Research Article
BibTex RIS Cite

Symbol Classification in Receiver of OFDM Carrier Signal with Deep Learning and Whale Optimization Algorithm

Year 2026, Volume: 29 Issue: 2, 1 - 13, 15.03.2026

Ali Hander , Bilgehan Erkal , Javad Rahebi

https://doi.org/10.2339/politeknik.1664072
https://izlik.org/JA74TS98TN

Abstract

Orthogonal Frequency Division Multiplexing (OFDM) remains a cornerstone in modern wireless communication systems, owing to its resilience to multipath fading and spectral efficiency. In OFDM systems, accurate symbol classification is paramount for successful data demodulation. This paper proposes a novel methodology for symbol classification in the receiver of an OFDM carrier signal, using a synergic combination of deep learning and feature selection with the Whale Optimization Algorithm (WOA). The deep learning component, embodied in a convolutional neural network (CNN), is adept at extracting intricate features from the received OFDM symbols, while the WOA facilitates efficient feature selection by optimizing a subset of attributes that contribute most to categorization accuracy. This dual approach not only enhances the discriminative power of the classification model but also reduces the computational complexity by focusing on the most relevant features. Experimental findings confirm the effectiveness of the proposed framework, demonstrating superior symbol classification performance compared to conventional methods. Moreover, the integration of feature selection with the WOA ensures the identification of an optimal subset of features, further improving classification accuracy and generalization capability. This study combines DL with metaheuristic feature selection to improve symbol classification in OFDM receivers, thereby making wireless communication systems more reliable and efficient.

