Professional Documents
Culture Documents
Zeynep B ER
ELAZI, 2007
Zeynep B ER
ELAZI, 2007
TEEKKR Bu almay yapmama olanak salayan, tezin her aamasnda ynlendirmeleri ve gler yzyle srekli destek olan bata Sayn Danmanm Yrd.Do.Dr. Engin AVCI ya, Yrd.Do.Dr. brahim TRKOLU na Ar.Gr. Davut HANBAY a ve Ar.Gr. Korhan KAYILI ya, yaamm boyunca bana katkda bulunan, bu almaya ayrdm vakti anlayla karlayan ve beni destekleyen aileme ve deerli fikirlerinden ve bilgisinden istifade ettiim arkadam Sultan ERDEM YAKUTa teekkr ederim.
Zeynep B ER
EK LLER L STES ............................................................................................................. IV TABLOLAR L STES ........................................................................................................... VI S MGELER L STES ............................................................................................................ VII KISALTMALARIN L STES ............................................................................................... VIII ZET ...................................................................................................................................... IX ABSTRACT 1. G R ................................................................................................................................ 1.1. Saysal Modlasyon Tanma Alannda Yaplan almalar............................................. 1.2. Ynelim Gerekeleri ve Ama.................................................................. ........................ 1.3. Tezin Organizasyonu ve Orijinal Katklar.................................................................. ...... 2. MODLASYON TRLER ............................................................................................. 2.1. Srekli Dalga Modlasyonu.............................................................................................. X 1 2 7 8 9 9
2.1.1. Genlik Modlasyonu....................................................................................... .............. . 10 2.1.1.1. Taycl Genlik Modlasyonu................................................................................... 11 2.1.1.2. ift Yan Band Modlasyonu....................................................................................... 12 2.1.2. Frekans Modlasyonu................................................................................. ................... 12 2.1.2.1. Darband FM................................................................................. ............................... 13 2.1.2.2. Geniband FM............................................................................................................. 14 2.1.3. Evre veya Faz Modlasyonu........................................................................... ............... 14 2.2. Darbe Modlasyonu........................................................................... ............................... 15 2.2.1. Darbe Genlik Modlasyonu........................................................................... ............... 15 2.2.2. Darbe Genilii Modlasyonu...................................................................................... 15 2.2.3. Darbe Konumu Modlasyonu........................................................................... ........... 15 2.2.4. Darbe Kod Modlasyonu........................................................................... ................... 15 3. SAYISAL LET M TEKN KLER ............................................................ 16 3.1. Genlik Kaydrmal Anahtarlama.............................................. ......................................... 17 3.2. Frekans Kaydrmal Anahtarlama...................................... ............................................... 18 3.3. Faz Kaydrmal Anahtarlama...................................... ...................................................... 21 3.4. kili Faz Kaydrmal Anahtarlama..................................................................................... 23 3.5. Kuadratr (Drtl) Faz Kaydrmal Anahtarlama...................................... ...................... 24
4. DALGACIK DNM KULLANILARAK ZELL K IKARMA.26 4.1. rnt Tanma........................................ .......................................................................... 26 4.2. rnt Tanma Probleminin Formlasyonu ............... .................................................... 27 4.3. rnt Tanma Sistemleri...... ........................................................................................... 28 4.4. rnt Tanma Sisteminin Bileenleri................. ............................................................. 30 4.4.1. n lem......................................................................................................................... 31 4.4.2. zellik karma ............................................................................................................. 31 4.5. Dalgack Dnm............................................................................................................ 33 4.6. Dalgack Dnmden Entropi Hesaplanmas................................................................. 36 4.7. Genetik Algoritma............................................................................................................. 37 4.7.1. Genetik Algoritma Operatrleri ..................................................................................... 38 4.7.2. Kromozomun ifrelenmesi (Encoding) ......................................................................... 39 4.7.3. Genetik Algoritma Parametreleri ................................................................................. 42 4.7.4. Genetik Algoritmalarn Uygulama Alanlar................................................................... 42 5. YAPAY S N R AI LE SINIFLANDIRMA .. 47 5.1. Yapay Sinir Alar ............................................................................................................ 48 5.2. Sinir Alarnn Biyolojik Yaps ....................................................................................... 48 5.3. Yapay Sinir Ann Tanm ve Modeli.............................................................................. 49 5.4. Yapay Sinir Alarnn Yaps............................................................................................ 52 5.5. Yapay Sinir Alarnda renme ve renme Algoritmalar ........................................... 54 5.6. Yapay Sinir Alarnn Temel zellikleri .......................................................................... 56
6. GENET K DALGACIK YAPAY S N R AI (GDYSA) YAKLAIMIYLA SAYISAL MODLASYON TANIMA UYGULAMALARI 58 6.1. Saysal Modleli aretlerin Oluturulmas....................................................................... 58 6.2. zellik karm................................................................................................................ 60 6.2.1. Genetik Algoritma.......................................................................................................... 61 6.2.2. Dalgack Dnm......................................................................................................... 62 6.3. Snflandrma..................................................................................................................... 66 6.4. Deneysel Sonular............................................................................................................. 67 7. SONU70 7.1. Sonular ve Tartma......................................................................................................... 70
II
III
EK LLER L STES
ekil 1.1. letiim sisteminin blok diyagram............................................................................ 1 ekil 2.1. Analog modlasyon eitleri ................................................................................... 9 ekil 2.2. Darband FM spektrumu........................................................................................... 13 ekil 2.3. Geniband FM spektrumu........................................................................................ 14 ekil 2.4. Darbe modlasyon eitleri .................................................................................... 15 ekil 3.1. Saysal iletiim sistemleri; a) saysal iletim; b) saysal radyo.................................. 16 ekil 3.2. Saysal iletiim sistemleri. ....................................................................................... 17 ekil 3.3. ASK nn modle edilmi dalga biimleri. .............................................................. 17 ekil 3.4. ASK modlatr........................................................................................................ 18 ekil 3.5. ASK nn ezamansz demodlasyonu. ................................................................... 18 ekil 3.6. Frekans kaydrmal anahtarlama.............................................................................. 19 ekil 3.7. kili FSK verici. ....................................................................................................... 20 ekil 3.8. FKD- FSK demodlatr. ......................................................................................... 21 ekil 3.9. PSK modlatr. ....................................................................................................... 22 ekil 3.10. PSK demodlatr................................................................................................... 22 ekil 3.11. BPSK modlator................................................................................................... 23 ekil 3.12. QPSK modlatr.................................................................................................... 24 ekil 3.13. QPSK alc. ............................................................................................................ 25 ekil 4.1. rnt tanma kavram. ........................................................................................... 27 ekil 4.2. Karar yzeyinin zellik uzaynn haritas olarak gsterimi. ................................... 28 ekil 4.3. rnt tanma sistemi.............................................................................................. 29 ekil 4.4. Yapsal rnt tanma sistemi. ................................................................................ 29 ekil 4.5. rnt tanma sisteminin bileenleri. ...................................................................... 31 ekil 4.6. Yaygn olarak kullanlan dalgack rnekleri............................................................ 34 ekil 4.7. Dalgack dnmnn blok diyagram. ................................................................. 34 ekil 4.8. n=3 seviyede dalgack dnmnn yaps. .......................................................... 35 ekil 4.9. kili kodlama iin kromozom rnei. ...................................................................... 39 ekil 4.10. Permutasyon kodlama iin kromozom rnei. ...................................................... 39 ekil 4.11. Deer kodlama iin kromozom rnei.. ................................................................ 40 ekil 4.12. Aa kodlama iin kromozom rnei.................................................................... 40 ekil 5.1. Akll snflama yaps.............................................................................................. 47 ekil 5.2. Biyolojik sinir hcresi.............................................................................................. 49
IV
ekil 5.3. Bir yapay sinir a hcresi modeli. .......................................................................... 50 ekil 5.4. Aktivasyon fonksiyonlar. a) Sigmoid fonksiyonu, b) Dorusal aktivasyon fonksiyonu c) Doyumlu dorusal aktivasyon fonksiyonu, d) Eik aktivasyon fonksiyonu 52 ekil 5.5. Yapay sinir a katmanlarnn birbiri ile ilikisi. ..................................................... 53 ekil 5.6. Bir yapay sinir rnei. ............................................................................................. 53 ekil 6.1. M=8 , Fc =10 iin bir ASK8 modleli iaret rnei............................................... 59 ekil 6.2. M=8 , Fc =10 iin bir FSK8 modleli iaret rnei............................................... 59 ekil 6.3. M=8 , Fc =10 iin bir PSK8 modleli iaret rnei. .............................................. 60 ekil 6.4. M=8 , Fc =10 iin bir QASK8 modleli iaret rnei............................................ 60 ekil 6.5. Entropi tabanl zellik karma ynteminin blok diyagram. .................................. 62 ekil 6.6. 7 seviyede ayrm yaps......................................................................................... 63 ekil 6.7.(a) ASK8 iaretinin dalgack dnm aacnda bulunan iaretleri........................ 63 ekil 6.7.(b) FSK8 iaretinin dalgack dnm aacnda bulunan iaretleri. ....................... 64 ekil 6.7.(c) PSK8 iaretinin dalgack dnm aacnda bulunan........................................ 64 ekil 6.7.(d) QASK8 iaretinin dalgack dnm aacnda bulunan iaretleri...................... 65 ekil 6.8. YSAnn eitim baarm........................................................................................ 67 ekil 6.9. GDYSA kullanarak saysal modlasyon tanmann eitim performans. ............... 69
TABLOLAR L STES
Tablo 1. YSA yaps ve eitim parametreleri............................................................... .......... 66 Tablo 2. GDYSA algoritmas kullanarak elde edilen optimum deerler ve GDYSA nn snflama performans................................................................................................ 68
VI
S MGELER L STES max : : : : : : : : : Anten boyunu temsil eder. Anlk genliin normalize edilmi spektrum g younluunun maksimum deeri ap Sinyalin zayf olmayan aralnda, anlk fazn dorusal olmayan parasnn mutlak deerinin standart sapmas dp P a(t) Sinyal paralarnn kuvvetli aralklarnda anlk fazn dorusal olamayan bileeninin standart sapmas Alnan radyo sinyalinin tayc frekansnn etrafndaki sinyal tayf simetri ls Anlk genlii temsil eder. Anlk faz temsil eder. Anlk frekans temsil eder. Anlk genliin normalize edilmi merkezinin mutlak deerinin standart sapmas
(t )
f(t)
aa
s
dB w0
: :
:
Saysal sembol serisinin sembol orann temsil eder. Desibel Tayc dalga frekansn temsil eder. Taycnn fazn temsil eder. Fonksiyonu temsil eder. Srekli dalgack dnmnde iareti temsil eder. lekleme etmenini temsil eder. rnekleme orann temsil eder. Seviye Tayc frekansn temsil eder.
f (x )
X(t) A Fs m Fc
: : : : : : :
VII
KISALTMALAR L STES AF RF SGO SMTA AMTA YB TYB AYB FM EM DSM DUM ASK FSK PSK QPSK SDD ADD AFD YSA GA GDYSA OKH HHD : : : : : : : : : : : : : : : : : : : : : : : : Alak Frekansl Sinyal Radyo Frekans Sinyal/Grlt Oran Saysal Modlasyon Tanma Algoritmas Analog Modlasyon Tanma Algoritmas ift Yan Bant Tek Yan Bant Artk Yan Bant Frekans Modlasyonu Evre Modlasyonu Darbe Sresi Modlasyonu Darbe Uzunluu Modlasyonu Genlik Kaydrmal Anahtarlama Frekans Kaydrmal Anahtarlama Faz Kaydrmal Anahtarlama Kuadratr Faz Kaydrmal Anahtarlama Srekli Dalgack Dnm Ayrk Dalgack Dnm Ayrk Fourier Dnm Yapay Sinir Alar Genetik Algoritma Genetik Dalgack Yapay Sinir A Ortalama Karesel Hata Hedef Hata Deeri
VIII
Frat niversitesi Fen Bilimleri Enstits Elektronik ve Bilgisayar Eitimi Ana Bilim Dal 2007, Sayfa : 77 Saysal modlasyon tanma haberleme sistemleri iin nemli bir konudur. Bu tez almasnda optimum dalgack entropi parametre deerleri kullanlarak gerekletirilen saysal modlasyon snflama uygulamalar sunulmutur. Burada genetik-dalgack-sinir a (GDYSA) modeli gelitirilmitir. GDYSA genetik algoritma, dalgack dnm ve ok katmanl alglayc olmak zere aamadan olumaktadr. Genetik algoritma aamas, uygun dalgack entropi parametre deerlerini elde etme ve zellik karmay belirlemek iin kullanlmtr. Dalgack dnm aamas dalgack ayrm ve dalgack entropisi olmak zere iki ksmdan olumaktadr. ok katmanl alglayc katman saysal modlasyonu snflandrmak ve genetik algoritmann uygunluk fonksiyonunu deerlendirmek iin kullanlmtr..
Anahtar Kelimeler : Modlasyon Tanma, Uyarlamal zellik karma, Dalgack Dnm, Entropi, Genetik Algoritma, Yapay Sinir A, Uzman Sistem.
IX
Zeynep B ER Frat University Graduate School of Natural and Applied Sciences Department of Electronic and Computer Education
2007, Page:77
The digital modulation recognition is an important topic for communication system. In this thesis, the digital modulation applications, which are conducted by using optimum wavelet entropy parameter values are presented. A genetic- wavelet neural network(GWNN) model is developed in here. GWNN includes three layers which are genetic algorithm, wavelet and multi-layer perception. The genetic layer is used for selecting the feature extraction method and obtaining the optimum wavelet entropy parameter values. The wavelet transform layer consists of two part: wavelet decomposition and wavelet entropies. The multi- layer perceptron layer is used for evaluating the fitness function of the genetic algorithm and for classification digital modulation. Keywords: Modulation recognition, adaptive feature extraction, wavelet decomposition, entropy, genetic algorithm, artificial neural network, expert system .
