zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Công Nghệ Thông Tin

» Quản trị mạng

Nâng cao hiệu quả phân loại điều chế tự động sử dụng mạng CNN đa đầu vào

Chia sẻ: Liễu Yêu Yêu | Ngày: | Loại File: PDF | Số trang:6

Báo xấu

39
lượt xem 5
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết "Nâng cao hiệu quả phân loại điều chế tự động sử dụng mạng CNN đa đầu vào" đề xuất một phương pháp sử dụng mạng học sâu đa đầu vào để trích lọc nhiều hơn các đặc trưng của tín hiệu từ đó nâng cao độ chính xác phân loại. Mô hình đa đầu vào lần lượt được đánh giá với các đầu vào khác nhau, gồm tín hiệu IQ kết hợp tín hiệu I (In-phase) (gọi là mô hình IQ-I) và tín hiệu IQ kết hợp tín hiệu Q (Quadrature phase) (gọi là mô hình IQ-Q). Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Nâng cao hiệu quả phân loại điều chế tự động sử dụng mạng CNN đa đầu vào

Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) Nâng cao hiệu quả phân loại điều chế tự động sử dụng mạng CNN đa đầu vào Tạ Thị Kiều Lan1, Lê Hà Khánh1, Hoàng Văn Phúc1 và Đoàn Văn Sáng2 1 Viện Tích hợp hệ thống, Trường Đại học Kỹ thuật Lê Quý Đôn Số 236 Hoàng Quốc Việt, Quận Bắc Từ Liêm, Hà Nội 2 Học viện Hải Quân, Nha Trang, Khánh Hòa Email: phuchv@lqdtu.edu.vn Tóm tắt – Phân loại điều chế tự động (Automatic Modulation số kênh và việc tính toán sẽ phức tạp khi các tham số chưa biết Classification: AMC) là quá trình phát hiện và phân loại điều được đưa vào. Trong khi đó, phương pháp FB được sử dụng chế dựa trên tín hiệu thu được mà không có thông tin tiên bằng cách trích xuất tích lũy bậc cao hơn (HOC: Higher-order nghiệm về tín hiệu (sóng mang, công suất tín hiệu, pha tín cumulants) và phân tích các đặc trưng cho mỗi sơ đồ điều chế. hiệu…). Học sâu (Deep Learning: DL) là một trong những Tuy nhiên, các phương pháp trên đều phân loại kém hiệu quả phương pháp hứa hẹn nhất với độ chính xác cao, ngày càng được ứng dụng rộng rãi vào phân loại điều chế tự động. Các nghiên trong môi trường kênh phức tạp [3]. cứu trước đây trong phân loại tín hiệu điều chế chỉ tập trung với Không giống như các kỹ thuật LB và FB yêu cầu ngưỡng các mô hình đơn đầu vào nên độ chính xác phân loại còn hạn quyết định thủ công, phương pháp học sâu có thể thích nghi chế. Do đó, nghiên cứu trong bài báo này đề một phương pháp tìm kiếm và xác định chúng. Các thuật toán AMC thông sử dụng mạng học sâu đa đầu vào để trích lọc nhiều hơn các đặc trưng của tín hiệu từ đó nâng cao độ chính xác phân loại. Mô thường cần tính toán với thời gian thực để đưa ra kết quả. hình đa đầu vào lần lượt được đánh giá với các đầu vào khác Không chỉ là độ phức tạp tính toán cao hơn, mà thời gian trễ nhau, gồm tín hiệu IQ kết hợp tín hiệu I (In-phase) (gọi là mô dài hơn đều không có lợi để áp dụng trong toàn bộ hệ thống hình IQ-I) và tín hiệu IQ kết hợp tín hiệu Q (Quadrature phase) truyền thông. Học sâu có thể thích nghi để đối phó với những (gọi là mô hình IQ-Q). Kết quả mô phỏng cho thấy mô hình đa vấn đề này đúng