Keywords

Symbol Classification OFDM Deep learning Wale optimization algorithm

References

  • [1] A. Hamdan, “Multicarrier Communication over Fast Fading Mobile Channels: Interference Analysis, Equalization, and Channel Estimation.” Université Grenoble Alpes [2020-....], (2023).
  • [2] I. Khan, M. Cheffena, and M. M. Hasan, “Data aided channel estimation for MIMO-OFDM wireless systems using reliable carriers,” IEEE Access, 3(11):47836–47847, (2023).
  • [3] H. Li, S. Qiao, and Y. Sun, “A depth graph attention-based multi-channel transfer learning network for fluid classification from logging data,” Physics Fluids, 36(10):, (2024).
  • [4] E. Yaghoubi, E. Yaghoubi, A. Khamees, and A. H. Vakili, “A systematic review and meta-analysis of artificial neural network, machine learning, deep learning, and ensemble learning approaches in field of geotechnical engineering,” Neural Computing and Applications 1–45, (2024).
  • [5] S. R. Doha and A. Abdelhadi, “Deep Learning in Wireless Communication Receiver: A Survey,” arXiv Prepr. arXiv2501.17184, (2025).
  • [6] N. L. Rane, M. Paramesha, S. P. Choudhary, and J. Rane, “Machine learning and deep learning for big data analytics: A review of methods and applications,” Partners Univers. International Innovation Journal, 2(3):172–197, (2024).
  • [7] A. Kumar, S. Majhi, G. Gui, H.-C. Wu, and C. Yuen, “A survey of blind modulation classification techniques for OFDM signals,” Sensors, 22(3):1020, (2022).
  • [8] H.-H. Tseng, Y.-F. Chen, and S.-M. Tseng, “Hybrid Beamforming and Resource Allocation Designs for mmWave Multi-User Massive MIMO-OFDM Systems on Uplink,” IEEE Access, 3(11):133070–133085, (2023).
  • [9] S. Singh, S. Kumar, S. Majhi, U. Satija, and C. Yuen, “Blind Carrier Frequency Offset Estimation Techniques for Next-Generation Multicarrier Communication Systems: Challenges, Comparative Analysis, and Future Prospects,” IEEE Communication Survey Tutorials, (2024).
  • [10] B. M. R. Manasa and P. Venugopal, “A systematic literature review on channel estimation in MIMO-OFDM system: Performance analysis and future direction,” Journal of Optic Communication, 45(3):589–614, (2024).
  • [11] S. B. Meshram and S. V Rathkanthiwar, “An Overview: Peak-to-Average Power Ratio Reduction in OFDM System Using Block Coding Technique,” International Journal Engineering Innovation Research, 2(1):63, (2013).
  • [12] N. Q. M. Adnan, A. A. A. Wahab, S. Muniandy, S. S. N. Alhady, and W. A. F. W. Othman, “Partial Transmit Sequence (PTS) Optimization Using Improved Harmony Search (IHS) Algorithm for PAPR Reduction in OFDM,” in Symposium on Intelligent Manufacturing and Mechatronics, 260–274, (2021).
  • [13] L. Lanante, C. Ghosh, and S. Roy, “Hybrid OFDMA random access with resource unit sensing for next-gen 802.11 ax WLANs,” IEEE Transaction Mobile Computer, 20(12):3338–3350, (2020).
  • [14] S. Weinstein and P. Ebert, “Data transmission by frequency-division multiplexing using the discrete Fourier transform,” IEEE Trans. Commun. Technol., 19(5):628–634, (1971).
  • [15] X. Zhang, Z. Luo, W. Xiao, and L. Feng, “Deep Learning-Based Modulation Recognition for MIMO Systems: Fundamental, Methods, Challenges,” IEEE Access, (2024).
  • [16] A. M. Alsefri, “DEVICE-TO-DEVICE CONTINUOUS AUTHENTICATION USING MACHINE LEARNING FOR THE INTERNET OF THINGS,” (2023).
  • [17] W. Liu, Z. Guo, F. Jiang, G. Liu, D. Wang, and Z. Ni, “Improved WOA and its application in feature selection,” PLoS One, 17(5):e0267041, (2022).
  • [18] R. Saiyyed, M. Sindhwani, N. K. Mishra, H. Pahuja, S. Sachdeva, and M. K. Shukla, “Synergizing intelligent signal processing with wavelength-division multiplexing for enhanced efficiency and speed in photonic network communications,” J. Opt. Commun. 3(10):, (2024).
  • [19] C. Edwin Singh and S. M. Celestin Vigila, “WOA-DNN for Intelligent Intrusion Detection and Classification in MANET Services.,” Intell. Autom. Soft Comput., 35(2):, (2023).
  • [20] E. Yaghoubi, E. Yaghoubi, Z. Yusupov, and M. R. Maghami, “A Real-Time and Online Dynamic Reconfiguration against Cyber-Attacks to Enhance Security and Cost-Efficiency in Smart Power Microgrids Using Deep Learning,” Technologies, 12(10):197, (2024).
  • [21] C. Silpa, A. Vani, and K. R. Naidu, “Optimized deep learning based hypernet convolution neural network and long short term memory for joint pilot design and channel estimation in MIMO‐OFDM model,” Trans. Emerg. Telecommun. Technol., 35(1):e4925, (2024).
  • [22] L. Li, “Online Machine Learning for Wireless Communications: Channel Estimation, Receive Processing, and Resource Allocation.” Virginia Polytechnic Institute and State University, (2023).
  • [23] A. M. Jaradat, J. M. Hamamreh, and H. Arslan, “Modulation options for OFDM-based waveforms: Classification, comparison, and future directions,” IEEE Access, 3(7):17263–17278, (2019).
  • [24] H. Dahrouj et al., “An overview of machine learning-based techniques for solving optimization problems in communications and signal processing,” IEEE Access, 4(9):74908–74938, (2021).
  • [25] A. Shemyakin and A. Kniazev, Introduction to Bayesian estimation and copula models of dependence. John Wiley & Sons, (2017).
  • [26] M. M. Zayed, S. Mohsen, A. Alghuried, H. Hijry, and M. Shokair, “IoUT-Oriented an Efficient CNN Model for Modulation Schemes Recognition in Optical Wireless Communication Systems,” IEEE Access, (2024).
  • [27] E. Yaghoubi, E. Yaghoubi, A. Khamees, D. Razmi, and T. Lu, “A systematic review and meta-analysis of machine learning, deep learning, and ensemble learning approaches in predicting EV charging behavior,” Eng. Appl. Artif. Intell., 3(135):108789, (2024).
  • [28] W. Zhang, K. Xue, A. Yao, and Y. Sun, “CTRNet: An Automatic Modulation Recognition Based on Transformer-CNN Neural Network,” Electronics, 13(17):3408, (2024).
  • [29] W. Hsieh et al., “Deep Learning, Machine Learning--Digital Signal and Image Processing: From Theory to Application,” arXiv Prepr. arXiv2410.20304, (2024).
  • [30] A. Kumar, K. K. Srinivas, and S. Majhi, “Automatic modulation classification for adaptive OFDM systems using convolutional neural networks with residual learning,” IEEE Access, 2(11):61013–61024, (2023).
  • [31] Z. Zhang, C. Wang, C. Gan, S. Sun, and M. Wang, “Automatic modulation classification using convolutional neural network with features fusion of SPWVD and BJD,” IEEE Trans. Signal Inf. Process. over Networks, 5(3):469–478, (2019).
  • [32] M. Amiriebrahimabadi and N. Mansouri, “A comprehensive survey of feature selection techniques based on whale optimization algorithm,” Multimed. Tools Appl., 83(16):47775–47846, (2024).
  • [33] J. LIU, Y. XIAN, and X. U. WANG, “Improved Deep Neural Network for OFDM Signal Recognition Using Hybrid Grey Wolf Optimization”.
  • [34] Y. Zhang, D. Liu, J. Liu, Y. Xian, and X. Wang, “Improved deep neural network for OFDM signal recognition using hybrid grey wolf optimization,” IEEE Access, 4(8)133622–133632, (2020).
  • [35] B. Wei, W. Zhang, X. Xia, Y. Zhang, F. Yu, and Z. Zhu, “Efficient feature selection algorithm based on particle swarm optimization with learning memory,” IEEE Access, 4(7):166066–166078, (2019).
  • [36] A. Ahmad et al., “Toward modeling and optimization of features selection in Big Data based social Internet of Things,” Futur. Gener. Comput. Syst., 4(82):715–726, (2018).
  • [37] H. Dong, T. Li, R. Ding, and J. Sun, “A novel hybrid genetic algorithm with granular information for feature selection and optimization,” Appl. Soft Comput., 5(65):33–46, (2018).
  • [38] B. Xue, M. Zhang, and W. N. Browne, “Particle swarm optimization for feature selection in classification: A multi-objective approach,” IEEE Trans. Cybern., 43(6):1656–1671, (2012).
  • [39] Y. Liu, G. Wang, H. Chen, H. Dong, X. Zhu, and S. Wang, “An improved particle swarm optimization for feature selection,” J. Bionic Eng., 8(2):191–200, (2011).
  • [40] P. Ghamisi and J. A. Benediktsson, “Feature selection based on hybridization of genetic algorithm and particle swarm optimization,” IEEE Geosci. Remote Sens. Lett., 12(2):309–313, (2014).
  • [41] S. Oreski and G. Oreski, “Genetic algorithm-based heuristic for feature selection in credit risk assessment,” Expert Syst. Appl., 41(4):2052–2064, (2014).
  • [42] X. Yi and C. Zhong, “Deep learning for joint channel estimation and signal detection in OFDM systems,” IEEE Commun. Lett., 24(12):2780–2784, (2020).
  • [43] N. A. Amran, M. D. Soltani, M. Yaghoobi, and M. Safari, “Deep learning based signal detection for OFDM VLC systems,” in 2020 IEEE International Conference on Communications Workshops (ICC Workshops), 1–6, (2020).
  • [44] A. Emir, F. Kara, H. Kaya, and X. Li, “Deep learning-based flexible joint channel estimation and signal detection of multi-user OFDM-NOMA,” Phys. Commun., 4(8):101443, (2021).
  • [45] Y. Zhu, B. Wang, J. Li, Y. Zhang, and F. Xie, “Y-shaped net-based signal detection for OFDM-IM systems,” IEEE Commun. Lett., 26(11):2661–2664, (2022).
  • [46] X. Zhou, J. Zhang, C.-K. Wen, J. Zhang, and S. Jin, “Model-driven deep learning-based signal detector for CP-free MIMO-OFDM systems,” in 2021 IEEE international conference on communications workshops (ICC workshops), 1–6., (2021).
  • [47] J.-H. Ro, S.-J. Yu, Y.-H. You, S. K. Hong, and H.-K. Song, “An adaptive QR-based energy efficient signal detection scheme in MIMO-OFDM systems,” Comput. Commun., 14(9):225–231, (2020).
  • [48] S. Wang, R. Yao, T. A. Tsiftsis, N. I. Miridakis, and N. Qi, “Signal detection in uplink time-varying OFDM systems using RNN with bidirectional LSTM,” IEEE Wirel. Commun. Lett., 9(11):1947–1951, (2020).
  • [49] X. Chen, M. Liu, G. Gui, B. Adebisi, H. Gacanin, and H. Sari, “Complex deep neural network based intelligent signal detection methods for OFDM-IM systems,” in 2021 Joint European Conference on Networks and Communications & 6G Summit (EuCNC/6G Summit), 90–94, (2021).
  • [50] F. Shad, T. D. Todd, V. Kezys, and J. Litva, “Dynamic slot allocation (DSA) in indoor SDMA/TDMA using a smart antenna basestation,” IEEE/ACM Trans. Netw., 9(1):69–81, (2001).
  • [51] X. Fang, “More realistic analysis for blocking probability in SDMA systems,” IEE Proceedings-Communications, 149(3):152–156, (2002).
  • [52] C. M. Walke and T. J. Oechtering, “Analytical expression for uplink C/I-distribution in interference-limited cellular radio systems,” Electron. Lett., 38(14):743–744, (2002).
  • [53] S. Thoen, L. Deneire, L. Van der Perre, M. Engels, and H. De Man, “Constrained least squares detector for OFDM/SDMA-based wireless networks,” IEEE Trans. Wirel. Commun., 2(1):129–140, (2003).
  • [54] L. Hanzo, B. Choi, and T. Keller, OFDM and MC-CDMA for broadband multi-user communications, WLANs and broadcasting. John Wiley & Sons, (2005).
  • [55] Q. H. Spencer, A. L. Swindlehurst, and M. Haardt, “Zero-forcing methods for downlink spatial multiplexing in multiuser MIMO channels,” IEEE Trans. signal Process., 52(2):461–471, (2004).
  • [56] X. Dai, “Carrier frequency offset estimation for OFDM/SDMA systems using consecutive pilots,” IEE Proceedings-Communications, 152(5):624–632, (2005).
  • [57] J. Joung and A. H. Sayed, “User selection methods for multiuser two-way relay communications using space division multiple access,” IEEE Trans. Wirel. Commun., 9(7):2130–2136, (2010).
  • [58] G. S. Dahman, R. H. M. Hafez, and R. J. C. Bultitude, “Angle-of-departure-aided opportunistic space-division multiple access for MIMO applications,” IEEE Trans. Wirel. Commun., 9(4):1303–1307, (2010).
  • [59] C. He, X. Liang, B. Zhou, J. Geng, and R. Jin, “Space-division multiple access based on time-modulated array,” IEEE Antennas Wirel. Propag. Lett., 4(14):610–613, (2014).
  • [60] S. Su, C. He, and L. Xu, “Quasi-Reflective Chaotic Mutant Whale Swarm Optimization Fused with Operators of Fish Aggregating Device,” Symmetry (Basel)., 14(4):829, (2022).