1.G R
Haberleme, bilginin elektronik devrelerle iletimi, alnmas ve ilenmesidir. Bir haberleme sistemi verici, alc ve iletim ortam olmak zere temel ksmdan oluur. Alak frekansl bilgi iaretini iletmek iin yeryz ortam elverili deildir [1]. Bundan dolay, radyo iletiiminde alak frekansl iaretler yksek frekansl iaretlere bindirilerek iletilir. Bu ekilde bilginin (ses, resim, manzara,) tayc kullanlarak iletilmesine modlasyon denir. Baka bir ifadeyle modlasyon, haberin iletim ortamna verilmeden nce biiminin deitirilmesi anlamna gelir. Bir iletiim sisteminin basitletirilmi blok diyagram ekil 1.1 de gsterilmitir [1].
modlatr
letim Ortam
Ykselte
Demodlatr
Alc
Haberin modlasyondan nce igal ettii banda temel bant (baseband), modlasyondan sonra igal ettii banda ise gei band (passband) denir. Elektronik haberleme sistemlerinde modlasyon ilemine bavurulmasnn iki temel sebebi vardr [2]: Haber iaretlerinin dorudan iletimi, yaklak olarak ayn frekanslarda radyo
dalgalar meydana getirecei iin byk giriim problemlerine yol aar. ou haber iaretleri nispeten dk frekanslara sahiptir. te yandan, antenlerin verimli alabilmesi iin boyutlarnn dalga boyu mertebelerinde olmas gerekir. Bu sebeple modlasyon yaplmazsa ar derecede byk antenlerin kullanlmas gerekir. Modlasyon ilemini gerekletirmek iin iki iarete ihtiya vardr; Bunlar bilgi iareti ve tayc iaret' tir. Alak frekansl bilgi iaretine, modle eden, modle edici, modlasyon
iareti, gnderilecek iaret, alak frekansl (AF) iaret ad da verilir. Yksek frekansl tayc iaretine, modle edilen, RF (Radyo Frekans) iareti, hamal iaret de denilebilir. Modlasyon ileminde modle eden iaret bilgi iareti, modlasyona urayan veya modle edilen iaret ise tayc iarettir [3]. Modlasyonun eitli yararlarn ve deiik modlasyon eitlerini vermeden nce, modlasyonun gereini betimlemek iin aadaki rnee bakalm. nsan konuma sesi 300-3000 Hzlik frekans bandn kapsamaktadr. (Konuma iaretinin belirtilen bant dnda da frekans bileenleri vardr ama bunlar konumann anlalrln fazla etkilemezler). Konuma iaretlerini bir radyo vericisi ile iletmek istediimizi dnrsek [3]. Dalga boyu; = C / F ise = ( 3.108m/sn) / (300 1/sn) = 1000km 2= ( 3.108 m/sn) (3000 1/sn) = 100km Yani konuma iaretinin dalga boyu 100-1000 km arasnda deimektedir. yi bir iletim iin anten boyunun dalga boyu ile ayn derece olmas gerekir (rnein; anten boyu = / 4). O halde radyo vericisi iin anten boyu 25 250 km arasnda olmaldr. Bir an iin byle byk bir anteni kurduumuzu dnelim. kinci bir radyo vericisi kurulmak istenirse, her ikisi de ayn frekans bandn kullandklar iin (300 3000Hz) bu iki antenden kan dalgalar birbiriyle karacaklardr [3]. te modlasyon ilemi ile bu iki kstlama kolaylkla alabilir. Yani modlasyonun salad yararlar aadaki gibi sralanabilir [2]: Yaylm kolaylatrr. Elektromanyetik alanlar yaklak hznda yayld ve uygun artlarda da tepe ukur gibi doal engelleri kolaylkla aarlar. Uzayda ise uygun bir antenle ok uzaklara gidebilir. Grlt ve bozulmann olumsuz etkilerini azaltr. Kanal ayrm salar. Yani modlasyon sayesinde ayn iletim hattnda birden ok bilgi yollama olana salar (FDM ve TDM ile). evresel faktrlerin ortaya kard pek ok snrlayc etkiyi ortadan kaldrr. (1.1)
1.1. Saysal Modlasyon Tanma Alannda Yaplan almalar Kayna bilinmeyen iaretlerin modlasyon tipini tanma ilemi nemlidir. lk
modlasyon tanma almalarnda, her modlasyon tipi iin ayr bir demodlatr kullanlmtr [4, 5, 6, 7, 8, 9, 10]. Modlasyon tipini belirleme, uzmanlarn radyo frekans spektrumunu
taramasna ve gstergeleri kontrol etmesine balyd [4, 5, 10]. Bu yntem, uzmanlarn yetenek ve deneyimleriyle snrl kalmtr. Bundan dolay, modlasyon tanma alannda, otomatik modlasyon tanma sistemleri gelitirilmitir. Modlasyon tanma almalarnda uzmanlara bal kalmadan tanmlama yapabilmek iin 1980 lerden sonra gelitirilen modlasyon snflandrma algoritmalar, istatistiksel rnek tanma ve karar teori yaklam olmak zere temelde iki gruba ayrlmtr [7, 11, 12, 13]. Haberleme iaretleri, bir konumdan baka bir konuma farkl frekanslarda ve farkl modlasyon tiplerinde iletilirken kayplara ve bozulmalara urayabilirler. Sivil ve savunma alannda kullanlan haberleme iaretlerinin izlenmesi, tanmlanmas gerekmektedir [11]. Modlasyon tanma yntemini herkese duyuran ilk bilim adam Liedtke dir. Liedtke Genlik Kaydrmal Anahtarlama (ASK2), Frekans Kaydrmal Anahtarlama (FSK2), Faz Kaydrmal Anahtarlama (PSK2, PSK4, PSK8 ) gibi modlasyon trleri arasnda snflandrma yapmak iin genlik histogram, frekans histogram, faz ayrm histogram, genlik varyans ve kullanmtr [4, 5]. ]. Liedtkenin modlasyon frekans varyans gibi anahtar zellikleri
snflandrma prosedr aadaki admlardan olumaktadr. Yaklak olarak iaret bant genilii, aret demodlasyonu ve parametre karma, statistiksel hesaplama.
Polydoros ve Kim, PSK2 ve PSK4 gibi modlasyon trleri arasnda ayrm yapmak iin modlasyon tanma yntemini nermilerdir. Bu modlasyon trleri arasnda ayrm yapmak iin tayc frekans, balang faz, sembol oran, ve iaret grlt oran gibi parametreler kullanmtr [4]. Assaleh, otomatik modlasyon tanma almasnda PSK2, PSK4, FSK2 ve FSK4 gibi modlasyon trlerini kullanmtr. Assaleh yapm olduu almasnda, anlk frekansn spektrum ortalamasndan elde edilen, anlk frekansn ortalamasnn standart sapmas ve ortalama gibi anahtar zellikleri kullanmtr. Bu modlasyon trleri 15 dB SGO da %99 luk bir baar oran ile snflandrlmtr [4]. Nagy, tek bileenli iareti analiz etmek iin modlasyon tanmay nermitir. Bu almasnda snflayc olarak tek sesli snflaycy kullanmtr. Her iaret bileeni kullanlan bu snflayc iki ksmdan olumaktadr. Bu ksmlar; Alglama Tek harmonik iaretin farkl tipleri arasnda diferansiyel faz farknn hesaplanmasdr. iin
ASK2, PSK2, PSK4 ve FSK2 bu yntemle snflandrlan modlasyon tipleridir. Bu modlasyon tiplerinden ASK2 hari 10 dB SGO da %90 baar oran ile snflandrma yaplmtr. Azzouz ve Nandi, saysal modleli iaretler iin modlasyon tanmay nermitir. ASK2, ASK4, PSK2, PSK4, FSK2 ve FSK4 gibi iaretler arasnda snflandrma yapmak iin drt anahtar zellik kullanlmtr. Bu almada kullanlan anahtar zellikler nemli niteleme parametresinden elde edilmitir. Bu parametreler anlk genlik a(t), anlk faz (t ) ve anlk frekans f(t) tr [4]. Bu anahtar zellikler unlardr: max : Anlk genliin normalize edilmi spektrum g younluunun maksimum deeri, ap: aretin zayf olmayan aralnda, anlk fazn dorusal olmayan parasnn mutlak deerinin standart sapmas, dp: aret paralarnn kuvvetli aralklarnda anlk fazn dorusal olmayan bileeninin standart sapmas, P: Alnan radyo iaretinin tayc frekansnn etrafndaki iaret tayf simetri lm. Dier bir almada ise saysal modleli iaretler iin bir modlasyon
tanmlayc nerilmitir [14]. Bu modlasyon tanmlayc da drt anahtar zellik kullanmtr. Bu yntemde, nceki almalardan farkl olarak, her bir zellik iin uygun eik deeri seilmi ve eik deerinin her deiiminde, eik deeri otomatik olarak uyarlanmtr. Modlasyon tanmlayc olarak yapay sinir alar (YSA) kullanlmtr. 1.2. Ynelim Gerekeleri ve Ama Bu tez almasnda ama, gnmzde askeri ve sivil haberleme ortamlarnda yaygn olarak kullanlan saysal modlasyon tekniklerinin bilgisayar ortamnda otomatik olarak tannmasn salayan akll bir saysal modlasyon tanma uygulamas gerekletirmektir. Bylelikle vericiden gelen henz demodle edilmemi iaretin iinde ne tr saysal modlasyon trlerinin olduu kestirilerek, herhangi bir operatr kiiye ihtiya duyulmadan bu modlasyon trleri otomatik olarak belirlenebilecektir.
1.3. Tezin Organizasyonu ve Orijinal Katklar Tezin birinci blmnde, teze genel bir bak as kazanmaya ynelik olarak temel bilgiler verilmitir. Dier blmlerin organizasyonu ve tezdeki orijinal katklar ise aada sunulmutur. Blm 2 de, modlasyon trnn seiminin bir iletiim sistemi iin nemli olduu anlatlm ve bu yzden modlasyon snflara ayrlmtr. Modlasyon trlerinin tayc dalgaya ve bilgi iaretine bal olarak snflara ayrldndan bahsedilmi ve modlasyon trleri aklanmtr. Blm3 de, saysal iletim ve saysal radyo kavramlar tanmlanarak, sahip olduklar zellikler aklanmtr. Saysal iletim teknikleri verilerek, zellikleri anlatlmtr. Blm4 de, rnt tanma kavram tanmlanarak, sahip olduu her bir bileeni aklanmtr. rnt tanma problemi bir matematiksel olay olarak nitelendirilerek yorumlanmtr. rnt tanma trleri verilmitir. rnt tanmann en nemli bileeni olan ve bu tezde de odaklanlan zellik karm iin nerilen dalgack dnm ve entropi hesaplama teknikleri aklanmtr. Ayrca gelitirilen optimum entropi tabanl zellik karm iin kullanlan genetik algoritma kavramndan da bahsedilmitir. Blm5 de, Yapay Sinir A snflandrcs tanmlanarak, sahip olduu zellikler, biyolojik yaps ve renme algoritmalarndan bahsedilmitir. Blm6 da, tez almasnda gelitirilmi olan algoritmalar ve bu algoritmalarn saysal trlerine
modlasyon trleri zerinde uygulamalar yaplmtr. Akll rnt tanma sisteminde kullanlan, zellik karm ve snflandrma yntemlerinin saysal modlasyon uygulanmasyla elde edilen snflandrma sonular verilmitir. Blm 7 de, tezin sonular irdelenmi ve orijinal katklar vurgulanmtr. Ayrca ileriye dnk uygulama alanlar ve neriler tartlmtr.
2. MODLASYON TRLER Modlasyon trnn seimi bir iletiim sisteminin tasarmnda ilk yaplmas gereken ilerden biridir. Deiik modlasyon trlerinin deiik zellikleri dnlerek uygun bir seim yaplmaldr. eitli modlasyon trleri, farkl biimlerde snflandrlabilir. Modlasyon trleri kullanlan tayc dalgaya ve bilgi iaretine gre snflandrlabilirler. Taycya gre snflandrma sonucunda iki modlasyon tr elde edilir. Bu modlasyon trleri srekli dalga modlasyonu ve darbe modlasyonudur. Bilgi iaretine gre modlasyon trleri de analog ve saysal olmak zere ikiye ayrlrlar. 2.1. Srekli Dalga Modlasyonu Analog modlasyon, srekli dalga modlasyonu olarak adlandrlr. Bu modlasyon trnde tayc iaret sinzoidal dalgadr. Analog modlasyon dalga eitleri, tayc dalgann genlik, frekans ve faz parametreleri deitirilerek elde edilir. rneksel veya srekli dalga modlasyonu genel olarak,
C(t) = A.Cos(w 0 .t + )
eklinde ifade edilir [2].
(2.1)
Burada A : Taycnn Genliini , w0 : Tayc dalga frekansn, ve : Taycnn fazn gstermektedir. ekil 2.1 de analog modlasyon eitleri gsterilmitir.
