Research Article
BibTex RIS Cite

Senkron modülasyon tekniklerine uygulanabilen KNN ve Karar Ağaçları tabanlı SPPM demodülatörler

Year 2022, Volume: 37 Issue: 3, 1247 - 1262, 28.02.2022

Kubilay Muhammed Sünnetci Ahmet Alkan

https://doi.org/10.17341/gazimmfd.890721
Cited By: 1

Abstract

Veri madenciliğinin gelişen teknolojiler sayesinde, son zamanlarda birçok çalışma alanına uygulanabildiği bilinmektedir. Ayrıca, veri madenciliğinin görünür ışık haberleşme sistemlerindeki (Visible Light Communication, VLC) birçok problemi çözebileceği de düşünülmektedir. VLC sistemlerde her modülasyon tekniği için farklı alıcı ve verici birimler oluşturulmaktadır. Burada, önerilen sistemler kısaltılmış darbe konum modülasyonu (Shortened Pulse Position Modulation, SPPM) için tasarlanmıştır. Bu nedenle, SPPM tekniği için detaylı teorik altyapı oluşturulmuştur. Bu çalışmada, senkron modülasyon tekniklerine uygulanabilen K-En Yakın Komşu (K-Nearest Neighbor, KNN) Algoritması ve Karar Ağaçları tabanlı demodülatörler önerilmiştir. Sonrasında, M-SPPM sinyaller için genelleştirilmiş bir entropi ifadesi elde edilmiştir. Bu ifade bütün senkron modülasyon teknikleri için elde edilebilmektedir. Ayrıca, Manhattan ve Minkowski mesafelerine göre, sinyalleri çözebilen demodülatörler ve diğer demodülatörler doğruluk ve bit hata oranı açısından karşılaştırılmıştır. Nümerik sonuçlardan, önerilen KNN ve Karar Ağaçları tabanlı demodülatörlerin senkron modülasyon teknikleri için geleneksel sistemler olarak kullanılabileceği görülmektedir. Ayrıca, entropi ifadesi yardımıyla bulunan slotların bilgi kazançlarına göre karar ağaçları tabanlı demodülatörlerin oluşturulması gerekmektedir. Bu nedenle, bilgi kazancı daha yüksek olan slot ana düğüm olarak belirlenmelidir. Ayrıca, önerilen KNN tabanlı ve en uygun şekilde tasarlanmış olan karar ağaçları tabanlı demodülatörlerin bit hata oranı performanslarının ve doğruluk oranlarının tamamen aynı olduğu görülmektedir. SNR=10 dB için, 4-SPPM sinyallerde KNN (Demodülatör-1) ve Karar Ağaçları (Demodülatör-3) tabanlı demodülatörlerin doğruluklarının %99,78 olduğu görülmektedir. Burada, 8-SPPM sinyaller için KNN (Demodülatör-2) ve Karar Ağaçları (Demodülatör-5) tabanlı demodülatörlerinin doğrulukları %99,07’dir.