Derin Öğrenme ve Balina Optimizasyon Algoritması ile OFDM Taşıyıcı Sinyal Alıcıda Sembol Sınıflandırma

Year 2026, Volume: 29 Issue: 2, 1 - 13, 15.03.2026

Ali Hander , Bilgehan Erkal , Javad Rahebi

https://doi.org/10.2339/politeknik.1664072
https://izlik.org/JA74TS98TN

Abstract

Ortogonal Frekans Bölmeli Çoğullama (OFDM), çok yollu sönümlemeye karşı dayanıklılığı ve spektral verimliliği sayesinde modern kablosuz iletişim sistemlerinin temel taşlarından biri olmaya devam etmektedir. OFDM sistemlerinde, başarılı veri demodülasyonu için doğru sembol sınıflandırması çok önemlidir. Bu makale, Balina Optimizasyon Algoritması (WOA) ile derin öğrenme ve özellik seçiminin sinerjik bir kombinasyonunu kullanarak bir OFDM taşıyıcı sinyalinin alıcısında sembol sınıflandırması için yeni bir metodoloji önermektedir. Bir evrişimli sinir ağında (CNN) somutlaşan derin öğrenme bileşeni, alınan OFDM sembollerinden karmaşık özellikleri çıkarmada ustalaşırken, WOA, kategorizasyon doğruluğuna en çok katkıda bulunan bir alt özellik kümesini optimize ederek verimli özellik seçimini kolaylaştırır. Bu ikili yaklaşım sadece sınıflandırma modelinin ayırt edici gücünü artırmakla kalmaz, aynı zamanda en ilgili özelliklere odaklanarak hesaplama karmaşıklığını da azaltır. Deneysel bulgular, geleneksel yöntemlere kıyasla üstün sembol sınıflandırma performansı göstererek önerilen çerçevenin etkinliğini doğrulamaktadır. Ayrıca, özellik seçiminin WOA ile entegrasyonu, optimum özellik alt kümesinin belirlenmesini sağlayarak sınıflandırma doğruluğunu ve genelleme yeteneğini daha da geliştirmektedir. Bu çalışma, OFDM alıcılarında sembol sınıflandırmasını iyileştirmek için DL ile metasezgisel özellik seçimini birleştirerek kablosuz iletişim sistemlerinin daha güvenilir ve verimli olmasını sağlar.

