Класифікація сортування модуляції сигналу безпровідного середовища з використанням зверткової нейронної мережі

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2022.266801

Ключові слова:

бездротовий зв'язок, цифрова модуляція, класифікатори нейронних згорткових мереж з глибоким навчанням

Анотація

Глибоке навчання нещодавно використовувалося для цієї проблеми та показало чудові результати автоматичної класифікації модуляції. Попередні дослідження стверджують, що складно класифікувати різноманітні формати модуляції, використовуючи традиційні підходи; однак класифікація модуляції є важливим компонентом некооперативного зв'язку при використанні бездротового зв'язку. Мережа глибокого навчання була застосована для вирішення проблеми та отримання гідних результатів. У цій роботі використовується згорткова нейронна мережа з глибоким навчанням (ЗГМГН) для класифікації трьох аналогових та восьми методів цифрової модуляції шляхом створення спотворених каналів та синтетичних сигналів як навчальних даних. Отримана ЗГМГН тестується за допомогою ефірних індикаторів та платформи Software Define Radio (SDR). Навчена ЗГМГН оцінює вид модуляції кожного кадру, взявши 1024 вибірки сигналів із спотвореннями каналу. Спосіб включає генерацію декількох кадрів амплітудної модуляції імпульсів з чотирма рядами (PAM4), які погіршуються через дрейф часу дискретизації, адитивного білого гаусівського шуму (AWGN), центральної частоти і багатопроменевого завмирання Райса. ЗГМГН передбачає реальні вхідні дані прийому сигналу зі складними вибірками основний лінії частот. Перед оновленням мережевих коефіцієнтів та на всіх ітераціях сховище даних перетворює дані з файлів та записує їх. Для навчання мережі з використанням даних у пам'яті потрібно близько 50 хвилин, а для навчання з використанням даних з диска – 110 хвилин. Оцінка навчання ЗГМГН здійснюється шляхом отримання точності класифікації для тестових кадрів. Отриманий результат показує, що розроблена мережа може досягти точності близько 94,3% приблизно за 12 епох для таких типів сигналів, навчання яких пішло близько 26 хвилин. Це підвищить ефективність використання спектра та визначить тип модуляції приймачів бездротового зв'язку.

Спонсор дослідження

  • All authors are acknowledging the University of Technology-Iraq for their assistance and support.

