Derin öğrenme tabanlı SNR kestirimi: Durum çalışması

Authors : Mehmet Merih Leblebici, Ali Çalhan

Pages : 874-886

Doi:10.28948/ngumuh.1647805

View : 176 | Download : 141

Publication Date : 2025-07-15

Article Type : Research Paper

Abstract :Sinyal-gürültü oranı (signal to noise ratio, SNR) kestirimi, uyarlanabilir modülasyonu, etkili güç tahsisini ve güvenilir bağlantı uyarlamasını iyileştirdiği için kablosuz haberleşme sistemlerinin optimize edilmesinde önemli bir yere sahiptir. Veri yardımlı ve veri yardımsız olarak yapılan geleneksel SNR kestirim yöntemlerinin, yüksek frekans, geniş bant aralığı ve gürültüye karşı duyarlılığın fazla olması şeklinde karakterize edilen altıncı nesil (sixth generation, 6G) sistemlerinde yaşadıkları zorlukların aksine derin öğrenme (deep learning, DL) modelleri umut vaat eden bir alternatif olarak karşımıza çıkmaktadır. Bu çalışmada ResNet101V2, MobileNetV2 ve Xception olmak üzere üç adet DL modelinin SNR sınıflandırma performansı, modülasyon türlerine ait yıldız diyagramı görüntüleri yardımıyla öğrenme aktarımı tekniği kullanılarak değerlendirilmiştir. ResNet101V2, %70.8’lik bir ortalama sınıflandırma doğruluyla en üstün performansı gösterirken MobileNetV2 ve Xception sırasıyla %63.6 ve %56.8’lik doğruluk değerlerine ulaşabilmektedir. ResNet101V2, yüksek dereceli modülasyon türleri kullanılarak yapılan SNR sınıflandırmasında daha dayanıklı bir mimari olduğunu göstermiş olsa da MobileNetV2, kaynakları sınırlı senaryolar için alternatif olabilecek bir işlemsel yüke sahiptir. Tüm bunların aksine Xception, ImageNet veri setindeki görüntü sınıflandırma başarısına rağmen bu çalışmaya özgü olan SNR sınıflandırmasında aynı performansı gösterememektedir. Sonuçlar beklendiği üzere artan modülasyon derecesiyle beraber sınıflandırma doğruluğunun düştüğünü göstermektedir.
Keywords : SNR kestirimi, Kablosuz haberleşme, Derin öğrenme, Öğrenme aktarımı

ORIGINAL ARTICLE URL