Keywords

Sembol Sınıflandırma OFDM Derin öğrenme Wale optimizasyon algoritması

References

  • [1] A. Hamdan, “Multicarrier Communication over Fast Fading Mobile Channels: Interference Analysis, Equalization, and Channel Estimation.” Université Grenoble Alpes [2020-....], (2023).
  • [2] I. Khan, M. Cheffena, and M. M. Hasan, “Data aided channel estimation for MIMO-OFDM wireless systems using reliable carriers,” IEEE Access, 3(11):47836–47847, (2023).
  • [3] H. Li, S. Qiao, and Y. Sun, “A depth graph attention-based multi-channel transfer learning network for fluid classification from logging data,” Physics Fluids, 36(10):, (2024).
  • [4] E. Yaghoubi, E. Yaghoubi, A. Khamees, and A. H. Vakili, “A systematic review and meta-analysis of artificial neural network, machine learning, deep learning, and ensemble learning approaches in field of geotechnical engineering,” Neural Computing and Applications 1–45, (2024).
  • [5] S. R. Doha and A. Abdelhadi, “Deep Learning in Wireless Communication Receiver: A Survey,” arXiv Prepr. arXiv2501.17184, (2025).
  • [6] N. L. Rane, M. Paramesha, S. P. Choudhary, and J. Rane, “Machine learning and deep learning for big data analytics: A review of methods and applications,” Partners Univers. International Innovation Journal, 2(3):172–197, (2024).
  • [7] A. Kumar, S. Majhi, G. Gui, H.-C. Wu, and C. Yuen, “A survey of blind modulation classification techniques for OFDM signals,” Sensors, 22(3):1020, (2022).
  • [8] H.-H. Tseng, Y.-F. Chen, and S.-M. Tseng, “Hybrid Beamforming and Resource Allocation Designs for mmWave Multi-User Massive MIMO-OFDM Systems on Uplink,” IEEE Access, 3(11):133070–133085, (2023).
  • [9] S. Singh, S. Kumar, S. Majhi, U. Satija, and C. Yuen, “Blind Carrier Frequency Offset Estimation Techniques for Next-Generation Multicarrier Communication Systems: Challenges, Comparative Analysis, and Future Prospects,” IEEE Communication Survey Tutorials, (2024).
  • [10] B. M. R. Manasa and P. Venugopal, “A systematic literature review on channel estimation in MIMO-OFDM system: Performance analysis and future direction,” Journal of Optic Communication, 45(3):589–614, (2024).
  • [11] S. B. Meshram and S. V Rathkanthiwar, “An Overview: Peak-to-Average Power Ratio Reduction in OFDM System Using Block Coding Technique,” International Journal Engineering Innovation Research, 2(1):63, (2013).
  • [12] N. Q. M. Adnan, A. A. A. Wahab, S. Muniandy, S. S. N. Alhady, and W. A. F. W. Othman, “Partial Transmit Sequence (PTS) Optimization Using Improved Harmony Search (IHS) Algorithm for PAPR Reduction in OFDM,” in Symposium on Intelligent Manufacturing and Mechatronics, 260–274, (2021).
  • [13] L. Lanante, C. Ghosh, and S. Roy, “Hybrid OFDMA random access with resource unit sensing for next-gen 802.11 ax WLANs,” IEEE Transaction Mobile Computer, 20(12):3338–3350, (2020).
  • [14] S. Weinstein and P. Ebert, “Data transmission by frequency-division multiplexing using the discrete Fourier transform,” IEEE Trans. Commun. Technol., 19(5):628–634, (1971).
  • [15] X. Zhang, Z. Luo, W. Xiao, and L. Feng, “Deep Learning-Based Modulation Recognition for MIMO Systems: Fundamental, Methods, Challenges,” IEEE Access, (2024).
  • [16] A. M. Alsefri, “DEVICE-TO-DEVICE CONTINUOUS AUTHENTICATION USING MACHINE LEARNING FOR THE INTERNET OF THINGS,” (2023).
  • [17] W. Liu, Z. Guo, F. Jiang, G. Liu, D. Wang, and Z. Ni, “Improved WOA and its application in feature selection,” PLoS One, 17(5):e0267041, (2022).
  • [18] R. Saiyyed, M. Sindhwani, N. K. Mishra, H. Pahuja, S. Sachdeva, and M. K. Shukla, “Synergizing intelligent signal processing with wavelength-division multiplexing for enhanced efficiency and speed in photonic network communications,” J. Opt. Commun. 3(10):, (2024).
  • [19] C. Edwin Singh and S. M. Celestin Vigila, “WOA-DNN for Intelligent Intrusion Detection and Classification in MANET Services.,” Intell. Autom. Soft Comput., 35(2):, (2023).
  • [20] E. Yaghoubi, E. Yaghoubi, Z. Yusupov, and M. R. Maghami, “A Real-Time and Online Dynamic Reconfiguration against Cyber-Attacks to Enhance Security and Cost-Efficiency in Smart Power Microgrids Using Deep Learning,” Technologies, 12(10):197, (2024).
  • [21] C. Silpa, A. Vani, and K. R. Naidu, “Optimized deep learning based hypernet convolution neural network and long short term memory for joint pilot design and channel estimation in MIMO‐OFDM model,” Trans. Emerg. Telecommun. Technol., 35(1):e4925, (2024).
  • [22] L. Li, “Online Machine Learning for Wireless Communications: Channel Estimation, Receive Processing, and Resource Allocation.” Virginia Polytechnic Institute and State University, (2023).
  • [23] A. M. Jaradat, J. M. Hamamreh, and H. Arslan, “Modulation options for OFDM-based waveforms: Classification, comparison, and future directions,” IEEE Access, 3(7):17263–17278, (2019).
  • [24] H. Dahrouj et al., “An overview of machine learning-based techniques for solving optimization problems in communications and signal processing,” IEEE Access, 4(9):74908–74938, (2021).
  • [25] A. Shemyakin and A. Kniazev, Introduction to Bayesian estimation and copula models of dependence. John Wiley & Sons, (2017).
  • [26] M. M. Zayed, S. Mohsen, A. Alghuried, H. Hijry, and M. Shokair, “IoUT-Oriented an Efficient CNN Model for Modulation Schemes Recognition in Optical Wireless Communication Systems,” IEEE Access, (2024).
  • [27] E. Yaghoubi, E. Yaghoubi, A. Khamees, D. Razmi, and T. Lu, “A systematic review and meta-analysis of machine learning, deep learning, and ensemble learning approaches in predicting EV charging behavior,” Eng. Appl. Artif. Intell., 3(135):108789, (2024).
  • [28] W. Zhang, K. Xue, A. Yao, and Y. Sun, “CTRNet: An Automatic Modulation Recognition Based on Transformer-CNN Neural Network,” Electronics, 13(17):3408, (2024).
  • [29] W. Hsieh et al., “Deep Learning, Machine Learning--Digital Signal and Image Processing: From Theory to Application,” arXiv Prepr. arXiv2410.20304, (2024).
  • [30] A. Kumar, K. K. Srinivas, and S. Majhi, “Automatic modulation classification for adaptive OFDM systems using convolutional neural networks with residual learning,” IEEE Access, 2(11):61013–61024, (2023).
  • [31] Z. Zhang, C. Wang, C. Gan, S. Sun, and M. Wang, “Automatic modulation classification using convolutional neural network with features fusion of SPWVD and BJD,” IEEE Trans. Signal Inf. Process. over Networks, 5(3):469–478, (2019).
  • [32] M. Amiriebrahimabadi and N. Mansouri, “A comprehensive survey of feature selection techniques based on whale optimization algorithm,” Multimed. Tools Appl., 83(16):47775–47846, (2024).
  • [33] J. LIU, Y. XIAN, and X. U. WANG, “Improved Deep Neural Network for OFDM Signal Recognition Using Hybrid Grey Wolf Optimization”.
  • [34] Y. Zhang, D. Liu, J. Liu, Y. Xian, and X. Wang, “Improved deep neural network for OFDM signal recognition using hybrid grey wolf optimization,” IEEE Access, 4(8)133622–133632, (2020).
  • [35] B. Wei, W. Zhang, X. Xia, Y. Zhang, F. Yu, and Z. Zhu, “Efficient feature selection algorithm based on particle swarm optimization with learning memory,” IEEE Access, 4(7):166066–166078, (2019).
  • [36] A. Ahmad et al., “Toward modeling and optimization of features selection in Big Data based social Internet of Things,” Futur. Gener. Comput. Syst., 4(82):715–726, (2018).
  • [37] H. Dong, T. Li, R. Ding, and J. Sun, “A novel hybrid genetic algorithm with granular information for feature selection and optimization,” Appl. Soft Comput., 5(65):33–46, (2018).
  • [38] B. Xue, M. Zhang, and W. N. Browne, “Particle swarm optimization for feature selection in classification: A multi-objective approach,” IEEE Trans. Cybern., 43(6):1656–1671, (2012).
  • [39] Y. Liu, G. Wang, H. Chen, H. Dong, X. Zhu, and S. Wang, “An improved particle swarm optimization for feature selection,” J. Bionic Eng., 8(2):191–200, (2011).
  • [40] P. Ghamisi and J. A. Benediktsson, “Feature selection based on hybridization of genetic algorithm and particle swarm optimization,” IEEE Geosci. Remote Sens. Lett., 12(2):309–313, (2014).
  • [41] S. Oreski and G. Oreski, “Genetic algorithm-based heuristic for feature selection in credit risk assessment,” Expert Syst. Appl., 41(4):2052–2064, (2014).
  • [42] X. Yi and C. Zhong, “Deep learning for joint channel estimation and signal detection in OFDM systems,” IEEE Commun. Lett., 24(12):2780–2784, (2020).
  • [43] N. A. Amran, M. D. Soltani, M. Yaghoobi, and M. Safari, “Deep learning based signal detection for OFDM VLC systems,” in 2020 IEEE International Conference on Communications Workshops (ICC Workshops), 1–6, (2020).
  • [44] A. Emir, F. Kara, H. Kaya, and X. Li, “Deep learning-based flexible joint channel estimation and signal detection of multi-user OFDM-NOMA,” Phys. Commun., 4(8):101443, (2021).
  • [45] Y. Zhu, B. Wang, J. Li, Y. Zhang, and F. Xie, “Y-shaped net-based signal detection for OFDM-IM systems,” IEEE Commun. Lett., 26(11):2661–2664, (2022).
  • [46] X. Zhou, J. Zhang, C.-K. Wen, J. Zhang, and S. Jin, “Model-driven deep learning-based signal detector for CP-free MIMO-OFDM systems,” in 2021 IEEE international conference on communications workshops (ICC workshops), 1–6., (2021).
  • [47] J.-H. Ro, S.-J. Yu, Y.-H. You, S. K. Hong, and H.-K. Song, “An adaptive QR-based energy efficient signal detection scheme in MIMO-OFDM systems,” Comput. Commun., 14(9):225–231, (2020).
  • [48] S. Wang, R. Yao, T. A. Tsiftsis, N. I. Miridakis, and N. Qi, “Signal detection in uplink time-varying OFDM systems using RNN with bidirectional LSTM,” IEEE Wirel. Commun. Lett., 9(11):1947–1951, (2020).
  • [49] X. Chen, M. Liu, G. Gui, B. Adebisi, H. Gacanin, and H. Sari, “Complex deep neural network based intelligent signal detection methods for OFDM-IM systems,” in 2021 Joint European Conference on Networks and Communications & 6G Summit (EuCNC/6G Summit), 90–94, (2021).
  • [50] F. Shad, T. D. Todd, V. Kezys, and J. Litva, “Dynamic slot allocation (DSA) in indoor SDMA/TDMA using a smart antenna basestation,” IEEE/ACM Trans. Netw., 9(1):69–81, (2001).
  • [51] X. Fang, “More realistic analysis for blocking probability in SDMA systems,” IEE Proceedings-Communications, 149(3):152–156, (2002).
  • [52] C. M. Walke and T. J. Oechtering, “Analytical expression for uplink C/I-distribution in interference-limited cellular radio systems,” Electron. Lett., 38(14):743–744, (2002).
  • [53] S. Thoen, L. Deneire, L. Van der Perre, M. Engels, and H. De Man, “Constrained least squares detector for OFDM/SDMA-based wireless networks,” IEEE Trans. Wirel. Commun., 2(1):129–140, (2003).
  • [54] L. Hanzo, B. Choi, and T. Keller, OFDM and MC-CDMA for broadband multi-user communications, WLANs and broadcasting. John Wiley & Sons, (2005).
  • [55] Q. H. Spencer, A. L. Swindlehurst, and M. Haardt, “Zero-forcing methods for downlink spatial multiplexing in multiuser MIMO channels,” IEEE Trans. signal Process., 52(2):461–471, (2004).
  • [56] X. Dai, “Carrier frequency offset estimation for OFDM/SDMA systems using consecutive pilots,” IEE Proceedings-Communications, 152(5):624–632, (2005).
  • [57] J. Joung and A. H. Sayed, “User selection methods for multiuser two-way relay communications using space division multiple access,” IEEE Trans. Wirel. Commun., 9(7):2130–2136, (2010).
  • [58] G. S. Dahman, R. H. M. Hafez, and R. J. C. Bultitude, “Angle-of-departure-aided opportunistic space-division multiple access for MIMO applications,” IEEE Trans. Wirel. Commun., 9(4):1303–1307, (2010).
  • [59] C. He, X. Liang, B. Zhou, J. Geng, and R. Jin, “Space-division multiple access based on time-modulated array,” IEEE Antennas Wirel. Propag. Lett., 4(14):610–613, (2014).
  • [60] S. Su, C. He, and L. Xu, “Quasi-Reflective Chaotic Mutant Whale Swarm Optimization Fused with Operators of Fish Aggregating Device,” Symmetry (Basel)., 14(4):829, (2022).
There are 60 citations in total.