Analog Modlasyon
Geniband GM
2.1.1. Genlik Modlasyonu Genlik modlasyonu (GM), bilgi iaretine bal olarak tayc iaretin genliinin deitirilmesidir. Genlik modlasyon tr olarak dorusal ( lineer ) bir modlasyondur. Genlii modle edilmi dalga biiminin genel ekli aadaki gibidir. C(t) = A(t) . Cos(w0.t + ) (2.2)
A(t) genlii ile modle edilen f(t) bilgi iareti arasndaki ilikiye bal olarak genlik modlasyonunun deiik biimleri elde edilir. Burada, f(t) modle eden iaret (bilgi iareti), w0 ise tayc frekansn belirtir. Genlik modlasyonun tr vardr. Bunlar; Taycl Genlik Modlasyonu ( TGM) ift Yan Bantl Modlasyon (YB) Taycs Bastrlm Tek Yan Bantl Modlasyon (TYB)
Genlik modlasyonu, ses ve grnt iletiminde dier modlasyon trlerine gre daha ucuz ve basittir. Genlik modlasyonu dnyada uzun dalga, orta dalga vericilerinde kullanlmaktadr. Ayrca televizyon yaynclnda video iareti negatif genlik modlasyonuna tabi tutulmaktadr. Bilgi iaretinin frekans, tayc iaretin frekansndan daha dktr. Genlik modlasyonunun uygulama alanlarndan biri yksek gl orta dalga ve uzun dalga radyo vericileridir. Son yllarda retilen orta ve uzun dalga vericilerinde uygulanan genlik modlasyonu uygulamas ile vericinin verimi %85 in zerine karlabilmektedir. Genlik modlasyonu sonucunda iki yeni frekans oluur. Tayc frekansnn altnda ve stnde meydana gelen bu iki yeni frekansa yan bant (kenar bant) ismi verilir. Bu yan bantlardan fc+fm frekansna st yan bant denir ve YB ile gsterilir. fc-fm frekansna alt yan bant denir ve AYB ile gsterilir. Denklem (2.3) de AYB ve YB iaretlerinin matematiksel ifadesi gsterilmitir.
C(t) = A.Cosw 0 t +
mA mA Cos(w 0 w m )t + Cos(w 0 + w m )t 2 2
(2.3)
Modleli iaretin frekans spektrumunda kaplad alana bant genilii (BG) denir. Bant genilii Denklem (2.4) de gsterilmitir [23]. BG = fYB fAYB = 2.fm (2.4)
Modlasyon ilemi sonucunda, tayc iaretin genliinde meydana gelen deiim miktarna modlasyon indeksi denir [23]. Modlasyon indeksi m ile gsterilir. Modlasyon indeksi, bilgi iaretinin genliinin (Em), tayc iaretin genliine (Ec) orandr (Denklem 2.5).
Em Ec
m=
(2.5)
Bu genlik modlasyonu trnde modle edilmi dalga biimi aadaki gibi ifade edilir:
A(t) = [1 + m.f(t)]
(2.6)
Burada; f(t) modle eden iaret (bilgi iareti), w0 ise tayc frekansn belirtir. m ve A deimez sabitler olup, m modlasyon derecesidir. Normal artlar altnda bu parametrelerin aada aklanan baz artlar salamalar gerekir:
1. w0 tayc frekans f(t) nin en byk frekans bileeni wm den ok daha byktr. Eer bu art salanmaz ise, yani w0 >> wm deilse, modle edilmi dalga biimi C(t) nin zarf tam
olarak saptanamaz. Oysa zarf kavram zellikle bu modlasyon trnde ok nemlidir. En yaygn ve en kolay demodlasyon yntemleri C(t) nin zarfnn f(t) ye benzedii gereini kullanrlar. A[1+mf(t)] iindeki 1 terimi taycy gsterir. A sabiti bu taycnn genliidir ve
2. m sabiti ise; modlasyon derecesi (indeksi, yzdesi) olup , zerinde u kstlamalar vardr:
[1+ mf (t)] 0 (veya mf (t) 1) olmasdr. Bu art salandnda modle edilmi iaretin zarf, modle eden f(t) iaretine benzer. Yalnz bykl farkldr. 0 < m 1 m >1 ise ar modlasyon yaplr.
Bu modlasyon trnde modle edilmi iarette tayc dalga bulunmaz. Tayc dalga olmad iin bilgi iareti eksiye de debilir. Tayc kullanlmayarak gten byk oranda tasarruf salanr. Bilgi iareti yan bantlarda tanr [2]. Bu modlasyon tr C(t)= f(t).cosw0t
eklinde bir dalga biimine sahiptir. 2.1.2. Frekans Modlasyonu
(2.7)
W0 tayc frekans deitiriliyorsa , bilgi iaretine bal olarak FM elde edilir. FM bir srekli dalga modlasyon trdr ve sinzoidal taycnn frekans bilgi iareti f(t) ye bal olarak deitirilir. Taycnn frekans w0 = k.f (t) biiminde olup, k = sabittir. Modle edilmi FM dalga biimi: C(t) = Cos(t) olup, burada (t) = w0 t + dir. Frekans Modlasyonunun iki tr vardr. Bunlar; (2.8)
Darband
FM
<< / 2
m : modlasyon derecesi.
Geniband FM
2.1.2.1. Darband FM
f(t) iareti bir sinzoidal ve << / 2 (rad) olduunu varsayalm. = 0.2 rad gibi.
(2.9)
1. Q << ise cosQ 1 ve SinQ = 0 olur. 2. Cos (.sinwmt) = 1 3. Sin (. sinwmt) = (. sinwmt) C(t) = cosw0t sinw0t. . sinwmt Darband FM in genel ifadesi.
C(w)
(-W 0 + W m ) (-W
0
(W0 Wm ) W 0 (W 0 + W m )
W
Wm )
W0
2 2
2.1.2.2. Geniband FM
C(w)
(1- ) 4
2 8
2
(w 0 -w m )
2 8
( w0 -2w m )
w0
(w 0 +w) ( w0 +2w)
10
2.1.3.
Bilgi iaretine bal olarak tayc iaretinin faznn deitirilmesidir. Faz modlasyonlu iaret elde edilirken bilgi iaretinin trevi alnr. Frekans modlasyonunda frekans sapmas meydana gelirken, faz modlasyonunda faz sapmas meydana gelmektedir [15].
2.2. Darbe Modlasyonu
Bu trde tayc srekli olmayp, periyodik darbe dizisidir. Bu trn modlasyon eitleri ekil 2.4 te gsterilmitir.
Darbe Modlasyon
Sabit sreli, sabit konumlu bir darbenin genlii, bilgi iaretine bal olarak deitirilir. Darbe Genlik Modlasyonu (DGM) da rnek alma srelerinin dndaki boluklarda baka bilgi iaretlerini gndermek mmkndr [3]. Bylece zaman oullamal (blmeli) sistemler (ZCS) elde edilir.
2.2.2. Darbe Genilii Modlasyonu
Bu ynteme bazen darbe sresi modlasyonu (DSM), ya da darbe uzunluu modlasyonu (DUM) da denir. Bu yntemde darbe genilii, bilgi iaretinin genlii ile orantldr.
11
Sabit genilikli bir darbenin konumu, nceden belirlenmi bir zaman blmesi iinde bilgi iaretinin genlii ile orantl olarak deitirilir.
2.2.4. Darbe Kod Modlasyonu
Darbe Kod Modlasyonun (DKOM) da bilgi iareti rneklenir ve iletim iin sabit uzunlukta, seri ikili bir sayya dntrlr. kili say, analog iaretin genliine uygun olarak deiir. DKOM da darbeler, sabit uzunluk (genilik) ve sabit genliktedirler. DKOM ikili bir sistemdir.
12
Saysal iletim, bir iletiim sisteminde iki nokta arasnda saysal darbelerin iletilmesidir.
Saysal radyo ise, bir iletiim sisteminde iki nokta arasnda saysal modlasyonlu analog
tayclarn iletimidir. Saysal iletim sistemleri, verici ile alc arasnda metalik tel ifti, koaksiyel kablo ya da fiber optik kablo gibi fiziksel bir malzeme gerektirirler. Saysal radyo sistemlerinde iletim ortam bo alan ya da yeryz atmosferidir [1].
ekil 3.1, saysal bir iletim sistemi ile saysal bir radyo sisteminin blok
diyagramn gstermektedir. Saysal bir iletim sisteminde, balangtaki kaynak bilgi saysal biimde ya da analog biimde olabilir. Eer kaynak bilgi analog biimdeyse, iletimden nce saysal darbelere; alma ucunda ise tekrar analog biime dntrlmelidir. Saysal bir radyo sisteminde, module edici giri iareti ve demodle edilmi k iareti saysal darbelerdir [1].
Saysal iletim
Analog/saysal dntrc
Saysal/analog dntrc
(a)
Saysal modlasyon
Analog/saysal dntrc
Saysal/analog dntrc
(b)
ekil 3.1.Saysal iletiim sistemleri; (a) saysal iletim; (b) saysal radyo.
Saysal radyo sistemini klasik, GM, FM ya da PM radyo sistemlerinden ayran zellik, saysal radyo sisteminde module edici ve demodle edilmi iaretlerin, analog dalga biimleri
13
deil, saysal darbeler olmalardr. Klasik sistemlerde olduu gibi saysal radyoda da analog tayclar kullanlmaktadr. Fakat modle edici ve demodle edilmi iaretler, analog dalga biimleri deil, saysal darbelerdir. Bunlar "Modern dnyann yap talar" olan , dijital "0" ve "1" iaretleridir. En ok kullanlan saysal iletiim sistemleri ekil 3.2 de gsterilmitir.
Genlik Kaydrmal Anahtarlama (ASK), ikili bilgi iaretlerinin genlik modlasyonuna uygulanmasdr. (Var Yok) anahtarlama (on-off keying-okk) ad verilen bu teknikte modle edilmi dalga biimleri ekil 3.3 de verilmitir.
1 0 To A 1 0 1 0 1 0 t
1
ikili iaret
ASK
ASK verici
14
ekilde gsterilen bir dengeli modlasyon veya arpc ile ASK iaret elde edilir.
sresi kadar anahtar kapal dier durumlarda aktr. ASK iaretinin bant genilii u ekilde hesaplanr : C(t) = A.f (t).CosWot
A [F(w w 0 ) + F(w w 0 )] 2
(3.1)
C(w) =
(3.2)
ASK Alc
Bunlarn demodlasyonu iin balca iki yol vardr. 1. Ezamanl demodlasyon 2. Ezamansz demodlasyon Bunlar analog haberlemedekiler ile ayndr.
C(t)
Zarf Sezici
AGF
Karar Devresi
ASK iaret
15
modlasyonu biimidir; aradaki fark, modle edici iaretin srekli deien bir dalga biimi deil iki ayr gerilim dzeyi arasnda deien ikili darbe ak olmasdr. Ksacas FSK, ikili bilgi iaretlerinin frekans modlasyonuna uygulanmasdr [1]. ekil 3.6 da frekans kaydrmal anahtarlamann ekli gsterilmektedir.
Tanan Sinyal
FSK verici
kili FSK da, orta frekans ya da tayc frekans, ikili giri verisi tarafndan kaydrlr.
Dolaysyla, FSK bir modlatrn k, frekans domeninde bir basamak fonksiyonudur. kili giri iareti, 0 mantk dzeyinden 1 mantk dzeyine ya da 1 mantk dzeyinden 0 mantk dzeyine deitiinde, FSK k iki frekans arasnda kayar: iaret ya da mantk 1 frekans ile
aralk ya da mantk 0 frekans. FSK da, ikili giri iaretinin mantk durumu her deitiinde,
k frekansnda bir deiiklik olur. Dolaysyla, k deiim hz giri deiim hzna eittir. Saysal modlasyonda, modlatrn giriindeki deiim hzna bit iletim hz denir; bit iletim hznn birimi, bit bl saniyedir (bps). Modlatrn kndaki deiim hzna baud ya da baud
hz denir; baud hz, bir k iaretleme esinin sresinin tersine eittir. FSK da, giri ve
k deiim hzlar eittir; dolaysyla, bit iletim hz ve baud hz eittir. Basit bir FSK verici,
16
Analog/saysal dntrc
FSK verici
+V
Analog k (baud)
Fs
Fm
Fs
Fm
Fs
Fm
Fs
Fm
Fs
Fm
Fs
Fm , iaret frekans
FSK Alc
FSK iaretleri demodle etmek iin en yaygn olarak kullanlan devre, ekil 3.8 de
gsterilen faz kilitlemeli dngdr (FKD). FKD- FSK bir demodlatr, FKDnin girii, iaret ve aralk frekanslar arasnda kaydnda, faz karlatrcnn kndaki dc hata gerilimi frekans kaymasn izler. Yalnzca iki giri frekans (iaret ve aralk) olduu iin yalnzca iki k hata gerilimi vardr. Biri 1 mantk dzeyini; teki ise 0 mantk dzeyini temsil eder. Bu nedenle k, FSK giriinin iki - dzeyli (ikili) bir temsilidir [1]. Genelde, FKD nin doal frekans FSK modlatrn orta frekansna eit yaplr. Bunun sonucunda, dc hata gerilimindeki deiiklikler, analog giri frekansndaki deiiklikleri izler ve 0 V dc etrafnda simetriktirler.
17
modemlerinde kullanlr; bu modemler analog, ses band telefon hatlarnda yaplan veri
Faz karlatrc
Ykselte
ikili veri k
Fm
Fs
Analog giri
+V kili k -V 0V
18
PSK Verici
Aada dengeli bir modlatr( verici) ile gerekletirilen PSK vericisi grlmektedir.
Dengeli verici
cosw0t
ekil 3.9. PSK modlatr.
C(t)=A.Cos(Wot+Qi) C(t)=An.CosWot
(3.3) (3.4)
PSK Alc
Demodlasyon ilemi ezamanl bir demodlatr ile yaplabilir. yleki:
Ai. cos(w0t+Q) (
1 )2
BGF 2w0
Frekans Blc
cos(w0t+Q)
E Zamanl Demodlasyon
Ai
19
Burada ezamanl demodlasyonun Cos(Wot + Q)sini retmek iin bir devre kullanlmtr. yle ki; 1) C(t)2 =Ai2. cos2(W0t+Q) 2) Cos2(w0t+Q) BGF k 3) Cos(W0t+Q) elde edilir.
Ezamanl demodlatrde gerekli ezamanlama yerel taycs burada gelen iaretten elde edilmitir. Ezamanl demodlatrde; gelen iaretle Cos(Wot+Q) arplp, bir AGF den geirilirse; FA = Ai elde edilir. Bu da ikili bilgidir.