Keywords

Veri madenciliği K-en yakın komşu algoritması karar ağaçları entropi haberleşme

References

  • [1] Farahneh H., Hussian F., ve Fernando X., De-Noising Scheme for VLC-Based V2V Systems; A Machine Learning Approach, Procedia Comput. Sci., 171(2019), 2167–2176, 2020.
  • [2] Tran H. Q. ve Ha C., High Precision Weighted Optimum K-Nearest Neighbors Algorithm for Indoor Visible Light Positioning Applications, IEEE Access, 8, 114597–114607, 2020.
  • [3] Xu S., Chen C. C., Wu Y., Wang X., ve Wei F., Adaptive residual weighted k-nearest neighbor fingerprint positioning algorithm based on visible light communication, Sensors (Switzerland), 20(16), ss. 1–24, 2020.
  • [4] Valieva I., Bjorkman M., Akerberg J., Ekstrom M., ve Voitenko I., Multiple Machine Learning Algorithms Comparison for Modulation Type Classification for Efficient Cognitive Radio, Proc. - IEEE Mil. Commun. Conf. MILCOM, November, 318–323, 2019.
  • [5] Hussain A., Ghauri S. A., Sohail M. F., Khan S. A., ve Qureshi I. M., Knn based classification of digital modulated signals, IIUM Eng. J., 17(2), 71–82, 2016.
  • [6] Ma S. vd., Signal Demodulation with Machine Learning Methods for Physical Layer Visible Light Communications: Prototype Platform, Open Dataset, and Algorithms, IEEE Access, 7, 30588–30598, 2019.
  • [7] Ray I., Analysis of Offset Pulse Position Modulation, 2015.
  • [8] Cryan R. A., Spectral characterisation of shortened pulse position modulation format, Electron. Lett., 46(5), 355–356, 2010.
  • [9] Hagem R. M., FPGA Based Implementation of Pulse Position Modulation for Underwater Optical Wireless Communication, Int. J. Eng. Innov. Technol. Vol., 6(5), 47–50, 2016.
  • [10] Bulut F., Different Mathematical Models for Entropy in Information Theory Bilgi Kuramı ndaki Entropi Kavramıyla İlgili Farklı Matematiksel Modeller, 1(2), 167–174, 2017.
  • [11] Trajdos P. ve Kurzynski M., Weighting scheme for a pairwise multi-label classifier based on the fuzzy confusion matrix, Pattern Recognit. Lett., 103, 60–67, 2018.
  • [12] Ferri C., Hernández-Orallo J., ve Modroiu R., An experimental comparison of performance measures for classification, Pattern Recognit. Lett., 30(1), 27–38, 2009.
  • [13] Cuadros-Rodríguez L., Pérez-Castaño E., ve Ruiz-Samblás C., Quality performance metrics in multivariate classification methods for qualitative analysis, TrAC - Trends Anal. Chem., 80, 612–624, 2016.
  • [14] Y. Zhang vd., Comparison of machine learning methods for stationary wavelet entropy-based multiple sclerosis detection: Decision tree, k -nearest neighbors, and support vector machine, Simulation, 92(9), 861–871, 2016.
  • [15] S. Agarwal, Data mining: Data mining concepts and techniques. 2014.

Year 2022, Volume: 37 Issue: 3, 1247 - 1262, 28.02.2022

Kubilay Muhammed Sünnetci Ahmet Alkan

https://doi.org/10.17341/gazimmfd.890721
Cited By: 1

Abstract

References

  • [1] Farahneh H., Hussian F., ve Fernando X., De-Noising Scheme for VLC-Based V2V Systems; A Machine Learning Approach, Procedia Comput. Sci., 171(2019), 2167–2176, 2020.
  • [2] Tran H. Q. ve Ha C., High Precision Weighted Optimum K-Nearest Neighbors Algorithm for Indoor Visible Light Positioning Applications, IEEE Access, 8, 114597–114607, 2020.
  • [3] Xu S., Chen C. C., Wu Y., Wang X., ve Wei F., Adaptive residual weighted k-nearest neighbor fingerprint positioning algorithm based on visible light communication, Sensors (Switzerland), 20(16), ss. 1–24, 2020.
  • [4] Valieva I., Bjorkman M., Akerberg J., Ekstrom M., ve Voitenko I., Multiple Machine Learning Algorithms Comparison for Modulation Type Classification for Efficient Cognitive Radio, Proc. - IEEE Mil. Commun. Conf. MILCOM, November, 318–323, 2019.
  • [5] Hussain A., Ghauri S. A., Sohail M. F., Khan S. A., ve Qureshi I. M., Knn based classification of digital modulated signals, IIUM Eng. J., 17(2), 71–82, 2016.
  • [6] Ma S. vd., Signal Demodulation with Machine Learning Methods for Physical Layer Visible Light Communications: Prototype Platform, Open Dataset, and Algorithms, IEEE Access, 7, 30588–30598, 2019.
  • [7] Ray I., Analysis of Offset Pulse Position Modulation, 2015.
  • [8] Cryan R. A., Spectral characterisation of shortened pulse position modulation format, Electron. Lett., 46(5), 355–356, 2010.
  • [9] Hagem R. M., FPGA Based Implementation of Pulse Position Modulation for Underwater Optical Wireless Communication, Int. J. Eng. Innov. Technol. Vol., 6(5), 47–50, 2016.
  • [10] Bulut F., Different Mathematical Models for Entropy in Information Theory Bilgi Kuramı ndaki Entropi Kavramıyla İlgili Farklı Matematiksel Modeller, 1(2), 167–174, 2017.
  • [11] Trajdos P. ve Kurzynski M., Weighting scheme for a pairwise multi-label classifier based on the fuzzy confusion matrix, Pattern Recognit. Lett., 103, 60–67, 2018.
  • [12] Ferri C., Hernández-Orallo J., ve Modroiu R., An experimental comparison of performance measures for classification, Pattern Recognit. Lett., 30(1), 27–38, 2009.
  • [13] Cuadros-Rodríguez L., Pérez-Castaño E., ve Ruiz-Samblás C., Quality performance metrics in multivariate classification methods for qualitative analysis, TrAC - Trends Anal. Chem., 80, 612–624, 2016.
  • [14] Y. Zhang vd., Comparison of machine learning methods for stationary wavelet entropy-based multiple sclerosis detection: Decision tree, k -nearest neighbors, and support vector machine, Simulation, 92(9), 861–871, 2016.
  • [15] S. Agarwal, Data mining: Data mining concepts and techniques. 2014.
There are 15 citations in total.