Details

Primary Language English
Subjects Deep Learning
Journal Section Research Article
Authors

Ali Hander 0000-0003-2394-1754

Bilgehan Erkal 0000-0002-1405-6932

Javad Rahebi 0000-0001-5418-9601

Submission Date March 26, 2025
Acceptance Date May 23, 2025
Early Pub Date June 18, 2025
Publication Date March 15, 2026
DOI https://doi.org/10.2339/politeknik.1664072
IZ https://izlik.org/JA74TS98TN
Published in Issue Year 2026 Volume: 29 Issue: 2

Cite

APA Hander, A., Erkal, B., & Rahebi, J. (2026). Symbol Classification in Receiver of OFDM Carrier Signal with Deep Learning and Whale Optimization Algorithm. Politeknik Dergisi, 29(2), 1-13. https://doi.org/10.2339/politeknik.1664072
AMA 1.Hander A, Erkal B, Rahebi J. Symbol Classification in Receiver of OFDM Carrier Signal with Deep Learning and Whale Optimization Algorithm. Politeknik Dergisi. 2026;29(2):1-13. doi:10.2339/politeknik.1664072
Chicago Hander, Ali, Bilgehan Erkal, and Javad Rahebi. 2026. “Symbol Classification in Receiver of OFDM Carrier Signal With Deep Learning and Whale Optimization Algorithm”. Politeknik Dergisi 29 (2): 1-13. https://doi.org/10.2339/politeknik.1664072.
EndNote Hander A, Erkal B, Rahebi J (March 1, 2026) Symbol Classification in Receiver of OFDM Carrier Signal with Deep Learning and Whale Optimization Algorithm. Politeknik Dergisi 29 2 1–13.
IEEE [1]A. Hander, B. Erkal, and J. Rahebi, “Symbol Classification in Receiver of OFDM Carrier Signal with Deep Learning and Whale Optimization Algorithm”, Politeknik Dergisi, vol. 29, no. 2, pp. 1–13, Mar. 2026, doi: 10.2339/politeknik.1664072.
ISNAD Hander, Ali - Erkal, Bilgehan - Rahebi, Javad. “Symbol Classification in Receiver of OFDM Carrier Signal With Deep Learning and Whale Optimization Algorithm”. Politeknik Dergisi 29/2 (March 1, 2026): 1-13. https://doi.org/10.2339/politeknik.1664072.
JAMA 1.Hander A, Erkal B, Rahebi J. Symbol Classification in Receiver of OFDM Carrier Signal with Deep Learning and Whale Optimization Algorithm. Politeknik Dergisi. 2026;29:1–13.
MLA Hander, Ali, et al. “Symbol Classification in Receiver of OFDM Carrier Signal With Deep Learning and Whale Optimization Algorithm”. Politeknik Dergisi, vol. 29, no. 2, Mar. 2026, pp. 1-13, doi:10.2339/politeknik.1664072.
Vancouver 1.Ali Hander, Bilgehan Erkal, Javad Rahebi. Symbol Classification in Receiver of OFDM Carrier Signal with Deep Learning and Whale Optimization Algorithm. Politeknik Dergisi. 2026 Mar. 1;29(2):1-13. doi:10.2339/politeknik.1664072

Aim & Scope

 Temel mühendislik alanlarındaki hem deneysel hem de kuramsal çalışmaların yer aldığı dergimiz, mühendisliğin hızla gelişen alanlarına ilişkin makalelerin yayınına öncelik tanır ve disiplinlerarası yöntem ve teknolojiler üzerine yoğunlaşmayı,mühendislik bilimlerindeki en güncel bilimsel ve teknolojik gelişmeleri araştırmacılara, mühendislere ve ilgili kitlelere ulaştırmayı hedefler. Dergiye gönderilen bilimsel çalışmaların yayımlanmış veya sözlü veya poster sunum olarak başka yerde yayın için değerlendirme aşamasında bulunmaması gereklidir.