Dengeli modlatr
Bantgeiren filtre
20
drt k faz mmkndr. Drt farkl k faz olduu iin, drt farkl giri durumu olmaldr. QPSK modlatrn saysal girii ikili bir iaret olduu iin, drt farkl giri durumunu retmek iin tek bir giri bitinden fazlas gerekir. 2 bit ile, drt olas durum vardr: 00, 01, 10, ve 11. Bu nedenle QPSK da ikili giri verileri, dibit ad verilen 2 bitlik gruplar halinde birletirilir. Her dibit kodu, drt olas k fazndan birini retir. Dolaysyla, modlatre giren her 2 bitlik dibit iin, tek bir k deiiklii meydana gelir. Bu nedenle, ktaki deiim hz (baud hz), giri bit iletim hznn yarsdr.
QPSK Verici
Bir QPSK modlatrn blok diyagram, ekil 3.12 de gsterilmitir. ki bit (bir dibit),
bit ayrcya gnderilir. ki bitin ayrcya seri giriinden sonra, bu bitler ka ayn zamanda paralel olarak gelirler. Bir bit I kanalna, teki bit ise Q kanalna ynlendirilir. I biti referans modlatr ile ayn fazda olan bir taycy modle eder. Q biti ise referans taycdan 90o farkl fazda olan ya da onunla dik a yapan bir taycy modle eder.
I kanal F b /2
Dengeli modlatr
+sin wct -
1 Mantk= +1 V 0 Mantk= -1 V
Referans tayc osilatr (sin wct) Q I Bit ayrc ikili giri verisi F b 90oC faz kaymas coswct 1 Mantk= +1 V 0 Mantk= -1 V Q kanal F b /2 Dengeli modlatr
Dorusal toplayc
BPF
+coswct -
Bir dibit I ve Q kanallarna ayrldktan sonra, QPSK modlatrn almasnn BPSK modlatrn almas ile ayn olduu grlebilir. Temel olarak, bir QPSK modlatr paralel olarak birletirilmi iki BPSK modlatrdr [1].
21
QPSK Alc
Bir QPSK alcnn blok diyagram ekil 3.13 de gsterilmitir. G ayrc, giri QPSK
iaretini I ve Q arpm dedektrlerine ve taycy tekrar elde etme devresine ynlendirir. Taycy tekrar elde etme devresi, balangtaki gnderme tayc osilatr iaretini tekrar oluturur. Tekrar elde edilen taycnn frekans ve faz, gnderme referans taycs ile koherent olmaldr. QPSK iareti, I ve Q arpm dedektrlerinde demodle edilir; dedektrler, balangtaki I ve Q veri bitlerini retir. arpm dedektrlerinin klar, bit birletirici devreye beslenerek, paralel I ve Q veri kanallarndan, tek ikili k veri akna dntrlr [1].
arpm dedektr
-1/2 V (0 mantk)
sinwct
BPF
G ayrc
ikili veri al
+90o
coswct -sinwct + coswct Q kanal arpm dedektr (coswct) (-sinwct+ + coswct) LPF +1/2 V (1 mantk)
Gelen QPSK iaret, (00, 01, 10, 11) drt olas k fazndan herhangi biri olabilir.
22
Otomatik modlasyon tanmada snflandrma yapabilmek iin nce iarete ait zelliklerin karlmas gerekmektedir. zellik karabilmek iin dalgack dnm kullanlarak iarete ait zellikler karlmaktadr.
23
aret/Grnt leme
zellik karma
Snflandrma
rnt Tanma
1.
aret / Grnt leme : n ilem aamasdr. aret veya grntnn filtre edildii,
eitli dnm ve gsterim teknikleri ile ilendii, bileenlerine ayrld veya modellendii ksmdr.
2. zellik karma: aret ve grntnn veri boyutunun indirgendii ve tanmlayc anahtar zelliklerinin tespit edildii ve ayn zamanda normalizasyona tabii tutulduu aamadr. Sistemin baarmnda en etkili rol oynar. 3. Snflandrma: karlan zellik kmesinin indirgendii ve formle edildii tanmlayc karar aamasdr.
{xi }iM1 , =
birine
ayrmak suretiyle tanmlayabilmektir. Snfsal k, karar uzayndaki her bir w(k) snf temsil etmektedir. D operatr ekil 4.2 de bir harita olarak gsterilen, her bir ayrma bir snf etiketi atayarak giri uzaynn ayr blmlere ayrlmasn salayan bir snflandrcy veya giri uzayn birbiri ile kesimeyen blmlere ayrarak her bir snfa bir etiket ataycy gstermektedir
(D : x y ) [17, 24].
aret uzaylarn snflamada, iaret rntsnn boyutunun ok fazla olmas ve grlt
gibi birka engelleyici unsur vardr. Bu problemlerden kurtulmak iin iaretten zellik karm
24
yaplr. Bylece elde edilen zellik uzay, giri iaret uzay ve k karar uzay arasnda
F N olarak betimlenir
(N M ) .
snflandrc ise g : F Y eklinde verilir. Bylelikle snflandrma sreci d = g o f olarak gsterilebilir [17, 25].
karar uzay zellik uzay x2 D w(1)
w(2) x1 w(3)
ekil 4.2. Karar yzeyinin zellik uzaynn haritas olarak gsterimi.
rnt tanma sistemine renme yeteneinin kazandrlabilmesi iin genellikle P adet giri iareti ve k snf etiketi ieren (x,y) eitim iftinden oluan eitim kmesi kullanlr.
{(
)(
) (
)}
(4.1)
Burada
25
1. statistiksel rnt tanma : statistiksel rnt tanma yntemin de, snflama algoritmalar
istatistiksel analiz zerine kurulmutur. Ayn snfa ait rntler, istatistiksel olarak tanmlanan benzer karakteristiklere sahiptirler. Bu yntemde, zellik olarak nitelendirilen karakteristik lmler giri rnt rneklerinden karlr. Her rnt bir zellik vektr ile tanmlanr. Genelde snflandrcy oluturan karar ve snflandrma yntemleri zerinde nemle durulur. Snflandrc tasarm, lmler ve olaslklar gibi ilenebilir rnt bilgilerini birletirmeyi esas alr. Bylece snflama, giri veri uzaynn olaslk younluk fonksiyonlarnn tahmini zerine kurulu bir istatistiksel yapdr [17, 27]. statistiksel rnt tanma Bayes Karar Teorisi zerine kurulmutur.
2. Yapsal rnt tanma : Yapsal (geometriksel, kural dizilim) rnt tanma yaklamnda,
verilen bir rnt, ekilsel yapdan temel karakteristik tanmlanmaya indirgenir. ou zaman, rntlerden karlan bilgi yalnzca zellikler kmesinin saysal deerlerinden deildir. zelliklerin birbirine balanmas veya aralarndaki karlkl iliki, tanmlamay ve snflandrmay kolaylatran nemli yapsal bilgiye sahiptir. Bir baka deyile rntnn ilenmemi halinden elde edilen tanmlayc biimsel sentaks veya bunlarn sentezinden karlan gramer ile tanmlama gerekleir. rnein, rntnn ke says, kenar alar vb. Genel olarak yapsal yntemde daha basit alt rntler kark rntlerin hiyerarik tanmlamalarn formle eder. Yapsal yntemde her rnt, bileenlerinin bir kompozisyonu olarak ele alnr [17, 28].
rnt
nilem
yapsal analiz
rnt rnekleri
iliki seme
yapsal karm
26
Yapsal rnt tanma ynteminde eitli birimler arasndaki iliki ok byk nem tar ve gerek tanmada kullanlan baz ekilsel notasyonlar tarafndan belirtilir. rnein, ekrandaki bir masay tanma, kelerinden eit uzunlukta bacaklar tarafndan desteklenen yatay bir dikdrtgen yzey gibi yapsal tanmlamay temel alarak gerekletirilebilir. Bu yntemde, evre uzunluu, alan, arlk merkezi, eylemsizlik momenti ve Fourier tanmlayclar gibi genel zellikleri kullanr. Otoregresif model, poligonsal yaklam ve zincir kodlar yapsal rnt tanma yntemine rnek olarak verilebilir [29].
3. Akll rnt tanma : Akll rnt tanma yaklamlar, renme tabanl olup, karar
aamasnda gemi tecrbelerinden sonu retmektedirler. Gnmzde, renmeli rnt tanma algoritmalar yapay sinir a merkezli olarak gelimektedir ve bu dorultuda almalar younluktadr [17, 20, 30, 31]. Yapay Sinir Alar (YSA) yaklamlar istatistik yaklama kar belirleyici olarak ifade edilebilir. nk renme algoritmalar rnt snflarnn istatistiksel zellikleri hakknda hibir ey kullanmamaktadr. Bununla birlikte, istatistiksel ve YSA rnt tanma yaklamlar ekil ve ama olarak ok benzer olup, hatta YSA 'nn geleneksel istatistiksel rnt tanmann bir uzants olarak ifade edilen grlerde bulunmaktadr [27]. statistiksel, yapsal ve yapay sinir alar ile rnt tanma yaklamlar arasnda kesin bir ayrm yoktur. Bunlar arasndaki snrlar bulanklk arz eder. Bu yaklamlar, genel ve ortak zellikleri ve amalar paylarlar. Verilen belirli bir rnt tanma probleminin zmnde istatistiksel yaklama gre rntnn yaps anlamsz olabilir. Yap ancak uygun zellik seimiyle yanstlabilir. statistiksel rnt tanmada; yapsal bilginin ifade edilmesinde grlen zorluk, yapsal rnt tanmada kendini yapsal kurallarn renilmesinde gsterir. Buna karn yapay sinir a yaklam, istatistiksel ve yapsal yaklamlardan tretilmitir. Ak bir ekilde rnt hakkndaki yapsal bilgi deerli olduunda yapsal rnt tanma yaklamn semek daha dorudur. Yapsal bilgi deersiz ve maksada uygun deilse istatistiksel yntemi semek daha dorudur. Yapay sinir alar, istatistiksel ve yapsal yaklama alternatif teknikler salayan ve rnt tanmaya renme boyutu katarak akll tanma nitelii kazandran bir teknik olarak dnlebilir.
27
veri taban oluturma ve snflandrma (eleme) bileenleridir. Eitim ve tanma evrelerindeki alglayclar ve zellik karma elemanlar deiik olabilir [17].
Alglayc E T M
Alglayc TEST
zellik karma
zellik karma
Veri Taban
Snflandrma
Tanma
4.4.1. n lem
Alglayclar vastasyla, bilgisayara saysal olarak alnm olan rnt, daha basit bir
ekle getirmek iin bir dizi nilem srecinden geirilir. rnein, alnan rnt bir nesne
grnts ise; srasyla, grnt eikleme, kenar karma gibi aamalardan geirilir.
28
merkezsel uzakln kullanmna dayanr. Algoritmann ilk aamasnda merkez noktas hesaplanr. Daha sonraki aamada nesnenin kenarn oluturan her bir noktann merkeze gre klit uzakl bulunur [17].
Poligonal yaklam; Bu modelde, nesneye ait kritik noktalarn hesab yaplmaktadr.
Nesnenin en sol st snr pikseli ile en sa alt snr pikseli balang kritik noktalar olarak alnr. Bu iki nokta arasnda dz bir izgi izilir. Daha sonra bu dz izgiye dik dorular saptanr. Bu dorularn kenar piksellerini kestii noktalar belirlenir. Dz izgi ile bu noktalar arasndaki dik doru paralarnn uzunluu hesaplanr. Belirli bir eik deerinin stndeki noktalar kritik
29
noktalar olarak tespit edilir. Bu noktalarn tek boyutlu simgelenmesi ile elde edilen zelliklerden znitelik vektr oluturulur [17].
Zincir kodlar; Saysal grnt, kenar karma ileminden geirildikten sonra, nesnenin
sadece d izgileri kalr. Bundan sonraki admda nesnenin kenar bilgilerinin kodlanmas gerekir. Kodlama ilemi iin zincir kodlar kullanlabilir drtl ve sekizli olmak zere iki tip zincir kodlama tr bulunmaktadr. Sekizli zincir kodunun drtl zincir koduna gre en nemli stnl yatay ve dikey kenar izgilerinin yan sra apraz kenar izgilerini de kodlama imkn tanmasdr. Zincir kodlar ile nesnenin kenarlarnn hangi ynde ne kadar devam ettii tespit edildikten sonra elde edilen bu znitelik vektrne, eitli ilemler uygulanarak daha kk boyutta ve tm nesneler iin daha genel bir vektr oluturulabilir [17].
30
Morlet 1 0.5 0 1 -0.5 -1 -5 0.6 0.4 0.2 0 -0.2 0 5 10 15 20 -0.5 -5 0.5 0 Daubechies (db10) 5 0 Meksika Sapkas 0 -0.5 -1 -5 0.6 0.4 0 5 0.2 0 -0.2 0 5 1.5 1 0.5
Meyer
0 Symlet (sym12)
10
15
20
25
Dalgack dnmyle yaklak ve detay olmak zere iki iaret elde edilir. Yaklak A ile detay D ile gsterilir. Yaklak (A) , iaretin yksek skala dk frekans bileenlerinden oluur. Detaylar (D) ise iaretin dk skala yksek frekans bileenleridir. Dalgack dnmnn en basit blok diyagram ekil 4.7 de gsterilmitir.
Sinyal
Yaklak(A)
Detay(D)
Dalgack dnmyle istenilen seviyede ayrm yaplr [35]. ok seviyeli ayrmda elde edilen detay ve yaklak katsaylarndan yaklak katsays ile ayrma devam edilmekte
31
ve bunun sonucunda yeniden A, D iaretleri elde edilmektedir. Ayrm n seviyesine kadar yaplabilmekte ve buna Dalgack ayrtrma aac ad verilmektedir. 3 seviyeli dalgack dnm ekil 4.8 de gsterilmitir. rnein n= 3 yani aamal bir dalgack dnm sonucunda 3 A, 3 D iaretleri olmak zere toplam 6 iaret elde edilir. Dalgack dnm kullanlarak yaplan ayrtrmada en kk detaylar ortaya karlr [35].