Біографії авторів

Ekhlas Hamza, University of Technology - Iraq

Doctor of Electric Engineering/Communications

DepartmentofControl and Systems Engineering

Sameir Aziez, University of Technology - Iraq

Doctor of Electric Engineering/Communications

Department of Electromechanical Engineering

Fadia Hummadi, Al-Khwarizmi College of Engineering, University of Baghdad

Master in Electric Engineering/Communications

Department of Communications

Ahmad Sabry, Al-Nahrain University

Doctor of Control and Automation Engineering

Department of Computer Engineering

Посилання

  1. Huynh-The, T., Pham, Q.-V., Nguyen, T.-V., Nguyen, T. T., Ruby, R., Zeng, M., Kim, D.-S. (2021). Automatic Modulation Classification: A Deep Architecture Survey. IEEE Access, 9, 142950–142971. doi: https://doi.org/10.1109/access.2021.3120419
  2. Xu, Y., Li, D., Wang, Z., Guo, Q., Xiang, W. (2018). A deep learning method based on convolutional neural network for automatic modulation classification of wireless signals. Wireless Networks, 25 (7), 3735–3746. doi: https://doi.org/10.1007/s11276-018-1667-6
  3. Al-Shoukry, S., M. Jawad, B. J., Musa, Z., Sabry, A. H. (2022). Development of predictive modeling and deep learning classification of taxi trip tolls. Eastern-European Journal of Enterprise Technologies, 3 (3 (117)), 6–12. doi: https://doi.org/10.15587/1729-4061.2022.259242
  4. Jwaid, W. M., Al-Husseini, Z. S. M., Sabry, A. H. (2021). Development of brain tumor segmentation of magnetic resonance imaging (MRI) using U-Net deep learning. Eastern-European Journal of Enterprise Technologies, 4 (9(112)), 23–31. doi: https://doi.org/10.15587/1729-4061.2021.238957
  5. Shijer, S. S., Sabry, A. H. (2021). Analysis of performance parameters for wireless network using switching multiple access control method. Eastern-European Journal of Enterprise Technologies, 4 (9 (112)), 6–14. doi: https://doi.org/10.15587/1729-4061.2021.238457
  6. Zhang, H., Wang, Y., Xu, L., Aaron Gulliver, T., Cao, C. (2020). Automatic Modulation Classification Using a Deep Multi-Stream Neural Network. IEEE Access, 8, 43888–43897. doi: https://doi.org/10.1109/access.2020.2971698
  7. Zhou, Y., Lin, T., Zhu, Y. (2020). Automatic Modulation Classification in Time-Varying Channels Based on Deep Learning. IEEE Access, 8, 197508–197522. doi: https://doi.org/10.1109/access.2020.3034942
  8. Clement, J. C., Indira, N., Vijayakumar, P., Nandakumar, R. (2020). Deep learning based modulation classification for 5G and beyond wireless systems. Peer-to-Peer Networking and Applications, 14 (1), 319–332. doi: https://doi.org/10.1007/s12083-020-01003-3
  9. Perenda, E., Rajendran, S., Bovet, G., Pollin, S., Zheleva, M. (2022). Evolutionary Optimization of Residual Neural Network Architectures for Modulation Classification. IEEE Transactions on Cognitive Communications and Networking, 8 (2), 542–556. doi: https://doi.org/10.1109/tccn.2021.3137519
  10. Zhou, R., Liu, F., Gravelle, C. W. (2020). Deep Learning for Modulation Recognition: A Survey With a Demonstration. IEEE Access, 8, 67366–67376. doi: https://doi.org/10.1109/access.2020.2986330
  11. Ujan, S., Navidi, N., Landry, R. J. (2020). Hierarchical Classification Method for Radio Frequency Interference Recognition and Characterization in Satcom. Applied Sciences, 10 (13), 4608. doi: https://doi.org/10.3390/app10134608
  12. Zheng, S., Qi, P., Chen, S., Yang, X. (2019). Fusion Methods for CNN-Based Automatic Modulation Classification. IEEE Access, 7, 66496–66504. doi: https://doi.org/10.1109/access.2019.2918136
  13. Ji, K., Chang, S., Huang, S., Chen, H., Jia, S., Lu, H. (2021). Modulation Classification of Active Attack Signals for Internet of Things Using GP-CNN Network. 2021 IEEE International Conference on Communications Workshops (ICC Workshops). doi: https://doi.org/10.1109/iccworkshops50388.2021.9473800
  14. Al-Nuaimi, D. H., Akbar, M. F., Salman, L. B., Abidin, I. S. Z., Isa, N. A. M. (2021). AMC2N: Automatic Modulation Classification Using Feature Clustering-Based Two-Lane Capsule Networks. Electronics, 10 (1), 76. doi: https://doi.org/10.3390/electronics10010076
Класифікація сортування модуляції сигналу безпровідного середовища з використанням зверткової нейронної мережі

##submission.downloads##

Опубліковано

2022-12-30

Як цитувати

Hamza, E., Aziez, S., Hummadi, F., & Sabry, A. (2022). Класифікація сортування модуляції сигналу безпровідного середовища з використанням зверткової нейронної мережі. Eastern-European Journal of Enterprise Technologies, 6(9 (120), 70–79. https://doi.org/10.15587/1729-4061.2022.266801

Номер

Том 6 № 9 (120) (2022): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2022 Ekhlas Hamza, Sameir Aziez, Fadia Hummadi, Ahmad Sabry

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.