“Politeknik Dergisi" temel mühendislik konularını kapsayan bir dergidir. Dergi ulusal ve uluslararası düzeyde bilim, teknoloji ve mühendislik alanlarında orijinal bir araştırmayı bulgu ve sonuçlarıyla yansıtan ve bilime katkısı olan araştırma makalelerini veya yeterli sayıda bilimsel makaleyi tarayıp, konuyu bugünkü bilgi ve teknoloji düzeyinde özetleyen, değerlendirme yapan ve bulguları karşılaştırarak yorumlayan tarama makalelerini kabul etmektedir.

Dergimize makale gönderen ve/veya dergimizde hakemlik yapan /yapacak olan tüm kullanıcıların kurumsal e-posta hesapları ile sisteme kayıt olmaları gerekmektedir (yahoo.com, hotmail.com, gmail.com vb. uzantılı e-posta hesapları kullanılmamalıdır).

Dergimize ait herhangi bir ŞABLON formatı  bulunmamaktadır. İlk gönderi için makalelerin aşağıdaki kurallara göre hazırlanması gerekmektedir. 

Gazi Üniversitesi Politeknik Dergisi, Fen ve Mühendislik alanlarında çalışan bilim insanları arasındaki bilimsel iletişimi oluşturmak amacıyla, bilimsel özgün makaleleri Türkçe veya İngilizce olarak kabul etmektedir.

Araştırma Makalesi: Orijinal bir araştırmayı bulgu ve sonuçlarıyla yansıtan çalışmalar,

Tarama Makalesi: Yeterli sayıda bilimsel makaleyi tarayıp, konuyu günümüzün bilgi ve teknoloji düzeyinde özetleyen, değerlendirme yapan ve bu bulguları karşılaştırarak yorumlayan yazılar,

Teknik Not: Yapılan bir araştırmanın önemli bulgularını açıklayan yeni bir yöntem veya teknik tanımlayan yazılar. 

Bütün yazıların Telif Hakkı Devir Formu, makalenin bütün yazarları tarafından doldurulup editörlüğe iletilmelidir. Telif Hakkı Devir Formu göndermeyen yazarların yayınları işleme konulmaz. Yayınlanmasına karar verilen makaleler üzerine yazarlar tarafından sonradan hiçbir eklenti yapılamaz.

Her makale en az iki hakeme gönderilerek şekil ve içerik bakımından incelenir. Dergide yayınlanabilecek nitelikteki olduğu belirlenen makalelerin dizgisi yapılarak yayına hazır hale getirilir.

SUNUŞ

İlk gönderi esnasında, makalenin yazar(lar)ı tarafından benzerlik taraması yapılarak benzerlik oranını gösteren raporun makale ile birlikte yüklenmesi gerekmektedir. Detaylı bilgi için tıklayınız.

Her makalede yapılan çalışmanın özetlendiği bir Özet Sayfası bulunmalıdır. (Bu sayfa makalenin ilk sayfası olacak şekilde makalenizi tek dosya halinde gönderiniz). Özet sayfasına ait şablon dosyaya ulaşmak için tıklayınız.

1. METİN : Times New Roman yazı karakterinde ve 12 pt olacak şekilde yazılmalı, kaynaklar ve şekiller dahil tarama yazıları dışında 20 sayfayı geçmemelidir. Yazarlar makalelerinin ne türde bir yazı olduğunu belirtmelidirler.

2. BAŞLIK : Eserin başlığı, ilk harfleri büyük olacak şekilde Türkçe ve İngilizce olarak yazılmalı, başlık metne uygun, kısa ve açık olmalıdır.

Metin içerisindeki 1. derece başlıkların tamamı büyük harfle, 2. derece başlıkların tüm kelimelerinin ilk harfleri büyük harfle ve 3. ve daha alt başlıklar için başlığın yalnızca ilk kelimesi büyük harfle olacak şekilde yazılmalıdır (Metin içerisinde kullanılan başlıkların ve alt başlıkların tümünün İngilizceleri parantez içerisinde belirtilmelidir. Yazım dili İngilizce olan makalelerde, parantez içerisinde herhangi bir şey belirtilmemelidir. Tüm metin İngilizce olmalıdır)

3. ÖZET : 200 kelimeyi geçmeyecek şekilde Türkçe ve İngilizce yazılmalıdır. İngilizce özetin başına eserin başlığı da ingilizce olarak yazılmalıdır.

4. ANAHTAR KELİMELER : En az 3 en fazla 5 adet Türkçe/ İngilizce olarak verilmelidir.

5. METİN : Genel olarak giriş, yöntem, bulgular, sonuç ve tartışmaya ilişkin kısımları kapsar.

6. KAYNAKLAR : Metinde parantez içerisindeki [1], [2] vb. rakamlarla numaralandırılmalı ve metin sonunda da eser içinde veriliş sırasına göre yazılmalıdır.

Kaynak bir makale ise: Yazarın soyadı adının baş harfi, tırnak içerisinde makalenin tam başlığı, derginin adı (varsa uluslararası kısaltmaları), cilt no: makalenin başlangıç ve bitiş sayfa no, (yıl)

Örnek: Sözen A., Özbaş E., Menlik T., Çakır M. T., Gürü M. and Boran K., ''Improving the thermal performance of diffusion absorption refrigeration system with alumina nanofluids'', International Journal of Refrigeration, 44: 73-80, (2014)

Kaynak bir kitap ise: Yazarın soyadı adının başharfi, tırnak içerisinde kitabın adı, cilt no, varsa editörü, yayınevinin adı, yayın no, yayınlandığı yer, (yıl).

Kaynak kitaptan bir bölüm ise: Bölüm yazarının soyadı adının başharfi, tırnak içerisinde bölümün adı, bölümün alındığı kitabın adı, yayınevinin adı, yayınlandığı yer, (yıl).

Kaynak basılmış tez ise: Yazarın soyadı adının baş harfi, tırnak içerisinde tezin adı, cinsi (yüksek lisans, doktora), sunulduğu üniversite ve enstitüsü, (yıl).

Kaynak kongreden alınmış tebliğ ise: Yazarın soyadı adının baş harfi, tırnak içerisinde tebliğin adı, kongrenin adı, yapıldığı yer, tebliğin başlangıç ve bitiş sayfa no, (yıl).

Kaynak bir standart ise: Standardın numarası, tırnak içerisinde standardın adı, (yıl).

7. ÇİZELGE VE ŞEKİLLER: Çizelge içermeyen bütün görüntüler (fotoğraf, çizim, diyagram, grafik, harita vs.) şekil olarak isimlendirilmelidir. Her bir çizelge ve şekil, metin içinde gireceği yere yerleştirilmelidir. Bütün şekiller metin içinde ardışık olarak numaralandırılmalıdır (Metin içerisinde kullanılan Çizelge ve Şekillerin tümünün ingilizceleri parantez içerisinde belirtilmelidir. Yazım dili İngilizce olan makalelerde, parantez içerisinde herhangi bir şey belirtilmemelidir. Tüm metin İngilizce olmaldır).

8. FORMÜLLER VE BİRİMLER: Metin içerisindeki tüm formüller equation formatında yazılmalıdır. Formüllere (1), (2) şeklinde sıra numarası verilmelidir. Tüm birimler SI birim sisteminde olmalıdır.

