PREPOZNAVANJE KARAKTERISTIKA MODULACIJE PRIMENOM TEHNIKA DUBOKOG UČENJA
DOI:
https://doi.org/10.24867/31BE14JankovKljučne reči:
Automatsko prepoznavanje modulacije, Kognitivni radio, Konvolucione neuronske mreže, Long Short-Term Memory, Duboko učenjeApstrakt
U ovom radu analiziraju se performanse dva modela mašinskog učenja u prepoznavanju modulacionih šema: konvoluciona (CNN) i LSTM neuronska mreža. Koristeći sintetički skup podataka RadioML2016.10a, modeli su obučavani i testirani na 11 različitih tipova modulacija u opsegu SNR od -20 dB do +20 dB. Rezultati pokazuju da oba modela ostvaruju visoku tačnost, s tim da LSTM mreža pokazuje blagu prednost u performansama prilikom klasifikacije modulacija pri višim SNR vrednostima. Ova analiza doprinosi razvoju naprednih tehnika prepoznavanja modulacije koje mogu poboljšati efikasnost kognitivnog radija u složenim spektralnim okruženjima.
Reference
[1] Y. Wang, M. Liu, J. Yang, G. Gui, “Data-Driven Deep Learning for Automatic Modulation Recognition in Cognitive Radios”, IEEE Transactions on Vehicular Technology, vol. 68, no. 4, pp. 4074-4077, April 2019. Dostupno na: https://ieeexplore.ieee.org/document/8645696.
[2] Z. Ke, H. Vikalo, “Real-Time Radio Technology and Modulation Classification via an LSTM AutoEncoder”, Novembar 2020, Dostupno na: https://arxiv.org/abs/2011.08295.
[3] D. P. Kingma, J. Ba, “Adam: A Method for Stochastic Optimization”, Januar 2017. Dostupno na: https://arxiv.org/abs/1412.6980
[4] J. L. Ziegler, R. T. Arn, W. Chambers, “Modulation recognition with GNU radio, keras, and HackRF”, Mart 2017. Dostupno na: https://ieeexplore.ieee.org/document/7920747.