cách. Mặc dù phải mất một lượng lớn thời đầu vào cho độ chính xác phân loại điều chế tín hiệu cao hơn mô gian để huấn luyện mạng, mạng đã được huấn luyện có thể hình đơn đầu vào, cụ thể các mô hình IQ-I và IQ-Q đạt độ chính thực hiện nhiệm vụ phân loại gần như trong thời gian thực, xác cao hơn mô hình đơn đầu vào IQ lần lượt là 6% và 7%. sát với quy trình xác thực. Index Terms—Học sâu, đa đầu vào, điều chế, tỉ số tín trên tạp, Trong những năm gần đây, học sâu đã có những tiến bộ phân loại điều chế tự động. vượt bậc trên nhiều lĩnh vực như nhận thức sự vật, dịch tự động, nhận dạng giọng nói, …. Đó là những vấn đề từng rất khó khăn I. GIỚI THIỆU với các nhà nghiên cứu trí tuệ nhân tạo. Tuy nhiên, ứng dụng Sự phát triển bùng nổ của các hệ thống thông tin trong tất học sâu trong phân loại điều chế là một cách tiếp cận khá mới cả các lĩnh vực kinh tế - xã hội, quốc phòng, an ninh dẫn tới và có thể áp dụng trong cả lĩnh vực dân dụng và quân sự. lượng dữ liệu truyền đi trên kênh vô tuyến ngày càng lớn, nhu cầu sử dụng phổ tần số vô tuyến ngày càng cao, tần số sử Một quá trình phân loại điều chế điển hình thường liên quan dụng ngày càng trở nên khan hiếm, cần được quản lý và sử đến hai bước: tiền xử lý tín hiệu và phân loại tín hiệu đã được dụng hiệu quả hơn. Do đó, phân loại điều chế tự động (AMC: xử lý. Cụ thể, T.J. O’Shea và J. Corgan [4] đã xây dựng một Automatic Modulation Classification) là một trong những mạng nơ ron tích chập (CNN: Convolutional Neural Network) nhiệm vụ quan trọng, để xác định và giảm thiểu các điểm yếu để nhận dạng tập dữ liệu bao gồm 11 điều chế: 8 kỹ thuật số và bảo mật. Đồng thời AMC cũng cho phép chia sẻ phổ hợp tác 3 tương tự. Mô hình này đạt được độ chính xác phân loại để tối đa hóa tiện ích phổ, giúp cho việc quản lý và sử dụng khoảng 87,4% trên tập dữ liệu thử nghiệm. hiệu quả phổ tần trong kỷ nguyên của truyền thông không dây Hiệu năng phân loại điều chế của CNN trên 8 kiểu điều trên các lĩnh vực dân sự, thương mại, chính phủ và ứng dụng chế đã được nghiên cứu trong [5]. Nhóm tác giả đã thông quân sự chia sẻ phổ tần. qua các kiến trúc GoogLeNet và AlexNet để phân loại điều AMC truyền thống được chia thành hai loại: Dựa trên khả chế dựa trên hình ảnh chòm sao tín hiệu làm đầu vào. Tuy năng (LB: Likelihood-based) [1] và dựa trên đặc trưng (FB: nhiên, các kiến trúc trên cho thấy sự phụ thuộc ngày càng Feature-based) [2]. Phương pháp phân loại điều chế LB so sánh nhiều vào các yếu tố tiền xử lý hình ảnh như độ phân giải giá trị hàm khả năng của tín hiệu nhận được trong nhóm điều chế hình ảnh, kích thước cắt ảnh,... và đạt được độ chính xác được xem xét. Tuy nhiên, phương pháp LB cần biết trước tham dưới 80% ở SNR = 0 dB. ISBN 978-604-80-7468-5 159
Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) A. P. Hermawan và cộng sự [6] đã sử dụng các tín hiệu Những nội dung còn lại của bài báo được tổ chức như sau: IQ (In-phase and quadrature phase) làm đầu vào để nghiên phần II mô tả mô hình đề xuất. Tập dữ liệu sử dụng trong bài cứu hiệu năng của kiến trúc CNN với 4 lớp tích chập, 2 lớp báo được trình bày trong phần III. Phần IV thảo luận các kết gộp cực đại và 2 lớp kết nối đầy đủ để phân loại 11 dạng điều quả mô phỏng và nhận xét. Cuối cùng, kết luận bài báo được chế và đạt được độ chính xác là 83,4% ở 18 dB. trình bày trong phần V. Tim O’Shea và T. Charles Clancy [7] đã khảo sát với tập II. MÔ HÌNH ĐỀ XUẤT dữ liệu gồm 24 kiểu điều chế bậc cao với mô hình ResNet Trong phần này, mô hình mạng nơ ron đa đầu vào được được sửa đổi để khắc phục hiện tượng tê liệt nơ-ron đề xuất và mô tả nhằm phân biệt nó với mô hình đơn đầu vào. (vanishing gradient) của mạng CNN. Đối với các kiểu điều Trước tiên, các thành phần của một mô hình CNN sẽ được chế bậc thấp, ở SNR cao, ResNet đạt được tỷ lệ chính xác mô tả làm rõ. Theo đó, mô hình CNN thường bao gồm: lớp phân loại tối đa là 99,8%. Ở SNR thấp hơn, hiệu quả giữa tích chập, lớp kích hoạt phi tuyến, lớp pooling và lớp kết nối mạng VGG và ResNet hầu như giống hệt nhau. đầy đủ. Yogesh Kumar [8] đã khảo sát mô hình ResNet-50 và mạng Lớp tích chập (Convolutional Layer) là lớp chính trong Inception ResNet V2 nhằm xác định các kiểu điều chế 2ASK, mạng CNN. Đó là lớp đầu tiên để nhận dạng các đặc trưng 4ASK, QPSK, 8PSK, 8QAM, 16QAM, 32QAM, và 64QAM. nổi bật từ đầu vào. Trong phép toán tích chập, từng ô nhỏ của Cả hai mô hình, ResNet-50 và Inception ResNet V2 cung cấp ma trận đầu vào được nhân tích chập với một ma trận bộ lọc. phân loại đáng tin cậy khi SNR > 5 dB cho tất cả các kiểu điều Phép tích chập được tính theo công thức: chế ngoại trừ 16QAM và 64QAM. m/ 2 n/ 2 Tuy nhiên, các bài báo trên mới trích xuất đặc trưng tín k ( x, y ) * f ( x, y )    k (u , v ) f ( x u , y  v ) (1) hiệu trên miền thời gian và sử dụng mô hình tương đối phức u  m / 2 v  n / 2 tạp để đạt được hiệu quả phân loại cao. H. Elyousseph, M. L Altamimi [9] đã trích xuất các đặc trưng tín hiệu trên miền I, Trong đó k ( x , y ) là bộ lọc kích thước m  n , f ( x , y ) là ma miền Q và miền phổ tạo ra dữ liệu đầu vào dưới dạng hình trận đầu vào. Trong quá trình tính tích chập, số bước nhảy ảnh lai ghép để đưa vào huấn luyện. Với cách xử lí dữ liệu cho mỗi lần di chuyển luôn được xem xét trượt bộ lọc trên đầu vào như trên, bài toán AMC được quy về bài toán phân toàn bộ ma trận đầu vào. Tuy nhiên, số bước nhảy không thể loại ảnh. Các phương pháp biểu diễn hình ảnh kết hợp với phủ toàn bộ ma trận đầu vào, đặc biệt với những đặc trưng CNN đã đạt được hiệu quả phân loại tốt, tuy nhiên với đầu ngoài biên. vào dạng ảnh có thể làm tăng kích thước đầu vào, tín hiệu Lớp kích hoạt phi tuyến thường sử dụng hàm kích hoạt trước khi đưa vào mô hình phải qua các bước tiền xử lý và ReLU (Rectified Linear Unit) là một hàm phi tuyến có tác ghép lại với nhau, làm tăng đặc trưng của tín hiệu nhưng cũng dụng đưa các giá trị âm về 0. Mục đích của lớp này là đưa giá làm tăng tham số tính toán của mô hình. trị đầu vào về một ngưỡng để loại bỏ các