9. SİMGELER VE KISALTMALAR : Metin sonunda kaynaklardan önce verilebilir.

10. TEŞEKKÜR : Eğer kişi veya kurumlara teşekkür yapılacaksa bu kısımda yazılmalı ve kaynaklardan önce verilmelidir.

11. ETİK BEYANI : Dergimizde yayımlanacak makalelerde etik kurul izini ve/veya yasal/özel izin alınmasının gerekip gerekmediği belirtilmiş olmalıdır. Eğer bu izinlerin alınması gerekli ise, izinin hangi kurumdan, hangi tarihte ve hangi karar veya sayı numarası ile alındığı açıkça sunulmalıdır. Ayrıca çalışma insan ve hayvan deneklerinin kullanımını gerektiriyor ise çalışmanın uluslararası deklarasyon, kılavuz vb. uygun gerçekleştirildiği beyan edilmelidir. İzin alınmasının gerekmediği durumlar için TEŞEKKÜR bölümünden sonra aşağıdaki metin eklenmelidir.  

        Türkçe dilindeki makaleler için:
        ETİK STANDARTLARIN BEYANI
        Bu makalenin yazar(lar)ı çalışmalarında kullandıkları materyal ve yöntemlerin etik kurul izni ve/veya yasal-özel bir izin gerektirmediğini beyan ederler.


        İngilizce dilindeki makaleler için:
        DECLARATION OF ETHICAL STANDARDS
        The author(s) of this article declare that the materials and methods used in this study do not require ethical committee permission and/or legal-special permission.

12. YAZAR KATKILARININ BEYANI: Bu bölümde makalede adı geçen her bir araştırmacının makaleye olan katkısı belirtilmelidir.

13. ÇIKAR ÇATIŞMASININ BEYANI: Makale yazarları arasındaki çıkar çatışması durumu belirtilmelidir. Herhangi bir çıkar çatışması yoksa "Bu çalışmada herhangi bir çıkar çatışması yoktur" ibaresi yazılmalıdır.

YAYIN ETİĞİ BİLDİRİMİ
Yayın etiği, en iyi uygulama kılavuzlarını sağlamak ve bu nedenle derginin editörleri, yazarları ve hakemler tarafından uyulması açısından çok önemlidir. Politeknik Dergisi, COPE'nin Davranış Kuralları ve Dergi Editörleri İçin En İyi Uygulama Kılavuz İlkeleri (https://publicationethics.org/resources/code-conduct) tarafından açıklanan ilkelere uygundur ve sadece şeffaflık ilkeleri değil, aynı zamanda en iyi bilimsel uygulama Yayın Etik Kurulu (COPE) tarafından belirlenen kurallara uygun olan makaleleri yayınlar.

Baş Editör ve Alan Editörlerinin Görevleri
Tarafsızlık
Derginin baş editörü ve bölüm editörleri, dergiye gönderilen makalelerin hangisinin yayınlanması gerektiğine karar vermekten sorumludur. Bu süreçte yazarlar ırk, etnik köken, cinsiyet, din ve vatandaşlıklarına göre editörler tarafından ayırt edilmez. Editörlerin yayınlanacak bir makaleyi kabul etme, gözden geçirme veya reddetme kararları, yalnızca makalenin önemi, özgünlüğü ve açıklığına ve ayrıca makalede yapılan çalışmanın derginin kapsamına uygunluğuna dayanmaktadır.
Gizlilik
Baş editör ve bölüm editörleri, gönderilen bir makale hakkında herhangi bir bilgiyi başkasıyla paylaşmamalıdır. Ayrıca ilgili yazar, hakemler / muhtemel hakemler ve yayıncı personel tarafından açıklanmamalıdır. Editörler, yazarlar tarafından sunulan tüm materyallerin inceleme sürecinde gizli kalmasını sağlayacaktır.
Çıkar Çatışması ve Açıklama
Gönderilmiş bir makalede açıklanan yayınlanmamış materyaller, yazarın yazılı izni olmadan hiçbir hakemin kendi çalışmalarında kullanılmamalıdır. Hakem değerlendirmesi sürecinden elde edilen münhasır bilgi veya görüşler gizli tutulmalı ve kişisel çıkarlar için kullanılmamalıdır. Hakemler, rekabetçi, işbirlikçi veya makalelere bağlı yazarlar, şirketler veya kurumlardan herhangi biriyle olan diğer ilişkilerden / bağlantılardan kaynaklanan çıkar çatışmalarına sahip oldukları yazıları dikkate almamalıdır.
Akran inceleme süreci
Baş editör / bölüm editörleri, dergi sistemine gönderilen her bir yazı için çift kör bir akran inceleme sürecinin etkin bir şekilde yapılmasını sağlamalıdır.
Etik olmayan davranışların yönetimi
Editörler, yayıncılarla birlikte, gönderilen bir makale veya yayınlanan bir makale hakkında etik şikâyetler sunulduğunda rasyonel olarak duyarlı önlemler almalıdır.

Yazar(lar)ın Görevleri
Makalenin Yazarı
Tasarım, yorumlama ve uygulama dâhil olmak üzere bildirilen çalışmaya önemli bir katkı sağlayanlara daraltılmalıdır. Gönderilen yazıya önemli katkılarda bulunan tüm yazarlar ortak yazar olarak listelenmelidir.

Özgünlük ve intihal
Gönderdikleri makalenin içeriğinden, dilinden ve özgünlüğünden yazarlar sorumludur. Yazarlar, orijinal eserlerini tamamen oluşturduğunu ve yazarlar çalışmayı ve / veya diğer yazarların sözlerini kullanmışlarsa, bunun uygun bir şekilde alıntılandığını veya alıntı yapıldığını temin etmelidir. İntihal, bir başkasının makalesini yazarın kendi makalesi olarak göstermek, bir başkasının makalesinin önemli kısımlarını (atıfta bulunmadan) kopyalamak veya başka bir deyişle, başkaları tarafından yapılan araştırmaların sonuçlarını almaktan farklı biçimlerdedir. Tüm formlarındaki intihal, etik olmayan yayıncılık davranışını içerir ve kabul edilemez. Hakemlere bir makale gönderilmeden önce, intihal araştırması için iThenticate aracılığıyla benzerlik açısından kontrol edilir.

Fon kaynaklarının tanınması
Makalede bildirilen araştırma için tüm finansman kaynakları, referanslar öncesinde makalenin sonunda ayrıntılı olarak belirtilmelidir.

İfşa ve çıkar çatışmaları
Tüm yazarlar makalelerinde, makalelerinin bulgularını veya yorumunu etkilemek için yorumlanabilecek herhangi bir maddi veya diğer maddi çıkar çatışmasını açıklamalıdır. Proje için tüm finansal destek kaynakları da açıklanmalıdır. Açıklanan potansiyel çıkar çatışmaları örnekleri arasında istihdam, danışmanlıklar, hisse senedi mülkiyeti, onur, ücretli uzman tanıklığı, patent başvuruları / kayıtları ve hibeler veya diğer fonlar yer almaktadır. Potansiyel çıkar çatışmaları mümkün olan en erken aşamada bildirilmelidir.

