Gürültü bir sinyalin en iyi şekilde iletimini veya analizini sınırlayan başlıca faktörlerden olup, akustik, elektromanyetik vb. biçimlerde meydana gelebilmektedir. Gürültünün temizlenmesi ve istenmeyen sinyal bileşenlerinin filtrelenmesi özellikle haberleşme, görüntü, konuşma ve biyomedikal sinyal işleme, radar, sonar gibi uygulamalar içinde önemli bir yer tutmaktadır. Bu çalışmada, gürültülü sinyalleri temizlemek için çeşitli geleneksel ve derin öğrenme tabanlı yaklaşımlar gürültülü sinuzoidal sinyaller kullanılarak incelenmiştir. İlk olarak, yakın zamanda literatürde kullanılan evrişimsel sinir ağı tabanlı bir gürültü temizleme sistemi olan DnCNN modeli farklı güç seviyelerinde düzgün veya Gauss beyaz gürültülerin altındaki rastgele frekanslardaki sinüzoidal sinyallerin üzerinde geleneksel performans ölçütleri olan Ortalama Karesel Hata (MSE) ve Sinyal Gürültü Oranı (SNR) kullanılarak performansı incelenmiştir. Ardından, yeni bir yaklaşım olarak frekans seçici gürültü temizleme sistemi için hem filtreleme hem de gürültü bastırma işlemini tek başına gerçekleştirebilen LP-DnCNN, HP-DnCNN ve BP-DnCNN modelleri geliştirilmiş ve önerilen modeller, sıfır fazlı FIR türündeki doğrusal filtreler ile kıyaslanmıştır. Tezin ikinci bölümünde, gürültü temizlemede kullanılan bir oto-kodlayıcı tabanlı yapı ile DnCNN modelini karşılıklı incelemek için bir çerçeve oluşturulmuş, gürültü temizleyici derin evrişimsel sinir ağı oto-kodlayıcı (Denoising Deep Convolutional Auto-Encoder (DDCAE)) adı verilen bir gürültü temizleme modeli önerilmiştir. Önerilen çerçeve ile birlikte, MSE ve SNR yanında, yeni önerilen harmonik tabanlı performans metrikleri, Temel Güç Oranı (FPR), Temel-Toplam Harmonik Güç Oranı (FTHPR) ve Harmonik Güç Oranı (HPR) kullanılarak ilgili modeller literatüre göre, doğrusal olmayan özellikler sebebiyle meydana gelen harmonikleri de analiz eden, daha geniş bir bakış açısıyla incelenmiştir. Deneysel sonuçlar, DnCNN'nin performansının farklı gürültü modelleri altında sinüzoidal sinyalleri temizlemede etkili olduğunu göstermektedir. Ayrıca, gürültü temizleme ve filtreleme için önerilen DnCNN, doğrusal olmayan bir filtreleme sistemi olarak ve sıfır fazlı FIR filtreden yaklaşık 14 dB daha yüksek SNR ve en az 8 kat daha düşük MSE performansı göstererek önemli bir iyileştirme sağlamıştır. Bunun yanında, ikinci aşamada elde edilen sonuçlara göre oto-kodlayıcı tabanlı DDCAE modeli DnCNN modeline göre daha yüksek SNR ve daha düşük MSE performans istatistiklerine sahip olup, FPR, FTHPR ve HPR değerlerine göre daha düşük harmonik seviyeleri sağladığından dolayı, DnCNN'e göre doğrusal olmayan özelliklerin harmoniklere etkisinin daha az olduğu gözlenmiştir. Anahtar Kelimeler: Sinyal İşleme, Derin öğrenme, Sinyal Gürültüsü Temizleme, Gauss Gürültüsü, Frekans Seçici Filtreleme.
