Senkron modülasyon tekniklerine uygulanabilen KNN ve Karar Ağaçları tabanlı SPPM demodülatörler

Yıl 2022, Cilt: 37 Sayı: 3, 1247 - 1262, 28.02.2022

Kubilay Muhammed Sünnetci , Ahmet Alkan

https://doi.org/10.17341/gazimmfd.890721

Cited By: 2

Öz

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.

Anahtar Kelimeler

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

Kaynakça

• [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.