Raporlama standartları
Makalenin yazarları, yapılan çalışmanın doğru bir açıklamasını ve önemi ile ilgili objektif bir tartışma sunmalıdır. Temel veriler, metinde doğru olarak verilmelidir. Bir makale, diğer araştırmacıların çalışmayı tekrar etmelerine izin vermek için yeterli ayrıntıyı ve referansları içermelidir. Zor veya bilerek kesin olmayan ifadeler etik olmayan davranışlar oluşturur ve kabul edilemez. İnceleme ve profesyonel yayın makaleleri de kesin olmalı, özgün ve objektif olmalı ve editoryal düşünce çalışmaları açıkça ifade edilmelidir.

Veri erişimi ve saklama
Yazarlardan editoryal inceleme süreci için bir makaleyle bağlantılı ham verileri sağlamaları istenebilir ve herhangi bir durumda, yayınlandıktan sonra belirli bir süre için bu verileri saklamaları gerekebilir.

Çoklu, gereksiz veya eşzamanlı yayın
Gönderilen makaleler başka herhangi bir dergiye gönderilmemiş olmalıdır. Aynı makaleyi aynı anda birden fazla dergiye göndermek etik olmayan yayıncılık davranışını içerir. Yazarlar ayrıca makalenin daha önce başka bir yerde yayınlanmadığından da emin olmalıdır.

Yayınlanmış çalışmalarda ana hatalar
Bir yazar yayınlanmış eserinde önemli bir hata veya yanlışlıkla karşılaştığında, dergi editörünü veya yayıncısına bu durumu derhal bildirmek ve makaleyi geri çekmek veya düzeltmek için editörle işbirliği yapmak yükümlülüğündedir.

Hakemlerin Görevleri
Hakemler, makale le ilgili görüşlerini tamamlayarak yorumlarını kendisine tanımlanan zaman içerisinde göndermelidir. Eğer makale, hakemin ilgi alanına uygun değilse, makale editöre geri gönderilmelidir, böylece diğer hakemler zaman kaybetmeden atanabilirler.

Katkı
Hakemler, hakemli bir dergi olan derginin kalitesine katkıda bulunan ana üyelerdir. Alınan makaleyi incelemesi için kalifiye olmayan hakemler derhal editöre bildirmeli ve bu makaleyi incelemeyi reddetmelidir.

Gizlilik
İnceleme için gönderilen yazılar gizli belgeler olarak değerlendirilmelidir. Editör tarafından yetkilendirilmedikçe başkalarıyla gösterilmemeli veya tartışılmamalıdır.

Nesnellik standartları
Yorumlar objektif olarak gerçekleştirilmelidir. Yazarın kişisel eleştirisi uygun değildir. Hakemler açıkça destekleyici argümanlarla görüşlerini ifade etmelidir.

Kaynakların tanınması
Hakemler, yazarlar tarafından alıntılanmayan yayınlanmış çalışmaları tanımlamalıdır. Bir gözlem, türetme veya argümanın daha önce bildirildiği herhangi bir ifadeye ilgili atıfta bulunulmalıdır. Bir gözden geçiren aynı zamanda editörün dikkatini, ele alınan yazı ile kişisel bilgileri olan yayınlanmış diğer herhangi bir makale arasında hayati bir benzerlik ya da çakışma olduğuna dikkat etmelidir.

İfşa ve çıkar çatışması
Hakemler, rekabetçi, işbirlikçi veya yazılarla bağlantılı yazarlar, şirketler veya kurumlarla yapılan diğer ilişkilerden / bağlantılardan kaynaklanan çıkar çatışmalarına sahip oldukları makaleleri dikkate almamalıdır.

DERGİ POLİTİKASI
Makale Değerlendirme Süreci
Hakem Davetinin Geçerlilik Süresi : 30 gün
Hakem Daveti İçin Verilen Ekstra Süre : 15 gün
Hakemin Makaleyi Değerlendirme Süresi : 21 gün
Yazarın Düzeltmelerini Gerçekleştirmesi İçin Verilen Süre : 30 gün
Makale Değerlendirmesi İçin Hakeme Verilen Ekstra Süre : 7 gün

Ücret Politikası
Dergimize gönderilen makalelerin değerlendirilmesi/basılması gibi süreçlerde yazarlardan herhangi bir ücret talep edilmemektedir. 

Makale Geri Çekme Süreci
Yayımlanmış bir makalenin geri çekilmesi işlemi ilgili makalenin tüm yazarlarının ortak talebine istinaden yapılmaktadır. Geri çekilen makaleye ait bilgiler yazar(lar)ın editörlüğümüze başvurduğu tarihten sonra yayımlanacak ilk sayımızda GERİ ÇEKME(RETRACTION) başlığı altında bildirilir. 

Politeknik Dergisi makale gönderimi veya basım aşamasında herhangi bir ücret talep etmemektedir.

Citation Indexes

Google Scholar
TR Dizin
Emerging Sources Citation Index (ESCI)
Thomson Reuters / Clarivate Analytics
EBSCO
SOBIAD

Genel Yayın Yönetmeni

Musa ATAR

Baş Editör

Adnan Sözen
Adnan SÖZEN

  
Energy Systems Engineering, Energy

Editörler

Murat Tolga ÖZKAN
Serhat KARYEYEN

Editör Yardımcıları

Fatih Emre BORAN
Volkan YILMAZ

Editör Asistanı

Erdem ÇİFTÇİ

Editörler Kurulu

Hülya DURMUŞ
Hüseyin PEKER
İhsan TOKTAŞ
Zafer AYAZ
Nihat OZTURK
O. Ayhan ERDEM
Figen BALO
Mustafa ÖZER
Orhan KAPLAN
Mustafa Bahadır ÖZDEMİR
Hacı Bayram KARADAĞ
İsmail AYDIN
İhsan KORKUT
Halil DEMİR
Melih OKUR
Ahmet GÜRAL
Kasım SERBEST
Murat YÜCEL
Emine Özge KARACA
Cemil ÇETİNKAYA
Volkan YILMAZ
Fatih Emre BORAN

Yayın Danışma Kurulu

Mehmet ESEN
İlker USTA
Ulvi ŞEKER
Murat HOŞÖZ
Hüseyin Rıza BÖRKLÜ
Mustafa AKTAŞ
Mehmet DEMİRTAŞ
Günnur KOCAR
Engin ÖZDEMİR
Ayhan ÖZÇİFÇİ
H. Serdar YÜCESU
Tayfun MENLİK
Metin GÜRÜ
Sare SAHİL
Erol KURT
Ramazan BAYINDIR
Ebru AKPINAR
Ramazan YILMAZ
Prof. Dr. Yasin VAROL
Nadire Şule ATILGAN
Ramazan KÖSE
Erol ARCAKLIOĞLU
Metin İPEK
Dilek KUMLUTAŞ
İshak KARAKAYA
Jamal KHATİB
Musa ATAR

Teknik Sorumlu

Şulenur ASAL
İrem KARAASLAN
Coşkun YÜKSEL

Yayın Etiği Kurulu

Murat Tolga ÖZKAN
Erdem ÇİFTÇİ
Serhat KARYEYEN

 download This work is licensed under Creative Commons Attribution-ShareAlike 4.0 International.