giá trị âm không cần Hầu hết các phương pháp AMC dựa trên học sâu đề cập ở thiết có thể ảnh hưởng cho các bước tính toán sau này. Về trên đều cố gắng mô tả đặc điểm của tín hiệu được điều chế ban mặt toán học, hàm ReLU được biểu diễn như sau: đầu, nhưng hiếm khi xem xét mối quan hệ giữa các đặc trưng f ( x )  max(0, x) (2) của tín hiệu và cấu trúc mạng. Để giải quyết vấn đề trên, bài báo đề xuất phân loại điều chế dựa trên mô hình CNN với đa đầu vào Lớp gộp (pooling) thực chất là lấy mẫu xuống, làm giảm mà cụ thể là hai đầu vào, với một đầu vào là tín hiệu kênh IQ, kích thước đầu vào khi thực hiện tích chập mà vẫn giữ được một đầu vào là tín hiệu kênh I hoặc kênh Q để gia tăng đặc trưng đặc trưng của đầu vào. Điều này cho phép giảm độ phức tạp học được từ đó nâng cao hiệu quả phân loại. Tại cùng một thời tính toán đồng thời không làm mất đi các đặc trưng quan trọng điểm, tín hiệu ban đầu được chuyển đổi thành dữ liệu kênh IQ, của đầu vào. Lớp gộp có 3 loại chính như sau: gộp cực đại, kênh I hoặc kênh Q và mạng CNN được xây dựng để trích xuất gộp trung bình, và gộp tổng. Trong đó, gộp cực đại là kiểu các đặc trưng về biên độ và pha của tín hiệu. Những đóng góp thường được sử dụng nhất. của nghiên cứu này có thể được tóm tắt như sau: Lớp kết nối đầy đủ (Fully Connected Layer): Ma trận - Đánh giá mối quan hệ giữa các đặc trưng tín hiệu và cấu nhận được sau các bước tích chập và gộp được đưa vào mạng trúc mạng, cụ thể là số kênh lọc. kết nối đầy đủ như mạng nơ ron truyền thống. Do đó, mỗi nút - Sử dụng mô hình CNN đa đầu vào nhằm trích xuất nhiều trong lớp kết nối đầy đủ được kết nối trực tiếp với mọi nút hơn các đặc trưng của tín hiệu trên miền I, Q và tín hiệu IQ, khai trong cả lớp trước và lớp tiếp theo như trong Hình 1. Các lớp thác tối đa các đặc trưng của từng miền, từ đó nâng cao hiệu quả kết nối đầy đủ thường được theo sau bởi hàm kích hoạt ReLU, phân loại điều chế. riêng với lớp kết nối đầy đủ cuối cùng của mạng CNN thường ISBN 978-604-80-7468-5 160
Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) được theo sau bởi hàm kích hoạt softmax để tính xác suất cho mỗi lớp: A I 2 Q2 (6) 𝑒 𝑖 Q 𝑆(𝑦𝑖 ) = , 𝑖 = 1,2, … , 𝑁   arctan   ∑𝑁 𝑗 (3) I  𝑗 𝑒 Trước hết, bài báo xem xét mối quan hệ giữa đặc trưng trong đó 𝑆(𝑦𝑖 ) là xác suất để đầu vào rơi vào lớp thứ i và N tín hiệu với cấu trúc mạng có số bộ lọc khác nhau dựa trên là số lớp đầu ra. mô hình CNN đơn đầu vào sử dụng kênh IQ trong Hình 3. Trên cơ sở cấu trúc mạng tối ưu đối với đặc trưng tín hiệu, nhóm tác giả triển khai kiến trúc mạng CNN đa đầu vào như Hình 4 để so sánh hiệu quả phân loại với mạng CNN đơn đầu vào. Các mô hình huấn luyện sử dụng số vòng lặp (epoch) là 50, mini-batch size là 64, tốc độ học khởi tạo là 0.001, thuật toán tối ưu Adam và hàm mất mát categorical cross-entropy. Thiết bị sử dụng để mô phỏng là máy tính với cấu hình CPU 3.7 GHz, RAM 32GB và NVIDIA GeForce GTX 3060ti GPU. Tín hiệu IQ Tín hiệu I/Q Hình 1. Lớp kết nối đầy đủ. Kích thước 128x2 Kích