A Novel Analog Modulation Classification: Discrete Wavelet Transform-Extreme Learning Machine (DWT-ELM)

Mehmet USTUNDAG

doi:https://doi.org/10.17798/bitlisfen.852909

Makale detayları

A Novel Analog Modulation Classification: Discrete Wavelet Transform-Extreme Learning Machine (DWT-ELM)

Yazarlar:

Mehmet USTUNDAG

Yayıncı:

Bitlis Eren University

Ana Başlıklar:

Uygulamalı fizik

Dergi:

Bitlis Eren Üniversitesi Fen Bilimleri Dergisi 2021 Vol.10 Issue 2, pp.492-506

Belge Tipi:

Makale

Yayın Tarihi:

6/2021

Belge Dili:

İngilizce

Document ID (Org No.):

2000888666

Sıklık:

Üç Aylık

eISSN:

2147-3188

pISSN:

2147-3129

DOI:

https://doi.org/10.17798/bitlisfen.852909

Anahtar kelimeler:

Özet:

 

The aim of this study is to propose a method using discrete wavelet transform and extreme learning machine (DWT-ELM) in classification of communication signals. Six types of analog modulated signals as “AM”, “DSB”, “USB”, “LSB”, “FM” and “PM” are used for classification and analog modulated signal dataset consists of 1920 signals. These signals are also added white noise. Feature extraction is performed using different DWT filters. The feature vector obtained from DWT is used in classification. ELM is preferred due to its advantages over conventional back-propagation based classification. The feature vector is fed by the inputs of the ELM. The performance of the proposed method is evaluated for different types of DWT filters. In addition, compared results with similar study are presented to be able to determine the success of the proposed method.

 

Bu çalışma, analog modüle edilmiş iletişim sinyallerinin sınıflandırılması için ayrık dalgacık dönüşümü - aşırı öğrenme makinesine (ADD-AÖM) dayalı yeni bir yöntem önermektedir. Sınıflandırma için AM, DSB, USB, LSB, FM ve PM olmak üzere altı tip analog modüle edilmiş sinyal kullanılır ve analog modüle edilmiş sinyal veri seti 1920 sinyalden oluşur. Bu sinyallere ayrıca beyaz gürültü eklenir. Özellik çıkarma işlemi, farklı ADD filtreleri kullanılarak gerçekleştirilir. ADD'den elde edilen öznitelik vektörü sınıflandırmada kullanılır. AÖM, geleneksel geri yayılmaya dayalı sınıflandırmaya göre avantajları nedeniyle tercih edilmektedir. Özellik vektörü, AÖM sınıflandırıcısının girişine beslenir. Önerilen yöntemin performansı, farklı ADD filtreleri için değerlendirilir. Ayrıca, önerilen yöntemin performansını değerlendirmek için benzer çalışma ile karşılaştırılan sonuçlar sunulmuştur.

Makale detayları

A Novel Analog Modulation Classification: Discrete Wavelet Transform-Extreme Learning Machine (DWT-ELM)

Yazarlar:

Mehmet USTUNDAG

Yayıncı:

Bitlis Eren University

Ana Başlıklar:

Uygulamalı fizik

Dergi:

Bitlis Eren Üniversitesi Fen Bilimleri Dergisi 2021 Vol.10 Issue 2, pp.492-506

Belge Tipi:

Makale

Yayın Tarihi:

6/2021

Belge Dili:

İngilizce

Document ID (Org No.):

2000888666

Sıklık:

Üç Aylık

eISSN:

2147-3188

pISSN:

2147-3129

DOI:

https://doi.org/10.17798/bitlisfen.852909

ADD-AÖM

AÖM sınıflandırma

Dalgacık Dönüşümü

Modüle edilmiş analog sinyaller

Sayı

Makale detayları

A Novel Analog Modulation Classification: Discrete Wavelet Transform-Extreme Learning Machine (DWT-ELM)

Yazarlar: Mehmet USTUNDAG

Yayıncı: Bitlis Eren University

Ana Başlıklar: Uygulamalı fizik

Dergi: Bitlis Eren Üniversitesi Fen Bilimleri Dergisi 2021 Vol.10 Issue 2, pp.492-506

Belge Tipi: Makale

Yayın Tarihi: 6/2021

Belge Dili: İngilizce

Document ID (Org No.): 2000888666

Sıklık: Üç Aylık

eISSN: 2147-3188

pISSN: 2147-3129

DOI: https://doi.org/10.17798/bitlisfen.852909

ADD-AÖM

AÖM sınıflandırma

Dalgacık Dönüşümü

Modüle edilmiş analog sinyaller

Sayı

Yazarlar:

Mehmet USTUNDAG

Yayıncı:

Bitlis Eren University

Ana Başlıklar:

Uygulamalı fizik

Dergi:

Bitlis Eren Üniversitesi Fen Bilimleri Dergisi 2021 Vol.10 Issue 2, pp.492-506

Belge Tipi:

Makale

Yayın Tarihi:

6/2021

Belge Dili:

İngilizce

Document ID (Org No.):

2000888666

Sıklık:

Üç Aylık

eISSN:

2147-3188

pISSN:

2147-3129

DOI:

https://doi.org/10.17798/bitlisfen.852909