Dalgack dnmleri, srekli dalgack dnmleri, ayrk dalgack dnmleri ve dalgack paket analizi olmak zere farkl kategoride incelenebilir.
1) Srekli Dalgack Dnm: Srekli Dalgack Dnm (SDD) sktrmalar, genilemeler
ve dnmler ile tm zaman ve leklerdeki iaretler ile ana dalgack arasnda uygunluk salar.
SDD(a , b) =
x(t)
t b dt a a
(4.2)
Burada x(t) iaret, (t) dalgacktr, b dnm etmeni olup, farkl frekans seviyelerinde ayrm filtreleri tanmlar ve a ise lekleme etmeni olup her seviye iin ayrm filtrelerini leklendirir. Dnm sonucu, zamann bir fonksiyonu olarak iaret ve dalgack arasnda nasl karlkl bir iliki (korelasyon) olduunu gsterir. aret ve dalgack iyi elemise iaret ve dalgack arasndaki korelasyon yksek olur. Uygulamalara bal olarak dalgack tr seilir. SDD deki lekleme kavram Fourier Dnm (FD) deki frekansn tersine benzerdir. Dalgack yksek oranda skk olduunda iaretin yksek frekans detaylarn elde eder. Dalgack tamamen genise dalgacn uzunluu, iaretin uzunluu ile daha uygun benzerlik salar ve bylece iaretin dk frekans eilimleri ortaya kar [35, 38,].
2) Ayrk Dalgack Dnm: SDD 'nin hesaplama yk fazla ve dnm salamak iin
kulland bilgi miktar olduka byk olduundan SDD den daha etkili bir yol olarak, Ayrk
32
genilemelerinde iarete bakar. ADD' yi anlamak ve dalgacklarn yerini grmek iin filtre bankas kavramn tantmak gereklidir. nk filtre bankas dalgacklarn ayrk edeerleridir.
3) Dalgack Paket Analizi: Dalgack Paket Analizi (DPA) ADD' ye benzer olup, iaret zerinde
mmkn olan bir ok ayrmlar retir ve ADD bunlardan sadece biridir. Filtre bankas her bir zaman iin dk frekans bileenlerini tam olarak ayrtrmak yerine, yksek frekans bileenlerini daha iyi ayrtrmay mmkn klar. Bylece tm zaman-frekans dzlemi mmkn olan tm alt blmlere, farkl zamanfrekans pencereleri ile blnr [23, 35].
E ( s) = si log( si )
2 2 i
(4.3)
E ( s) = log( si )
2 i
(4.4)
E ( s) = si
i
(4.5)
E(si) = 1
|si| > p
(4.6)
Burada s, iaret, (si), iareti oluturan rnek says, i, indis, E, entropi deerleri, (zellik vektr), p istee bal bir parametredir. Denklem (4.3) de Shannon entropide ve Denklem
33
(4.4)de Log energy entropide p parametresi kullanlmaz. Norm entropide p parametresi 1 p ve Threshold entropide p parametresi 0 p olmaldr.
1. Olas zmlerin kodland bir zm grubu oluturulur (zm grubu, biyolojideki benzerlii nedeniyle, toplum (population), zmlerin kodlar da kromozom olarak adlandrlr). Toplumda bulunacak birey says iin bir standart yoktur. Genel olarak
34
nerilen 100-300 aralnda bir byklktr. Byklk seiminde yaplan ilemlerin karmakl ve aramann derinlii nemlidir. Toplum bu ilemden sonra rastgele oluturulur. Birey says belirlendikten sonra probleme bal olarak kromozomlarn kodlanmas gerekmektedir. Deiik kodlama biimleri vardr. 2. Toplumdaki her kromozomun ne kadar iyi olduu bulunur. Bu amala kullanlan fonksiyona uygunluk fonksiyonu denir. Bu fonksiyon yardmyla kromozomlarn uygunluklarnn bulunmasna ise evrimleme (evaluation) ad verilir. Uygunluk fonksiyonu genetik algoritmann beynini oluturmaktadr. Genetik algoritmada probleme zel alan tek ksm bu fonksiyondur. Uygunluk fonksiyonu, kromozomlar problemin parametreleri haline getirerek onlarn bir bakma ifresini zmekte (decoding) ve sonra bu parametrelere gre hesaplamay yaparak kromozomlarn uygunluunu bulmaktadr. ou zaman genetik algoritmann baars bu fonksiyonun verimli ve hassas olmasna baldr. 3. Seilen kromozomlar eleyerek yeniden kopyalama ve deitirme operatrleri
uygulanr. Sonuta yeni bir toplum oluturulur. Bu eleme kromozomlarn uygunluk
deerlerine gre yaplr. Bu seimi yapmak iin rulet tekerlei seimi (roulette Wheel selection), turnuva seimi (tournament selection) gibi seme yntemleri vardr. Yeniden kopyalama (recombination) genlerdeki genetik bilginin birinden dierine gemesi ilemine benzedii iin aprazlama (crossover) olarak adlandrlr. Bu ilem, toplumda eitlilii salar. Deitirmenin (mutation) etkisi, yalnzca bir zm zerinde olmaktadr. 4. Yeni kromozomlara yer amak iin eski kromozomlar kartlarak sabit byklkte bir toplum salanr. 5. Tm kromozomlarn uygunluklar tekrar hesaplanr ve yeni toplumun baars bulunur. 6. lemler tekrarlanarak verilmi zaman iersinde daha iyi olan yeni nesillerin oluturulmas gerekletirilir. 7. Sonuta toplumlarn hesaplanmas srasnda en iyi bireyler bulunduunda zm elde edilmi olur.
35
kromozomun bir parasnn dardan deitirilmesi diye tanmlanr. Deitirme grnte genetik algoritmann dayanak noktasdr, ancak etkisi tek bir zm zerindedir. ok dk bir deitirme olasl toplumda baz zelliklerin kaybolmasna neden olabilir. Bu da en iyi sonularn bulunmasn engeller. Ancak yksek bir deitirme olasl da eldeki zmleri bozarak sonuca ulamay zorlatrr. Gen takas ve deitirmenin olaslklar iin kesin bir say yoktur. Deitirme olasl 0.01-0.001, gen takas olasl 0.5-1.0 aralnda tavsiye edilir [42, 43, 44].
Kromozom Kromozom
A B
101110010110 010110100000
kili kodlama, az eleman sayl problemlerde bile ok sayda mmkn kromozom oluturur. Bu kodlama ile baz problemlerde aprazlama ve mutasyon ilemlerinden sonra dzeltmeler yaplmak zorunda kalnabilir.
Kromozom Kromozom
A B
35127604 01562347
36
Burada da ok kolay olan ikili dzende kodlama kullanlabilir. rnein, her onluk say iin ikili dzendeki saylar yazlabilir.
Deer Kodlama: Bu kodlama, gerel gibi kompleks saylarn yer ald problemlerde kullanlr.
Bu tr problemler iin ikili kodlama ok zor olur. Burada her kromozom baz, deerler dizisidir. Bu deerler ise problemle ilikilidir. rnein gerel say, karakter veya baz kompleks nesneler bile olabilir. Deer kodlama iin kromozom rnei ekil 4.11 de verilmitir.
A B C
3.274 6.121 2.456 0.299 2.115 ABCJFJKHDERJFDLFFEGHK (geri), (sa ), (ileri), (geri), (sol)
Bu kodlama baz zel problemler (rnein bir yapay sinir ann arlk katsaylarnn bulunmas) iin ok kullanldr.
37
a. Tek noktal aprazlama: Bir aprazlama noktas seilir. Bu noktaya kadar olan bitler
(genler) birinci ebeveynden, geriye kalanlar ise dierinden alnarak yeni bir kromozom oluturulur.
b. ift noktal aprazlama: Burada iki krlma noktas seilir. lk noktaya kadar olan
bitler birinci ebeveynden iki nokta arasndaki bitler ikinci ebeveynden, kalanlar ise tekrar birinci ebeveynden yeni kromozoma kopyalanr.
11001011+11011111=11011111
11001011+11011101=11011111
d. Aritmetik aprazlama: Yeni bir kromozom oluturmak iin deiik aritmetik ilemler
uygulanr.
1 1 0 0 1 0 1 1 + 1 1 0 1 1 1 0 1 = 1 1 0 0 1 0 0 1 (AND) VE ilemi
38
1101111000011110 1100111000011110
aprazlama yaplmaz ise (aprazlama olasl %0) yeni bireyler eski bireylerin ayns olur ama bu yeni kuan eskisiyle ayn olaca anlamna gelmez. Eer bu oran %100 olursa yeni bireyler tamamyla aprazlama ile elde edilir. aprazlama eski bireylerden iyi taraflar alnarak elde edilen yeni bireylerin daha iyi olmas umuduyla yaplr [42].
Mutasyon olasl ise mutasyonun hangi sklkta yaplacan belirtir. Mutasyon olmaz
ise yeni birey aprazlama veya kopyalama sonrasnda olduu gibi kalr. Eer mutasyon olur ise yeni bireyin bir ksm deitirilmi olur. Eer bu oran %100 olursa kuak iindeki bireyler tamamen deiir, %0 olursa hi deimeden kalr [42]. GA aprazlama olasl ve mutasyon olasl dnda baka parametreler de ierir. Bunlarn en nemlilerinden birisi de poplasyon bykldr. Bu parametre poplasyon iinde (yalnzca bir kuakta) ka adet kromozom yani birey olduunu syler. Eer kromozom says az olursa GA zm aranan uzayn ancak bir ksmn gezebilir ve aprazlama iin fazla bir seenei yoktur. Kromozom says ok fazla olursa GA ok yava alr. Aratrmalar belli bir noktadan sonra poplasyon saysn artrmann bir yarar olmadn gstermitir [42].
39
karmak olduu problem tiplerinde baarl sonular vermektedir. Genetik algoritmalarn uygulama alanlar unlardr [45]:
1. Optimizasyon
Bir arama yntemi olan genetik algoritmalar, farkl bilim dallarndaki optimizasyon problemlerini zmede kullanlmaktadr. Genetik algoritmalarn uyguland optimizasyon problemleri, fonksiyon optimizasyonu ve birlei (combinatorial) optimizasyonu altnda toplanabilir. Genetik algoritma aratrmalarnn nemli bir blm fonksiyon optimizasyonu ile ilgilidir. Genetik algoritmalar, geleneksel optimizasyon tekniklerine gre zor, sreksiz ve grlt (noisy) ieren fonksiyonlar zmede daha etkindirler. Optimize edilecek ama fonksiyonunun sreksiz olmas halinde, sreksizlik noktalarnda fonksiyonun trevi alnamayacandan, trev almaya dayal optimizasyon yntemleri kullanlamamaktadr. Oysa, genetik algoritmalar, problemlerin zm iin trev veya dier yardmc bilgilere gereksinim duymadndan zellikle bu tip problemlerin zmnde geleneksel yntemlere gre nemli bir stnlk salamaktadr [45]. Genetik algoritmalarn uyguland dier bir optimizasyon problem snf olan birlei optimizasyon problemleri ise, istenen amalara ulamak zere, snrl kaynaklarn etkin tahsis edilmesiyle ilgilidir. Bu snrlar genel olarak, igc, tedarik veya bte ile ilgilidir. Sz geen birlei kelimesi, yalnzca sonlu sayda alternatif uygun zmn mevcut olmas ile ilgilidir. Birlei optimizasyon, iyi tanmlanm bir problem uzaynda bir veya daha fazla optimal zm bulma srecidir. Bu tip problemler ynetim biliminin tm dallarnda da (finans, pazarlama, retim, stok kontrol, veri-taban ynetimi vb.) ortaya kmaktadr. Gezgin satc problemi, ara rotalama problemi, inli postac problemi, i atlyesi izelgeleme problemi, atama problemi, yerleim tasarm problemi ve srt antas problemi birlei optimizasyon problemlerine rnektir. Birlei optimizasyon problemlerinde, incelenen deiken says arttka zme ulama zaman stsel olarak artmaktadr. zm uzaynn tamamnn taranmasn gerektiren geleneksel zm yntemlerinde problem zm deiken saysnn artmasyla imkansz hale gelebilmektedir [45]. Genetik algoritmalar ise zm uzaynn yalnzca belirli bir ksmn tarad ve e zamanl arama yapt iin, bu tip problemlerde zme daha ksa srede ulaabilmektedir.
40
yaplarn tasarm iin de kullanlmaktadr. Bunlara rnek olarak, bilgisayar ipleri tasarm, ders program hazrlanmas ve alarn izelgelenmesi verilebilir. Genetik algoritmalar kullanlarak datlm bilgisayar alarnn tasarm da gerekletirilmektedir. Bu problem tipinde a gvenilirlik parametrelerini (ap, ortalama uzaklk ve bilgisayar a gvenilirlii gibi) optimize etmek iin birden fazla ama fonksiyonu kullanlmaktadr. Genetik algoritmalar ile 100 dme kadar olan alar baaryla tasarlanmtr. A tasarmnda genetik algoritmalarn kullanlmas, tasarm srelerinin ve maliyetlerinin azalmasnda nemli bir katk salamtr. zellikle, maksimum miktardaki verinin minimum iletiim hattyla tanmasnda yksek bir performans gstermitir.
3. Mekanik renme
Mekanik renme; ilki, gzlenmi bir veri takmn anlamak ve yorumlamak, ikincisi de grlmemi objelerin zelliklerini tahmin etmek olan iki temel ama iin model kurmay amalar. Parametrik istatistikten ziyade ok byk veri takmlarnn ynetimi zerinde alr. Kulland metotlarn ou dalmdan bamsz metotlar olarak snflanabilir. Uygun model seimi iin ie problem hakkndaki varsaymlarla balamaz. Onun yerine uygun model yapsn belirlemek iin dorudan mevcut veriden hareketle bir ara kutusu yaklam kullanr [54]. Snflama sistemi, genetik algoritmalarn mekanik renme alannda bir uygulamasdr. Basit dizi kurallarn renen bir mekanik renme sistemi olan snflama sisteminin kural ve mesaj sistemi, zel bir retim sistemi olarak adlandrlabilir. Bu retim sistemi, eer-sonra kural yapsn kullanr. Bir retim kural, eer yapsndan sonra belirtilen durum iin, sonra yapsndan sonra gelen faaliyetin gerekletirilmesini ierir. Genetik algoritmalar, snflama sistemlerinde kural-bulma mekanizmas olarak kullanlmaktadrlar [45].