Noise is a major factor limiting the optimal transmission or analysis of a signal and can be acoustic, electromagnetic, etc. Signal denoising and filtering of unwanted signal components are especially important in applications such as communications, image, speech and biomedical signal processing, radar, sonar, etc. In this paper, an investigation of various traditional and deep learning-based approaches to clean noisy signals is carried out using noisy sinusoidal signals. First, the performance of DnCNN, which is a convolutional neural network based denoising system recently used in the literature, is investigated by using traditional performance metrics Mean Squared Error (MSE) and Signal to Noise Ratio (SNR) on sinusoidal signals of random frequencies under uniform and Gaussian white noises at different power levels. Moreover, as a new approach, LP-DnCNN, HP-DnCNN and BP-DnCNN models that can perform both filtering and noise suppression for frequency selective denoising system are developed and the proposed model is then compared with zero-phase FIR linear filters. In the second part of the thesis, a new framework is proposed to compare the DnCNN model with an auto-encoder based model for denoising, and a denoising model called Denoising Deep Convolutional Auto-Encoder (DDCAE) is proposed. Along with the proposed model and besides MSE and SNR, new proposed harmonic-based performance metrics, named as Fundamental Power Ratio (FPR), Fundamental-Total Harmonic Power Ratio (FTHPR) and Harmonic Power Ratio (HPR), are introduced and used to investigate the related models from a broader perspective than the literature by analyzing the harmonics due to nonlinearities. Experimental results show that the performance of DnCNN is effective in cleaning sinusoidal signals under different noise models. Moreover, the proposed DnCNN as a nonlinear filtering system for noise removal and filtering has achieved a significant improvement as a nonlinear filtering system, performing about 14 dB higher SNR and at least 8 times lower MSE than the zero-phase FIR filter. In addition, according to the results obtained in the second stage, the autoencoder-based DDCAE model has higher SNR and lower MSE performance statistics than the DnCNN model, and since it provides lower harmonic levels according to FPR, FTHPR and HPR values, it is observed that the effect of nonlinear features on harmonics is less than DnCNN. Keywords: Signal Processing, Deep learning, Signal Denoising , Gaussian Noise, Frequecny-Selective Filtering.
Tez (Yüksek Lisans) - Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik Elektronik Mühendisliği Anabilim Dalı, 2022.
Kaynakça var.
Gürültü bir sinyalin en iyi şekilde iletimini veya analizini sınırlayan başlıca faktörlerden olup, akustik, elektromanyetik vb. biçimlerde meydana gelebilmektedir. Gürültünün temizlenmesi ve istenmeyen sinyal bileşenlerinin filtrelenmesi özellikle haberleşme, görüntü, konuşma ve biyomedikal sinyal işleme, radar, sonar gibi uygulamalar içinde önemli bir yer tutmaktadır. Bu çalışmada, gürültülü sinyalleri temizlemek için çeşitli geleneksel ve derin öğrenme tabanlı yaklaşımlar gürültülü sinuzoidal sinyaller kullanılarak incelenmiştir. İlk olarak, yakın zamanda literatürde kullanılan evrişimsel sinir ağı tabanlı bir gürültü temizleme sistemi olan DnCNN modeli farklı güç seviyelerinde düzgün veya Gauss beyaz gürültülerin altındaki rastgele frekanslardaki sinüzoidal sinyallerin üzerinde geleneksel performans ölçütleri olan Ortalama Karesel Hata (MSE) ve Sinyal Gürültü Oranı (SNR) kullanılarak performansı incelenmiştir. Ardından, yeni bir yaklaşım olarak frekans seçici gürültü temizleme sistemi için hem filtreleme hem de gürültü bastırma işlemini tek başına gerçekleştirebilen LP-DnCNN, HP-DnCNN ve BP-DnCNN modelleri geliştirilmiş ve önerilen modeller, sıfır fazlı FIR türündeki doğrusal filtreler ile kıyaslanmıştır. Tezin ikinci bölümünde, gürültü temizlemede kullanılan bir oto-kodlayıcı tabanlı yapı ile DnCNN modelini