thước 128x1 Đầu vào Đầu vào Lớp ghép kênh (concatenate layer) giúp kết hợp các mảng với nhau, yêu cầu các mảng đầu vào lớp ghép kênh phải cùng Reshape Reshape kích thước. Việc kết hợp được thực hiện bằng cách ghép xen 128,2,1 64,2,1 các hàng của từng mảng đầu vào như được biểu diễn trong Hình 2. Conv2D 64x3x1 Conv2D 64x3x1 ReLU ReLU Đầu vào 1 Ghép kênh Đầu vào 2 r*c 2r*c r*c Gộp cực đại Gộp cực đại 2x2 2x2 Chọn ngẫu nhiên Chọn ngẫu nhiên 0.4 0.4 Conv2D 64x3x1 Conv2D 64x3x1 ReLU ReLU Chọn ngẫu nhiên Chọn ngẫu nhiên Hình 2. Lớp ghép kênh. 0.4 0.4 Bài báo ứng dụng mạng CNN với mô hình đa đầu vào trích xuất nhiều hơn các đặc trưng tín hiệu I, Q và IQ để nâng Véc-tơ hóa Véc-tơ hóa cao hiệu quả phân loại. Cơ sở toán học để biểu diễn kênh I và kênh Q của tín hiệu Kết nối đầy đủ 128 Kết nối đầy đủ 128 xuất phát từ biểu thức tổng quát của tín hiệu: ReLU ReLU s (t )  A cos( t   ) c Kết nối đầy đủ 11 Kết nối đầy đủ 11 (4) Softmax Softmax  A cos  cos( t )  A sin  sin( t ) c c Đầu ra Đầu ra Kênh I và Q được xác định qua biểu thức (5), biên độ và 11 11 pha của tín hiệu được biểu diễn bởi kênh I, Q thông qua biểu thức (6): a, Đầu vào IQ b, Đầu vào I hoặc Q I  A.cos  Hình 3. Cấu trúc mạng CNN đơn đầu vào. (5) Q  A sin  ISBN 978-604-80-7468-5 161
Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) Tín hiệu IQ Kích thước 128x2 Tín hiệu I/Q Kích thước 128x1 dụng Matlab làm công cụ mô phỏng. Kết quả so sánh độ chính xác của các mô hình thể hiện ở Hình 5. Đầu vào Đầu vào Nhóm tác giả tiến hành mô phỏng mô hình CNN đơn đầu Reshape Reshape 128,2,1 64,2,1 vào với số kênh lọc của lớp tích chập lần lượt là 32 và 64. Từ Conv2D 64x3x1 Conv2D 64x3x1 kết quả mô phỏng ở Hình 5, mô hình CNN với 64 kênh lọc ReLU ReLU cho độ chính xác cao hơn khoảng 3% so với mô hình CNN Gộp cực đại Gộp cực đại với 32 kênh lọc cho SNR từ -20 dB đến +18 dB. Có thể thấy 2x2 2x2 rằng, việc thay đổi số kênh lọc làm tăng các đặc trưng của tín Chọn ngẫu nhiên Chọn ngẫu nhiên hiệu được trích xuất, từ đó tăng độ chính xác phân loại. Bên 0.4 0.4 cạnh đó, việc sử dụng tín hiệu đầu vào cho mô hình chỉ sử Conv2D 64x3x1 Conv2D 64x3x1 dụng kênh I hoặc kênh Q cũng cho độ chính xác gần với tín ReLU ReLU hiệu kênh IQ. Tuy nhiên với kênh I, độ chính xác thấp nhất, Chọn ngẫu nhiên Chọn ngẫu nhiên thấp hơn khoảng 4% so với kênh Q và tín hiệu kênh IQ. 0.4 0.4 Véc-tơ hóa Véc-tơ hóa Kết nối đầy đủ 128 Kết nối đầy đủ 128 ReLU ReLU Ghép kênh Kết nối đầy đủ 11 Softmax Đầu ra 11 Hình 4. Cấu trúc mạng CNN đa đầu vào. Hình 5. Độ chính xác phân loại mô hình đơn đầu vào. III. TẬP DỮ LIỆU ĐÁNH GIÁ Khi sử dụng mô hình CNN với hai đầu vào là tín hiệu Bài báo sử dụng tập dữ liệu RML2016.10a đã được giới kênh IQ và tín hiệu kênh I (hoặc kênh Q), kết quả mô phỏng thiệu trong bài báo [4], bao gồm 11 dạng tín hiệu điều chế ở Hình 6 cho thấy độ chính xác phân loại tín hiệu tăng đáng thuộc 5 nhóm điều chế khác nhau được liệt kê như sau: kể. Độ chính xác của mô hình đa đầu vào cao hơn mô hình • Điều chế