.
- Evrişim Katmanları: Evrişim katmanları, giriş verisindeki özellikleri öğrenmek için kullanılır. Modülasyon türlerini temsil eden özellikleri belirlemek için evrişim işlemleri gerçekleştirilir.
- Aktivasyon Fonksiyonları: Her evrişim katmanının çıkışları üzerine bir aktivasyon fonksiyonu uygulanır. Bu genellikle ReLU (Rectified Linear Unit) fonksiyonudur, ancak başka fonksiyonlar da kullanılabilir.
- Pooling Katmanları: Pooling katmanları, özellik haritalarını özetlemek ve boyutunu küçültmek için kullanılır. Hesaplama maliyetini azaltır ve aynı zamanda özelliklerin translasyon ve ölçek değişikliklerine karşı daha dayanıklı olmalarını sağlar.
- Tam Bağlantılı (Dense) Katmanlar: CNN'nin çıkışını üreten katmanlardır. Genellikle, bu katmanlar modülasyon türlerine karşılık gelen çıkış sınıflarını içerir.
- Çıkış Katmanı: Modülasyon türlerini temsil eden sınıfların çıkışını üretir. Sıklıkla, softmax aktivasyon fonksiyonu kullanılarak çoklu sınıf sınıflandırması gerçekleştirilir."
Derin öğrenme tabanlı otomatik modülasyon tanıma, radyo frekansı iletimlerinin belirlenmesi amacıyla kullanılan bir yöntemdir. Bu yaklaşım karmaşık sinyal modülasyon paternlerini tanıyabilen derin öğrenme algoritmalarını içerir. Bu sayede çeşitli modülasyon türleri arasında otomatik geçiş yapabilir ve sinyal tespiti, iletişim sistemleri ve güvenlik uygulamalarında kullanılabilir. Derin öğrenme, geniş frekans aralıklarında ve değişken ortamlarda etkili bir şekilde modülasyon tespiti yapabilme kabiliyetiyle bu alanda önemli bir potansiyele sahiptir.
Referanslar:
[1] https://www.myhatchpad.com/startup/deepsig/
[2] https://www.deepsig.ai/datasets
[3] https://ckk.com.tr/ders/communication.html#_Toc323541990
[4] https://www.ceyrekmuhendis.com/haberlesme-sistemlerinde-modulasyon-islemi/
[5] 5. O’Shea T. J., Corgan, J., ve Clancy, T. C. (2016) Convolutional radio modulation recognition networks, Communications in Computer and Information Science, 629, 213–216. doi: 10.1007/978-3-319-44188-7_16.
[6] Leblebici M., Çalhan A., Cicioğlu M.: Derin Öğrenme Tabanlı Modülasyon Tanıma