41
bu ilikiyi formller ve denklemler aracl ile aklamaktan daha esnektir. Bu nedenle, bu tip iliki aklamalar iin sembolik regresyon kullanlabilmektedir. Sembolik regresyonlar, hem fonksiyon formunu hem de o fonksiyondaki uygun katsayy aratrmaktadr. Bunu bulma ilemi ise, verilen girdiler iin arzu edilen ktlar reten zel bir hesaplama program ile program uzaynda arama yapmaya benzemektedir. Genetik algoritmalarn kullanld genetik programlamayla bu tip problemlere tatmin edici zmler ok daha kolay getirilebilmektedir [42]. Genetik algoritmalar yenilik srecinin modellenmesi amacyla da kullanlmaktadr. Ayrca genetik algoritmalarn, fiyat verme stratejilerinin geliim srelerini ve kazan getiren pazarlarn ortaya k srelerini modelleme alanlarnda da kullanmlar olduka yaygndr. Genetik algoritmalar sosyal sistemlerin evrimsel ynlerini anlamak amacyla kullanlmaktadr. Bunlara rnek olarak ibirliinin evrimi, iletiimin evrimi ve karncalardaki iz takibi davrannn evrimi verilmektedir.
5. Finans
Genetik algoritmalar, finansal modelleme uygulamalar iin son derece uygundurlar. Genetik algoritmalar ama fonksiyonu odakldr. Finans problemlerinde genel olarak, ama fonksiyonlar tahmin etme gcne veya bir kyaslama sonucuna bal getirilerdeki gelimeleri ierir. Kullanlan ara ve problemler arasnda mkemmel bir eleme mevcuttur. zellikle hisse senedi fiyatlarndaki deiim kalplarn tahmin etmede ve bulmada, kaynak tahsisi ve uluslararas sermaye tahsisi stratejilerini belirlemede genetik algoritmalar kullanlabilmektedir. Bu yaklamla, kstlanm portfy optimizasyonu, endeks izleme, ilem maliyetleri ve risk tercihleri kstlarnn da katld ok dnemli portfy ynetim sistemlerinin kurulmas, yine minimum ilem lotlu portfy seimi problemlerin zm yaplabilmektedir. Daha yksek getiriler elde etmek iin FX piyasalarndaki ticari kurallar gelitirmede (al-tut stratejilerinden daha karl olanlar bularak) genetik algoritmalar kullanlabilmektedir. Ayrca, mterilerinin kredi deerliliini lmede, yatrm aralarnn performansn belirlemede, iletmedeki mali kayplarn aratrlmasnda, finansal opsiyonlarn gelitirilmesinde kullanlan veri madenciliine uygulanabilmektedir. Mteri kredi deerliliini lme, kredi kart puanlama, piyasalar ile ilgili tahminleri ve irketlerdeki iflas tahminlerini yapma genetik algoritmalarn en sk uyguland finans problemlerindendir [45]. Finans problemlerinin zmnde genetik algoritmalar, bulank ve yapay sinir alar yaklamlaryla birlikte kullanlmaktadr. Yumuak hesaplama ve hibrid genetik algoritma yaklam sk grlmektedir. Ayrca, zm performans asndan finans problemlerindeki
42
genetik algoritma zmleri yasakl arama, tavlama benzetimi arama metotlar ile karlatrlmakta ve o probleme uygun zm yntemi nerilmektedir.
6. Pazarlama
Tketicilere ait verileri analiz etmek, eitli tketici kalplar karmak ve bu kalplara dayanarak pazarlama stratejileri uygulamak, pazarlamann en nemli fonksiyonlarndan biridir. Tketicilerin profilleri karlarak, belirli satn alma kalplar yakalanabilmektedir. Ancak tketici profilini karabilmek iin, ok byk veri tabanlarn iletme amalar dorultusunda hzl ve etkin biimde kullanmak gerekmektedir. Burada kullanlan teknik veri madenciliidir. Veri madencilii, ok geni veri tabanlarndan veriyi szme tekniidir. Pazar ve tketiciyi tanmada son derece nemli rol oynayan veri madencilii, veriyi bilgiye bilgiyi de gvenli kararlara dntrr. Veri madenciliinin verimlilik, karllk, mteri tatmini ve rekabet edebilme yetenei gibi yaamsal konularda iletme zerinde ok nemli etkileri bulunmaktadr. Rekabet edebilme yetenei karar alma kalitesine baldr ve bundan dolay iletmeler srekli karar kalitelerini gelitirmeye alrlar. Veri madenciliinde kullanlan tekniklerden birisi de GAdr. GA tabanl yaklam kullanlarak veri ynlarndan modeller elde edilmektedir.
43
5. YAPAY S N R AI LE SINIFLANDIRMA
Snflandrma aamasnn amac, rntleri zellik uzaylarna gre kendilerine en yakn snflara minimum hata ile elemektir. Snflandrcnn baarmnda iyi belirlenmi zellikler kilit rol oynarlar [10, 21]. rnt snflandrclarn geleneksel ve akll olarak gruplara ayrmak mmkndr. Geleneksel snflandrma algoritmalar istatistiksel bir yap olan Bayes karar teorisi zerine kuruludur. Bunlarn dezavantajlar, zellik uzayn snflandrma uzayn dntrrken, bir grltnn kmas ve her bir snf iin hata kriterinin belli olmamasdr [16, 17]. Geleneksel snflandrclara; ok deikenli Gauss modelleri, en yakn komu, maksimum olabilirlik, ikili aa snflandrclar ve Fisherin dorusal snflandrclar rnek olarak verilebilir [17]. Buna karn akll snflandrma yaplar genellikle Yapay sinir a tabanl olup, gnmzde en yaygn kullanlan ve baarmn ispatlam ok gl snflandrc trleridirler. zellikle de genelleme yetenekleri, rnt tanma uygulamalarnn ok byk boyutlu verileri asndan nemlidir. Hoekstra, (1998) almas ile geleneksel ve YSA snflandrclarn kyaslam ve YSA snflandrclarnn gstermitir. stnlklerinin geleneksel yntemlere gre tartlmaz olduunu
Eitim verisi
renme
Snflandrc hafzas
Parametrik snflandrclar; 1. Bayes 2. Maksimum olabilirlik 3. En yakn komu (k- NN) 4. Parzen pencereleri Akll Snflandrclar; 1. Yapay sinir alar 2. Bulank mantk 3. Nral Bulank (ANFIS) snflandrclardr.
44
45
iaretleri hcre gvdesine tar ve hcre gvdesinde toplanan bu iaretler deerlendirilerek bir k iareti retilir ve bu iaretler akson ad verilen uzantlar vastasyla dier sinir hcresine gnderilir. Bir sinir hcresinde birok dentrit olmasna karn tek bir akson vardr. Yani bir sinir hcresinde birok giri bulunmasna ramen tek bir k vardr. Sinir hcrelerinin en byk zellii, evreden gelen iaretlere ya cevap vermesi ya da vermemesidir. Eer sinir hcresine gelen iaret, eik deerini aarsa hcre tarafndan kabul edilir ve cevaplandrlr, eik deerini aamyorsa yok kabul edilerek hibir cevap retilmez. ki sinir hcresi arasnda birinin dentriti ile dierinin aksonu arasnda bir balant vardr ve bu balant yerine sinaps ad verilir. Bu balant yerinde sinirler birbirine bal deildir. ki hcre arasnda kk bir balant bulunmamasna ramen iki sinir hcresi darbeleri iletmek iin birbirine yeterince yakndr. Birinci sinir hcresinin aksonu, sinir hcresinden ald iaret sonucunda ier ve bu
ilik ikinci sinir hcresinin dentritinde bulunan alglayclar tarafndan kaydedilerek hcre
zarnn Na+ ve K+ iyonlar geirebilme yeteneini deitirme ynnde etkileyen kimyasal reaksiyon balar. Bylece hcre zar iyonlarn zar gemesine izin verir ve zar potansiyelini geici olarak deitirir [48, 49, 50].
Biyolojik beynin en nemli zelliklerinden birisi de, renme olaydr. nsanlar ve hayvanlar, srekli olarak ierisinde bulunduklar evre ile iliki neticesinde bir renme ilemi ierisindedirler. renilen her yeni bilgi, beynin fonksiyonlarn hemen etkileyerek, yaplan davranlara yansr. Yapay sinir alarnn gerekletirilmesinde bu zellik esas tekil eder [47].
46
yntemlerden ok daha farkl kullanarak zellikle seri bilgisayarlarda bilinen yntemlerle yaplmas mmkn olmayan ve ok zor olan bir takm ilevleri (ses ve rnt tanma gibi) rahatlkla yapmalar, bu alar stn klmtr. Yapay sinir ann temel dncesiyle insan beyninin fonksiyonlar arasnda benzerlikler vardr. Yapay sinir alar, her ne kadar temel yap itibariyle bir ksm zellikleri insan beyninin fiziki zelliklerinden esinlenerek ortaya atlm ise de, kesinlikle u andaki halleri ile insan beyninin ne tam ne de yaklak bir modeli olarak deerlendirilemezler [48, 49]. Gnmzde her ne kadar karmak matematiksel hesaplamalar ve hafza ilemlerini eldeki mevcut bilgisayarlarla hzl ve doru yapmak mmkn ise de, ayn bilgisayarlarla beynin birok basit fonksiyonunu (grmek, duymak koklamak, ...vs.) yerine getirmek olduka zor olmaktadr. Ayrca biyolojik beyin, tecrbe ile renme ve bilgiyi kendi kendine yorumlama, hatta eksik bilgilerden sonular kartma kabiliyetine sahiptir. Bu, daha ok biyolojik sistemlerin, hcreler zerinde datlm bilgiyi paralel olarak ileme zelliklerinden kaynaklanr. Hcreler birbirine bal ve paralel altklarndan bazlarnn ilevini yitirmesi halinde, dierleri alt iin sinir sistemi, fonksiyonunu tamamen yitirmez. te yapay sinir alar, bu zellikleri bnyesinde toplayacak ekilde gelitirilmektedir [47]. Yapay sinir alar, biyolojik sinir alar gibi yapay sinir hcrelerinin veya ilem elemanlarnn bir araya gelmesinden oluur. Her bir ilem eleman ekil 5.3 te grld gibi be paradan oluur. Bunlar; giriler, arlklar, toplama fonksiyonu, aktivasyon fonksiyonu ve ktr.
X0 b W1 W2 X2 W3 X3 Xm
X1
f(.)
Wm
Xi : Giri Wi : Arlklar
: Toplama Fonksiyonu
f V
: Aktivasyon Fonksiyonu : k
47
lem elemanna birden fazla giri gelmekte ve sadece bir k retilmektedir. Giriler,
dentritlere benzer ekilde dier yapay hcrelerden balantlar vastasyla ilem elemanna bilgi gelmesini salarlar. Baz durumlarda bir ilem eleman kendisine de bilgi geri gnderebilir (feedback). Bahsedilen bu bilgiler elemanlar arasnda bulunan balant hatlar zerinde depolanr ve her balantnn bir arl vardr. Bu arlk, bir ilem elemannn dieri zerindeki etkisini gsterir ve arlk bydke etki de byr. Arln sfr olmas hi bir etkinin olmamas, negatif olmas ise etkinin ters ynde olmas demektir. Bu arlklar sabit olabildikleri gibi deiken de olabilirler. Toplama fonksiyonu, bir ilem elemanna gelen net girii hesaplayan bir fonksiyondur. Net giri genellikle gelen bilgilerin ilgili balantlarn arlklar ile arplp toplanmas ile belirlenir ve bu nedenle toplama fonksiyonu olarak isimlendirilir. Aktivasyon fonksiyonu, toplama fonksiyonu tarafndan belirlenen net girii alarak, ilem elemannn kn belirleyen fonksiyondur ve genel olarak trevi alnabilen bir fonksiyon olmas tercih edilir. Toplama ve k fonksiyonlar, ilgili probleme bal olarak farkl
ekiller alabilirler. lem elemannn k nitesi ise k fonksiyonunun rettii drty dier
ilem elemanlarna veya d dnyaya aktarma ilevini yapar. lem elemanlar an topolojik yapsna bal olarak tamamen birbirinden bamsz ve paralel olarak alabilirler. ekil 5.3te verilmi olan yapay sinir hcresine x1 , x2 , x3 ...xm giri iaretleri uygulanmaktadr. Her giri iareti w1, w2 , w3 ...wm ilgili arlk deerleriyle arplrken basit hcre modelinde, v k ifadesi Denklem 5.1 deki gibi olur.
m
u = xiwi b
i =0
(5.1)
v=f(u)
(5.2)
Burada, giriler x, arlklar w vektr ile gsterilir. b, ise eik deer olarak adlandrlr. Giri iaretleri biyolojik hcrelerin sinapsislerindeki iaretlere kar den giri hattndaki elektriksel etkinlii, arlk vektryse biyolojik sinirlerdeki sinaptik gc ifade etmektedir. f(.) fonksiyonu, bir lineer veya lineer olmayan fonksiyondur. ekil 5.4 te, f(.) fonksiyonu iin kabul grm gerek biyolojik sinirlerin transfer fonksiyonuna yakn fonksiyonlar grlmektedir. Burada, v k etkinlii VAR/YOK olarak iki durum arasnda snrlandrlm olmaktadr. Bu iki durum arasndaki durum deitirmenin ayrntlar f(.) fonksiyonunun ayrntlaryla belirlenir. Yani v hcre k etkinlii, hcreye girilerden gelen toplam etkinlie, bir f(.) aktivasyon fonksiyonu zerinden baldr. ekil 5.4-b de verilen lineer aktivasyon fonksiyonu iin,
48
f(.)=u
1 f(v)
1 f(v)
1 f(v)
0 -1 -10 +10
0 -1 -10 +10
0 -1 -2 +2
0 -1 -2 +2
(a)
(b)
(c)
(d)
ekil 5.4. Aktivasyon fonksiyonlar. a) Sigmoid fonksiyonu, b) Dorusal aktivasyon fonksiyonu, c) Doyumlu dorusal aktivasyon fonksiyonu, d) Eik (Basamak) aktivasyon fonksiyonu.
transfer etmekle sorumludurlar. Baz alarda girdi katmannda herhangi bir bilgi ileme olmaz.