tương tự: WB-FM, AM-SSB, AM-DSB. đơn đầu vào khoảng 7% cho cả kênh I và kênh Q với SNR từ -20dB đến 18dB. Có thể thấy rằng, cùng một cấu trúc mô hình • Điều chế FSK: BFSK, CPFSK. mạng, nhờ việc tăng đặc trưng của tín hiệu thông qua mô hình • Điều chế PAM: 4PAM. sử dụng đa đầu vào làm cải thiện đáng kể độ chính xác phân loại của mô hình. • Điều chế PSK: BPSK, QPSK, 8PSK. • Điều chế QAM: 16QAM, 64QAM. Bộ dữ liệu có tín hiệu với chiều dài 128 mẫu I/Q đối với từng loại điều chế, tỷ số tín hiệu trên tạp âm (signal to noise ratio: SNR) là từ -20 dB đến +18 dB, bước cách 2 dB. Tổng cộng, bộ dữ liệu có 220.000 mẫu tín hiệu. Tập dữ liệu được tạo ra trong điều kiện kênh có Fading đa đường biến đổi theo thời gian của kênh đáp ứng xung đơn vị, độ trôi với bước ngẫu nhiên của dao động tần số sóng mang và đồng hồ thời gian mẫu và tạp âm trắng cộng tính Gauss. IV. THẢO LUẬN KẾT QUẢ Trong phần này, nhằm đánh giá hiệu quả các mô hình CNN sử dụng đơn đầu vào và đa đầu vào, nhóm tác giả sử Hình 6. Độ chính xác mô hình đơn và mô hình đa đầu vào. ISBN 978-604-80-7468-5 162
Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) Ma trận so sánh (confusion matrix) được sử dụng để cho VI. KẾT LUẬN thấy sự so sánh giữa các nhãn dự đoán so với các nhãn đúng. Như chỉ ra trong Hình 7, các dạng điều chế tương tự như AM- Trong bài báo này, với cùng bộ dữ liệu đầu vào trong điều kiện ảnh hưởng của tạp trắng chuẩn cộng tính và có pha-đing DSB, điều chế số bậc thấp như BPSK, CPFSK, GPSK, 4PAM đa đường, nhóm tác giả đã so sánh sự ảnh hưởng của tương cho độ chính xác phân loại cao, trên 96% tại SNR= +2dB và quan giữa đặc trưng tín hiệu với cấu trúc mạng CNN tới độ ít bị lỗi hơn. Với các tín hiệu điều chế số bậc cao như 8PSK, chính xác phân loại. Bài báo cũng so sánh độ chính xác phân 16QAM, 64QAM cho độ chính xác dưới 70% tại SNR = loại giữa mô hình CNN đơn đầu vào và mô hình CNN đa đầu +2dB. Có thể thấy các tín hiệu điều chế bậc cao mặc dù cho vào và chỉ ra rằng mô hình CNN đa đầu vào trích xuất được tốc độ truyền dẫn nhanh hơn, nhưng do tồn tại nhiều điểm tín nhiều hơn các đặc trưng của tín hiệu. Cụ thể, các đặc trưng của hiệu, khoảng cách từ điểm tín hiệu đến biên quyết định bị thu tín hiệu kênh IQ kết hợp với kênh I hoặc kênh Q cho phép mô hẹp, đặc biệt bị ảnh hưởng của tạp trắng chuẩn cộng tính cũng hình CNN đa đầu vào nâng cao hiệu năng phân loại. như điều kiện kênh pha-đing đa đường, khi tỷ lệ lỗi tăng, tức là SNR giảm, chòm sao tín hiệu bị phân tán hơn, các điểm tín Kết quả sơ bộ đầy hứa hẹn mở ra hướng nghiên cứu tiếp hiệu tiến gần hơn đến biên quyết định, dẫn tới giảm hiệu quả theo cho bài toán AMC với nhiều loại tín hiệu hơn, dữ liệu phân loại tín hiệu. đầu vào lớn hơn và trong các điều kiện kênh truyền khác nhau. Việc sử dụng kết hợp các kênh tín hiệu khác nhau cho phép nâng cao độ chính xác phân loại tín hiệu tần số vô tuyến ngay cả khi chúng chỉ có các đặc trưng nổi bật trong miền tần số so với miền thời gian hoặc ngược lại. Trong các nghiên