Details

Primary Language Turkish
Subjects Engineering
Journal Section Makaleler
Authors

Kubilay Muhammed Sünnetci 0000-0002-3500-5640

Ahmet Alkan 0000-0003-0857-0764

Publication Date February 28, 2022
Submission Date March 3, 2021
Acceptance Date September 20, 2021
Published in Issue Year 2022 Volume: 37 Issue: 3

Cite

APA Sünnetci, K. M., & Alkan, A. (2022). Senkron modülasyon tekniklerine uygulanabilen KNN ve Karar Ağaçları tabanlı SPPM demodülatörler. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37(3), 1247-1262. https://doi.org/10.17341/gazimmfd.890721
AMA Sünnetci KM, Alkan A. Senkron modülasyon tekniklerine uygulanabilen KNN ve Karar Ağaçları tabanlı SPPM demodülatörler. GUMMFD. February 2022;37(3):1247-1262. doi:10.17341/gazimmfd.890721
Chicago Sünnetci, Kubilay Muhammed, and Ahmet Alkan. “Senkron modülasyon Tekniklerine Uygulanabilen KNN Ve Karar Ağaçları Tabanlı SPPM demodülatörler”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37, no. 3 (February 2022): 1247-62. https://doi.org/10.17341/gazimmfd.890721.
EndNote Sünnetci KM, Alkan A (February 1, 2022) Senkron modülasyon tekniklerine uygulanabilen KNN ve Karar Ağaçları tabanlı SPPM demodülatörler. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37 3 1247–1262.
IEEE K. M. Sünnetci and A. Alkan, “Senkron modülasyon tekniklerine uygulanabilen KNN ve Karar Ağaçları tabanlı SPPM demodülatörler”, GUMMFD, vol. 37, no. 3, pp. 1247–1262, 2022, doi: 10.17341/gazimmfd.890721.
ISNAD Sünnetci, Kubilay Muhammed - Alkan, Ahmet. “Senkron modülasyon Tekniklerine Uygulanabilen KNN Ve Karar Ağaçları Tabanlı SPPM demodülatörler”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37/3 (February 2022), 1247-1262. https://doi.org/10.17341/gazimmfd.890721.
JAMA Sünnetci KM, Alkan A. Senkron modülasyon tekniklerine uygulanabilen KNN ve Karar Ağaçları tabanlı SPPM demodülatörler. GUMMFD. 2022;37:1247–1262.
MLA Sünnetci, Kubilay Muhammed and Ahmet Alkan. “Senkron modülasyon Tekniklerine Uygulanabilen KNN Ve Karar Ağaçları Tabanlı SPPM demodülatörler”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol. 37, no. 3, 2022, pp. 1247-62, doi:10.17341/gazimmfd.890721.
Vancouver Sünnetci KM, Alkan A. Senkron modülasyon tekniklerine uygulanabilen KNN ve Karar Ağaçları tabanlı SPPM demodülatörler. GUMMFD. 2022;37(3):1247-62.

Cited By

Face mask detection using GoogLeNet CNN-based SVM classifiers
GAZI UNIVERSITY JOURNAL OF SCIENCE
https://doi.org/10.35378/gujs.1009359