Ara katmanlar: Girdi katmanndan gelen bilgiler ilenerek kt katmanna gnderirler.Bu
bilgilerin ilenmesi ara katmanlarda gerekletirilir. Bir a iin birden fazla ara katman olabilir.
49
girdi katmanndan sunulan girdi seti (rnek) iin retmesi gereken kty retirler. retilen kt d dnyaya gnderilir. ekil 5.5 bu katmann bir biri ile olan ilikisini gstermektedir [53].
YSA
Ara Katmanlar
Girdi Katman
kt Katman
Girdi Bilgileri
Balantlar
Girdi Seti
Girdi Katman
Ara Katman
k Katman
ematik olarak ekil 5.6 da gsterilmektedir. ekildeki yuvarlak ekiller proses elemanlarn
50
kt Seti
k Bilgileri
gstermektedir. Her katmanda birbirine paralel elemanlar sz konusudur. Proses elamanlarn birbirine balayan izgiler ise an balantlarn gstermektedir. Proses elemanlar ve balantlar ve bir yapay sinir an olutururlar. Bu balantlarn arlk deerleri renme srasnda belirlenmektedir [53].
konusudur. Eitici, sinir ann ilgili giri iin retmesi gereken sonucu sinir a sistemine verir. Yani yapay sinir ana giri/k ikilisinden oluan rnekler sunulur. Bu ikili, an renmesi gereken zellikleri temsil eder. A giri ksmn alr ve o anki balant arlklarnn
51
temsil ettii bilgi ile bir k oluturur. Bu k, olmas gereken kt ile mukayese edilir ve aradaki hata tekrar aa aktarlarak arlklar bu hatay azaltacak ekilde deitirilirler.
Eiticisiz renme: Bu durumda hi bir eiticiye ihtiya yoktur. Bu nedenle ou
zaman buna kendinden organizeli renme (self-organized learning) denilmektedir. A, kendine gsterilen rnekleri alr ve belli bir kritere gre snflandrr, bu kriter nceden bilinmeyebilir. A, kendi renme kriterlerini kendisi oluturmaktadr.
Takviyeli renme: Bu yntemde de yine eiticiye ihtiya vardr. Yukardaki yntemden
fark ise, bu durumda eiticinin, an retmesi gereken sonu yerine, onun rettii sonucun sadece doru veya yanl olduunu sylemesidir. Bu ise aa bir takviye sinyalinin gnderilmesi ile gerekletirilir. Bu yntem, ilgili rnek iin beklenen ktnn oluturulamad durumlarda ok faydaldr. renme ilemi, balangtaki rasgele seilmi arlklarn, belirli bir kurala gre deitirilmesi esasna dayanmaktadr. Bu renme kurallarndan ikisi aada aklanmaktadr. Bu algoritmalarda, wj = [wj1 wj2 ... wjp] vektr adaki i. hcreye gelen n tane giriin arlk katsaylarn, x = [x1 x2 ... xn] vektr aa gelen n tane girii, yj ve djde srasyla i. hcrenin hesaplanan ve istenen kn temsil etmektedirler.
Delta Kural (Eim dme) renme Algoritmas: Eim dme (gradient descent)
renme algoritmas veya delta kural renme algoritmas, sadece tretilebilir fonksiyonlara sahip olan alara uygulanabilmektedir. Eiticili bir renme algoritmasdr. w deiimi, hatann eiminin tersi yndedir. Bylece, hata fonksiyonunun minimum olduu yere doru hareket edilmektedir. k. rnek iin, a k ile arzu edilen k arasndaki farka (hataya) gre yeni arlk deerleri,
w j (k + 1) = w j (k) .
E(k) w j (k)
(5.6)
(5.7)
(5.8)
olur. Buradan yeni arlklar bulmak iin, hata fonksiyonunun arlklara gre ksmi trevleri aadaki gibi hesaplanr.
(5.9)
52
algoritmadr. leri beslemeli bir yapay sinir a iin arzu edilen k ile a k arasndaki fark (hata), ktan girie doru yanstlr. Bunun iin, k anndaki hatann an her bir arla gre eimi hesaplanarak, ilgili arla uygulanacak deiim miktar bulunur.
arasndaki balantlarn doru yaplmas gerekir. YSA problemden ald rnekleri inceleyerek aradaki ilikiyi kavramaya alr yani problemi renir.
Genelleme: Klasik snflandrma yntemlerinde, istenilen k retmek iin girilerin
tamamna ihtiya duyulmaktadr. Fakat yapay sinir alar, giriinde deiimler olsa bile doru k retebilirler [17]. YSA, eitim aamasnda verilmeyen giri sinyalleri iin de sistemle ayn davran gsterebilir [37].
karm Yapma: Yapay sinir alar tam doru olmayan bir eitme kmesinden, tam
doruyu karabilirler. Ses tanmak iin eitilmi bir yapay sinir ana, grltl bir ses verildiinde a kta doru sesi retebilir. Yani, eksik veya bozuk girilere uygun sonucu verebilmektedir.
Hata tolerans: yi eitilmi ve genelleme kapasitesi yksek bir sinir a, veriler eksik
olsa da karar verme ilemine devam eder. Bunun dnda yapay sinir a zerinde bir takm problemler ve bozukluklar olabilir. Geleneksel sistemlerin tersine yapay sinir alar, bu durumda da almasna devam eder. Verilerdeki eksiklik veya yapay sinir andaki yapsal bozukluk arttka yapay sinir ann performans yava yava azalmaya balamaktadr. Fakat sistem fonksiyonunu tamamen durdurmaz ve mutlaka bir sonu retmektedir. Bu zellikler yapay sinir ann yapsndan kaynaklanmaktadr. nk a paralel bir yapya sahip olduundan, bilgi tm hcrelere dalm durumdadr. Bundan dolay birka balantnn etkisiz hale gelmesi, sonucu etkilemez [54].
Hz: Gerek zaman uygulamalarnda bilgi ileme hz nemli bir yer tekil eder.
Sistemlerin her geen gn biraz daha karmak olduu, dolays ile daha fazla hacimde veriyi daha verimli bir ekilde ileme gereklilii, yeni yazlm/donanm sitemlerinin zorunluluunu ortaya karmtr. Yapay sinir alarnn da, yine birbirlerine bal ve paralel ilem
53
elemanlarndan olutuundan byle hzl ileyebilmeleri, bu alara zellikle endstriyel hayatta ok nemli olan gerek zamanl alma kabiliyeti kazandrr [17, 32].
54
aralnda Gaussian Beyaz Grlt (Additive White Gaussian Noise - AWGN) iaretlere ilave edilmitir. Grlt ilave edilerek her bir modlasyon eidinden 10 adet iaret oluturulmutur. Her modlasyon tipinden 15 adet, toplam 60 adet iaret elde edilmitir. Bu iaretler YSAnn eitimi ve testi iin kullanlmtr.
adet ASK8 de
Genlik
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
rnek says
ekil 6.1. a) M=8 , Fc =10 Hz iin bir ASK8 modleli iaret rnei.
55
Genlik
0.55 0.5 0.45 0.4 0.35 1000 1200 1400 1600 1800 2000
rnek says
ekil 6.1. b) M=8 , Fc =10 Hz iin bir ASK8 modleli iaretin zoomlu rnei.
adet FSK8
modleli iaret elde edilmitir. Bir FSK8 modleli iaret rnei ekil 6.2 de gsterilmektedir.
Genlik
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
rnek says
ekil 6.2. a) M=8 , Fc =10 iin bir FSK8 modleli iaret rnei.
56
fsk Modleli Sinyal 1 0.95 0.9 0.85 0.8 Genlik 0.75 0.7 0.65 0.6 0.55 0.5
1200
1400
1600
1800
2000
2200
rnek says
ekil 6.2. b) M=8 , Fc =10 Hz iin bir FSK8 modleli iaretin zoomlu rnei.
adet PSK8
modleli iaret elde edilmitir. Bir PSK8 modleli iaret rnei ekil 6.3 de gsterilmektedir.
Genlik
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
rnek says
ekil 6.3. a) M=8 , Fc =10 iin bir PSK8 modleli iaret rnei.
57
Psk Modleli Sinyal 0.95 0.9 0.85 0.8 Genlik 0.75 0.7 0.65 0.6 0.55 0.5 1600 1800 2000 2200 2400 2600
rnek says
ekil 6.3. b) M=8 , Fc =10 Hz iin bir PSK8 modleli iaretin zoomlu rnei.
rnekleme oran Fs=25 Hz, seviyesi M=8 eklinde deitirilerek toplam 30 adet QASK8 modleli iaret elde edilmitir. Bir QASK8 modleli iaret rnei ekil 6.4 te gsterilmektedir.
4 3 2 1
Genlik
0 -1 -2 -3 -4
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
rnek says
ekil 6.4.a) M=8 , Fc =10 Hz iin bir QASK8 modleli iaret rnei.
58
Genlik
2.2 2 1.8 1.6 1.4 1400 1600 1800 2000 2200 2400 2600
rnek says ekil 6.4.b) M=8 , Fc =10 Hz iin bir QASK8 modleli iaretin zoomlu rnei.
2. zellik karm Mekanizmas : Rastgele bir birey ele alndnda ilgili bireyin temsil
ettii norm entropi, Shannon entropi, logaritmik enerji entropi, sure entropi ve eik
59
entropi deerleri hesaplanr. Buradan elde edilen entropi deerleri zellik vektrnde zellik olarak kullanlr.
4. aprazlama Operatr : Elde edilen 10 adet iyi bireyin rastgele 6 tanesi kendi
aralarnda rastgele aprazlama ilemine tabi tutulur. Kullanlan aprazlama oran %60 tr.
aprazlama lemi
Mutasyon lemi
Nesil=Nesil +1
60
algoritmayla birlikte ayrk dalgack dnm kullanlmtr. Elde edilen her bir modleli iaret dalgack dnmnden geirilerek zellikleri karlmtr. Saysal modlasyon iaretlerinin (ASK, FSK, PSK, QASK) dalgack ayrmlar iin 7 seviyedeki ayrm yaps ekil 6.6 da gsterilmitir. Dalgack dnm ile iaretlerin dier modlasyon tanma yntemlerinde ortaya kmayan en ince ayrntlarna da ulalmtr.
Orjinal Sinyal
cD1
cD2 cD3
cD4 cD5
cD7
cD6
Dalgack ayrm db2, db4, db5, db10, sym2, sym3, sym5, sym8, bior1.3, bior2.2, bior3.5, bior6.8, coif1, coif2, coif3, coif5 dalgack ayrm filtreleri kullanlarak saysal modlasyon iaretlerine uygulanmtr. Bylece 7 -yaklam cA katsays elde edilmitir. Bu dalgack katsay iaretlerinin her birinin Norm entropi deerleri hesaplanp 1/200 ile normalize edilmitir.
ekil 6.7 (a-d) de srasyla ASK, PSK, FSK ve QASK modlasyonlarnn dalgack
dnm uygulanarak elde edilen dalgack dnm katsay rnek iaretleri grlmektedir.
61
A2
2000 A4
4000
6000
Byklk
2000 A5
4000
6000
2000 A6
4000
6000
2000 A7
4000
6000
2000
4000
6000
2000
4000
6000
rnekler
1 0 -1 0 2000 A3 4000
A1
0.5 0
A2
Byklk
6000
2000 A4
4000
6000
2000 A5
4000
6000
2000 A6
4000
6000
2000 A7
4000
6000
2000
4000
6000
2000
4000
6000
rnekler
ekil 6.7 (b). FSK8 iaretinin dalgack dnm aacnda bulunan iaretleri.
62
1 0 -1 0.5 0 -0.5
A1
A2
2000
4000
6000 A3
2000
4000
6000 A4
Byklk
2000
4000
6000 A5
2000
4000
6000 A6
2000
4000
6000 A7
2000
4000
6000
2000
4000
6000
rnekler ekil 6.7 (c). PSK8 iaretinin dalgack dnm aacnda bulunan
Byklk
rnekler
ekil 6.7 (d). QASK8 iaretinin dalgack dnm aacnda bulunan
63
Dalgack dnmnn sonucunda elde edilen iaretler entropi ileminden geirilmitir. Entropi, iaretteki dzensizliin ltdr. Kayna bilinmeyen modleli iaretlerin zelliklerinin karlmas iin bu metot kullanlmaktadr. Entropi birok alanda uygulanmaktadr fakat en fazla iaret ilemede kullanlmaktadr. Entropi iin birok kriter bulunmaktadr. Bunlar Shannon entropisi, Norm entropi, Log energy entropisi ve Threshold entropisidir. GDYSA kullanarak saysal modlasyon tanma almasnda entropi kullanlmtr. Elde edilen entropi deerleri N=200 entropi olarak norm blenle normalize edilmitir.