cứu tiếp theo, nhóm tác giả tập trung tạo ra nhiều dạng sóng hơn cho bộ dữ liệu huấn luyện, nghiên cứu tiền xử lý tín hiệu, trích xuất các đặc trưng tín hiệu trên các miền khác nhau như thời gian, tần số, pha… đưa vào huấn luyện với các mô hình đa đầu vào mới để nâng cao độ chính xác phân loại. LỜI CẢM ƠN Nghiên cứu này được Bộ Khoa học và Công nghệ tài trợ trong đề tài nghị định thư Việt Nam - CH Séc mã số NĐT/CZ/22/12. TÀI LIỆU THAM KHẢO [1] J. L. Xu, W. Su and M. Zhou, “Likelihood-Ratio a. Mô hình đa kênh đầu vào IQ-I Approaches to Automatic Modulation Classification,” in IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), vol. 41, no. 4, pp. 455-469, July 2011, doi: 10.1109/TSMCC.2010.2076347. [2] Hazza, M. Shoaib, S. A. Alshebeili and A. Fahad, “An overview of feature-based methods for digital modulation classification,” 2013 1st International Conference on Communications, Signal Processing, and their Applications (ICCSPA), 2013, pp. 1-6, doi: 10.1109/ICCSPA.2013.6487244. [3] S. Hu, Y. Pei, P. P. Liang and Y. -C. Liang, “Deep Neural Network for Robust Modulation Classification Under Uncertain Noise Conditions,” in IEEE Transactions on Vehicular Technology, vol. 69, no. 1, pp. 564-577, Jan. 2020, doi: 10.1109/TVT.2019.2951594. b. Mô hình đa kênh đầu vào IQ-Q [4] T.J. O’Shea, J. Corgan, T. C. Clancy, “Convolutional Hình 7. Ma trận so sánh khi phân loại điều chế sử dụng mô Radio Modulation Recognition Networks,” hình đa đầu vào tại SNR = +2 dB. ISBN 978-604-80-7468-5 163
Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) Communications in Computer and Information Science, vol. 629, pp 213–226, Jun. 2016. [5] S. Peng, H. Jiang, H. Wang, H. Alwageed, Y. Zhou, M. M. Sebdani, and Y. Yao, “Modulation classification based on signal constellation diagrams and deep learning,” IEEE Transactions on Neural Networks and Learning Systems, vol. 30, no. 3, pp. 718–727, 2019, doi: 10.1109/TNNLS.2018.2850703. [6] P. Hermawan, R. R. Ginanjar, D. Kim, and J. Lee, “CNN-Based Automatic Modulation Classification for Beyond 5G Communications,” IEEE Communications Letters, vol. 24, no. 5, pp. 1038–1041, 2020, doi: 10.1109/LCOMM.2020.2970922. [7] T. J. O’Shea, T. Roy and T. C. Clancy, “Over-the-Air Deep Learning Based Radio Signal Classification,” in IEEE Journal of Selected Topics in Signal Processing, vol. 12, no. 1, pp. 168-179, Feb. 2018, doi: 10.1109/JSTSP.2018.2797022. [8] Y. Kumar, M. Sheoran, G. Jajoo and S. K. Yadav, “Automatic Modulation Classification Based on Constellation Density Using Deep Learning,” in IEEE Communications Letters, vol. 24, no. 6, pp. 1275-1278, June 2020, doi: 10.1109/LCOMM.2020.2980840. [9] H. Elyousseph, M. L. Altamimi, “Deep Learning Radio Frequency Signal Classification with Hybrid Images,” 2021 IEEE International Conference on Signal and Image Processing Applications (ICSIPA), 2021, pp. 7-11. ISBN 978-604-80-7468-5 164

CÓ THỂ BẠN MUỐN DOWNLOAD

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.