karşılıklı incelemek için bir çerçeve oluşturulmuş, gürültü temizleyici derin evrişimsel sinir ağı oto-kodlayıcı (Denoising Deep Convolutional Auto-Encoder (DDCAE)) adı verilen bir gürültü temizleme modeli önerilmiştir. Önerilen çerçeve ile birlikte, MSE ve SNR yanında, yeni önerilen harmonik tabanlı performans metrikleri, Temel Güç Oranı (FPR), Temel-Toplam Harmonik Güç Oranı (FTHPR) ve Harmonik Güç Oranı (HPR) kullanılarak ilgili modeller literatüre göre, doğrusal olmayan özellikler sebebiyle meydana gelen harmonikleri de analiz eden, daha geniş bir bakış açısıyla incelenmiştir. Deneysel sonuçlar, DnCNN'nin performansının farklı gürültü modelleri altında sinüzoidal sinyalleri temizlemede etkili olduğunu göstermektedir. Ayrıca, gürültü temizleme ve filtreleme için önerilen DnCNN, doğrusal olmayan bir filtreleme sistemi olarak ve sıfır fazlı FIR filtreden yaklaşık 14 dB daha yüksek SNR ve en az 8 kat daha düşük MSE performansı göstererek önemli bir iyileştirme sağlamıştır. Bunun yanında, ikinci aşamada elde edilen sonuçlara göre oto-kodlayıcı tabanlı DDCAE modeli DnCNN modeline göre daha yüksek SNR ve daha düşük MSE performans istatistiklerine sahip olup, FPR, FTHPR ve HPR değerlerine göre daha düşük harmonik seviyeleri sağladığından dolayı, DnCNN'e göre doğrusal olmayan özelliklerin harmoniklere etkisinin daha az olduğu gözlenmiştir. Anahtar Kelimeler: Sinyal İşleme, Derin öğrenme, Sinyal Gürültüsü Temizleme, Gauss Gürültüsü, Frekans Seçici Filtreleme.
Noise is a major factor limiting the optimal transmission or analysis of a signal and can be acoustic, electromagnetic, etc. Signal denoising and filtering of unwanted signal components are especially important in applications such as communications, image, speech and biomedical signal processing, radar, sonar, etc. In this paper, an investigation of various traditional and deep learning-based approaches to clean noisy signals is carried out using noisy sinusoidal signals. First, the performance of DnCNN, which is a convolutional neural network based denoising system recently used in the literature, is investigated by using traditional performance metrics Mean Squared Error (MSE) and Signal to Noise Ratio (SNR) on sinusoidal signals of random frequencies under uniform and Gaussian white noises at different power levels. Moreover, as a new approach, LP-DnCNN, HP-DnCNN and BP-DnCNN models that can perform both filtering and noise suppression for frequency selective denoising system are developed and the proposed model is then compared with zero-phase FIR linear filters. In the second part of the thesis, a new framework is proposed to compare the DnCNN model with an auto-encoder based model for denoising, and a denoising model called Denoising Deep Convolutional Auto-Encoder (DDCAE) is proposed. Along with the proposed model and besides MSE and SNR, new proposed harmonic-based performance metrics, named as Fundamental Power Ratio (FPR), Fundamental-Total Harmonic Power Ratio (FTHPR) and Harmonic Power Ratio (HPR), are introduced and used to investigate the related models from a broader perspective than the literature by analyzing the harmonics due to nonlinearities. Experimental results show that the performance of DnCNN is effective in cleaning sinusoidal signals under different noise models. Moreover, the proposed DnCNN as a nonlinear filtering system for noise removal and filtering has achieved a significant improvement as a nonlinear filtering system, performing about 14 dB higher SNR and at least 8 times lower MSE than the zero-phase FIR filter. In addition, according to the results obtained in the second stage, the autoencoder-based DDCAE model has higher SNR and lower MSE performance statistics than the DnCNN model, and since it provides lower harmonic levels according to FPR, FTHPR and HPR values, it is observed that the effect of nonlinear features on harmonics is less than DnCNN. Keywords: Signal Processing, Deep learning, Signal Denoising , Gaussian Noise, Frequecny-Selective Filtering.