Bylece toplam normalize edilmi 7 entropi deeri 60 iaretin her biri iin bulunmutur. Ayn zamanda bu entropi deerlerinin her biri dalgack entropi olarak adlandrlmaktadr. Entropi ilemi sonunda iaretlerin zellik vektr karlmtr. Bu vektr her bir modlasyon tipi iin (15X7) boyutundadr. Dalgack dnm 7 seviyede alndndan iaretlerin her birinin norm entropi deerleri hesaplanarak, her bir iaret iin 7 zellik karlmtr. Toplam (60X7) lk matris eitim aamasnda, (60X7) lk matris test aamasnda kullanlmtr. Dalgack dnm 7 seviyede alndndan 7 adet yaklak (A) iaret oluturulmu ve bu iaretlerin her birinin Norm entropi deerleri hesaplanarak, her bir iaret iin zellik karlmtr. 4 (modlasyon eidi) x 15 ( her bir modlasyon eidi iin kullanlan rnek says) x 7 ( her bir modleli iaretin zellik says) matrisi eitim aamasnda kullanlmtr.
6.3. Snflandrma
Bu almada, snflandrma iin yapay sinir alar snflandrcs kullanlmtr. Bu mekanizma, zellik karm mekanizmasndan elde edilen zellikler kullanlarak uzman snflama iin gerekletirilmitir. Eitim parametreleri ve bu almada kullanlan YSAnn yaps Tablo1 de gsterilmitir.
Tablo1. YSA yaps ve eitim parametreleri.
YAPILAR
Katman says Katmanlarn nron says 3 Giri:7 Gizli:15 k:1 Aktivasyon fonksiyonlar Eitim parametreleri renme kurallar Momentum sabiti Toplam Kare Hata Log-sigmoid Geriye yaylm 0.95 0.00001
64
Bunlar, bir ka farkl deneme ile, yani gizli katman nron says, momentum ve renme oranlarnn deerleri ve etkinletirme fonksiyonlarnn trleri, en iyi baarm iin seildi. ekil 6.8 de ise bu yntem ile elde edilen zellikler ile kullanlan YSA nn eitim baarm grlmektedir. yle ki gizli katman says, gizli katmann boyutu, moment sabitinin deeri ve renme oran ve aktivasyonun tipi birka farkl deneyden sonra en iyi performans iin seilmitir. YSA eitiminde saysal Modlasyon tiplerinden ASK8= 1, numaralandrlmtr. Bu almann admlar unlardr: zellik karm mekanizmasndan elde edilen (7X60) zellik vektr YSA snflandrcnn giriine verilmitir. YSA snflaycnn knda karar alan 4 saysal modlasyondan olumutur. Ortalama Karesel Hata (OKH ) YSA snflaycnn eitim sonunda elde edilmitir. YSA snflaycnn hedef hata deeri (HHD), OKHya eit HHD ya da birey iin daha az istenmitir. Eer bu durum fark edilirse, bu bireyin uygunluk fonksiyonu ok yksek olacaktr. OKH-HHD nin bu karlatrmas poplasyonun bireylerinin uygunluk fonksiyonu gibi genetik algoritma iin kullanlmtr. modleli iaretlerden 60 tanesi kullanlmtr. ve QASK8= 4 olarak FSK8 = 2, PSK8= 3,
65
66
Tablo2. GDYSA algoritmas kullanarak elde edilen optimum deerler ve GDYSA nn snflama performans
Wavtip
coif5 coif1 db5 sym5 db2 db10 bior2.2 db4 sym8 coif3 sym2 bior1.3 db10
Hata Deeri
0.000010 0.000010 0.000008 0.000010 0.000009 0.000010 0.000009 0.000009 0.000010 0.000006 0.000009 0.000009 0.000009
67
7.2. neriler
Gnmz teknolojisinde saysal modlasyonlarn otomatik olarak tannmasnn gerektii her yerde GDYSA uzman sistemi tercih edilebilir.
68
Bu almada snrl sayda saysal modleli iaret kullanlmtr. Daha sonradan bu alanda yaplacak almalarda ise daha geni bir veri taban kullanlarak GDYSAnn baarm denenebilir. Bu almada saysal modleli iaretlerin yorumlanmas amalanmtr. Ayn yntemler analog modleli iaretlerin yorumlanmas iinde uygulanabilir. Ayrca GDYSA uzman sistemi gerek haberleme sistemlerinde de saysal ya da analog modlasyon tanma amal kullanlabilir. Askeri ve sivil haberleme ortamlarnda yaygn olarak kullanlan saysal modlasyon tekniklerinin bilgisayar ortamnda otomatik olarak tannmasn salamak iin Genetik Dalgack Yapay Sinir Alar kullanlabilir.
7.3. Yaynlar
Bu tez almasnda gerekletirilen uygulamalar bir adet uluslar aras konferans yayn [33] ve bir adet dergi yayn ile sonulandrlmtr.
69
KAYNAKLAR
1. Tomasi,W., 1994, Elektronik letiim Teknikleri. MEB, Ankara. 2. Derin, H., Akar, M., 1987, Mhendislik Fakltesi, Ankara. 3. Trkolu, ., 2002, Haberleme Teknii-I Ders Notlar. Frat niversitesi, Elaz. 4. Azzouz, E. E., Nandi, A. K., 1997, Automatic Modulation Recognition-I, Journal of Franklin Inst., 334B, No.2, 241-273. 5. Azzouz, E. E., Nandi, A. K., 1997, Automatic Modulation Recognition-II, Journal of Franklin Inst., 334B, No.2, 275-305. 6. Dominguez, L. V., Borello, J. M. P., Garcia, J. P., &Mezaua, B. P., 1991, A general approach to the automatic classification of radio communication signals, Signal Processing, 22, 239250. letiim Kuram Modlasyon Yntemleri. ODT
7. Jondral, F., 1985, Automatic classification of high frequency signals,Signal Processing, 9, 177190. 8. Azzouz, E.E., Nandi, A.K., 1996, Automatic modulation recognition of communication signals, Kluwer Academic Publishers. 9. Ghani, N., Lamontagne, R., 1993, Neural networks applied to the classification of spectral features for automatic modulation recognition, Military Communication Conference, 93, 111-115. 10. Fabrizi, P. M., Lopes L. B., Lockhart, G. B., 1986, Receiver recognition of analogue modulation types, in IERE Conference on Radio Receiver and Associated Systems, Bangor Wales, 135-140. 11. Guldemir, H, Sengr, A.,2006, Comparison of Clustering Algorithms for Analog Modulation Classification, Expert Systems with Applications, 30, No.4, 642-649.
70
12. Avc, E., 2007, Performance comparison of wavelet families for analog modulation classification using expert discrete wavelet neural network system, Elsevier Expert Systems with Applications, 33, No.1, (in Press). 13. Aisbett, J., 1997, Automatic modulation recognition using the time domain parameters, Signal Processing, 13, 323328. 14. Nandi, A. K., Azzouz, E. E., 1997, Modulation recognition using artificial neural networks, Signal Processing, 56, 165-175. 15. Yarc, K., ztrk, O., 1999, Elektronik Ders Kitab. Beta Yaynevi, stanbul. 16. Rajan, J.J., 1994, Time series classification, Doktora Tezi, Cambridge niversitesi, 191s. 17. Trkolu, ., 2003, rnt Tanma Ders Notlar. Frat niversitesi, Elaz. 18. Rothe, H., 1998, Approaches to pattern recognition, advanced pattern recognition techniques, NATO-RTO Lecture Series 214, Lisbon Portugal, 1.1 1.29. 19. Duda, R.O. and Hart, P.E., 1989, Pattern Classification and Scene Analysis. Stanford Research Institute, 483s. 20. Phan, F., Tzanakou, E.M. and Sideman, S., 2000, Speaker identification using neural networks and wavelets, IEEE Engineering in Medicine and Biology, Ocak/ubat, 92101. 21. Trkolu, . ve Hanbay, D., 2001, Yapay sinir a ve HFD kullanarak DTMF sinyal rntlerini tanma sistemi, Elektrik-Elektronik-Bilgisayar Mhendislii 9.Ulusal Kongresi, 19-23 Eyll 2001, Kocaeli, 431-434.
22. Chau, T., 1994, Pattern recognition of processed EMG signals for two-site Myoelectric control, Uygulamal Master Lisans Tezi, Toronto niversitesi, 96s.
71
23. Kil, D.H. ve Shin, F.B., 1996, Pattern Recognition and Prediction with Applications to Signal Characterization. AIP Press, USA, 417s.
24. Rutledge, G.A., 2000, Dictionary Projection Pursuit: A wavelet packet technique for acoustic spectral feature extraction, Doktora Tezi, Victoria niversitesi, 193s.
26. Young, T.Y. and Fu, K.S., 1986, Handbook of pattern recognition and image processing. Academic Press, Inc, 159s.
27. Bishop, C.M., 1996, Neural networks for pattern recognition. Clarendon Press, Oxford, 482s. 28. Banks, S.P., 1990, Signal Processing, Image Processing and Pattern
Recognition,Prentice-Hall, New York, 409s. 29. Trkolu, ., 1996, Yapay sinir alar ile nesne tanma, Yksek Lisans Tezi, Frat niversitesi, Fen Bilimleri Enstits, Elaz, 112 s. 30. Ward, M., 1998, Detection and classification of transient underwater sounds by a finite impuls response neural network, Yksek Lisans Tezi, New Brunswick Fredericton, Kanada. 31. Kaita, T., Tomita, S. ve Yamanaka, J., 2002, On a higher-order neural network for distortion invariant pattern recognition, Pattern Recognition Letters, 23,8,977-984. 32. Trkolu, ., ve Arslan, A., 1996, Yapay sinir alar ile bozuk rnt tanma, Frat niversitesi Fen ve Mhendislik Bilimleri Dergisi, 8, 147-158. niversitesi,
72
33. Avc, E., Bicer, Z. Erdem Yakut, S., 2006, An Adaptive Wavelet Entropy Method for Intelligent Digital Modulation Classification, Fifteenth Turkish Symposium on Artificial Intelligence and Neural Networks (TAINN 2006), MULA,117-124, No.2. 34. Avc, E., Trkolu, ., ve Poyraz, M., 2005, Intelligent Target Recognition Based on Wavelet Packet Neural Network, Expert Systems with Applications, 29, No.1, 175-182. 35. Matlab 6.5 Wavelet Toolbox Help , 2006.
36. Avci, E., Avci, D., A novel approach for digital radio signal classification: Wavelet packet energymulticlass support vector machine (WPEMSVM) Mart 2007. ARTICLE Expert Systems with Applications, In Press, Uncorrected Proof, Available online 1
37. Avc, E., 2007, Performance comparison of wavelet families for analog modulation classification using expert discrete wavelet neural network system, Elsevier Expert Systems with Applications, 33, No.1, (in Press).
38. Hanbay, D., Trkolu, ., ve Demir, Y., 2008, Prediction of Wastewater Treatment Plant Performance Based on Wavelet Packet Decomposition and Neural Networks, Expert systems with applications, 34, No.4.
39. Shannon, C.E., 1948, A mathematical theory of communication, Bell System Technology Journal, 27, 379-423. 40. Tonga, S., Bezerianosa, A., Paula, J., Zhub, Y. ve Thakora, N., 2002, Nonextensive entropy measure of EEG following brainin jury from cardiac arrest, Elsevier Physica A, 305, 619 628. 41. Principe, J.C., Euliano, N.R. ve Lefebvre, W.C., 2000, Neural and Adaptive Systems. John Wiley & Sons, 1. Bask, New York, 656s. 42. KURT M., SEMETAY C., M..Teknik Eitim Fakltesi Makina Blm.
73
43. Avc, E., Trkolu, ., ve Poyraz, M., An Expert Target Recognition System Using Genetic Wavelet Neural Network.
44. Avc E., 2005, Akll Radar ile Hedef Tanma Sistemi, Frat niversitesi, Doktora.
45. EMEL G.G., TAKIN ., 2002, Genetik Algoritmalar ve Uygulama, Uluda niversitesi ktisadi ve dari Bilimler Fakltesi Dergisi Cilt XXI, Say 1, s. 129-152.
46. Zurada, M.J., 1992, Introduction to Artificial Neural Systems, West Publishing Company, Inc. New York. 47. Bal C., 2002, Doru Akm Motorlarnn Hz Denetiminde Yapay Sinir Alarnn
Performans Analizi, F.. Fen Bilm. Enst. Yksek Lisans Tezi. 48. Hanbay D. 2005, Akll Donanm ve uygulamalar, F.. Fen Bilm. Enst. Doktora Semineri. 49. Haykin, S., 1994, Neural Networks, A Comprehensive Foundation, Macmillan College Publishing Comp. Inc. 50. Narendra, K.S., ve Parthasarathy, K., 1990, Identification and Control of Dynamical Systems Using Neural Networks, IEEE Transactions on Neural Networks, Vol.1, No:1, 4-27. 51. Hunt, K.J., Sbarbaro, D., Zbikowski R., and et all, 1992, Neural Networks for Control Systems A Survey, Automatica, Vol.28, No:6, 1083-1112. 52. Karlk, B., 1995, Yapay Sinir Alar, Yksek lisans ders notlar. 53. ztemel, E., 2003, Yapay Sinir Alar, Papatya Yaynclk, stanbul.
74
54. BALOLU, ., 2003, Modl Yapay Sinir Alar le Dorusal Olmayan Sistemlerin Denetimi, Yksek Lisans, F.. Fen Bilimleri Enstits.
75
ZGEM
Zeynep B ER zeynepbicer@hotmail.com.tr Frat niversitesi Teknik Eitim Fakltesi Elektronik Bilgisayar Eitimi Blm ELAZI
1982 ylnda Malatyada dodu. lk, orta ve lise renimini Malatyada tamamladktan sonra 2001 ylnda Frat niversitesi Teknik Eitim Fakltesi Elektronik Bilgisayar Eitimi Bilgisayar retmenlii Blmn kazand. 2005 ylnda bu blmden mezun oldu.. Ayn yl Frat niversitesi Fen Bilimleri Enstits Elektronik Bilgisayar Eitimi Ana Bilim Dal Telekomnikasyon iBilim Dalnda yksek lisans eitimine balad. 2005 yl eyll aynda Malatya Kemal zalper lkretim Okulunda Bilgisayar retmeni olarak greve balad. Halen bu grevi srdrmektedir. Yabanc dili ngilizcedir.
76