RÁPIDO RECONHECIMENTO DE MODULAÇÕES ANALÓGICAS E DIGITAIS VIA REDES RESIDUAIS PROFUNDAS
O reconhecimento automático de modulação (AMR), empregado em sistemas de comunicação para o processo de demodulação no receptor, tem notáveis aplicações no contexto militar e civil. Todavia, em virtude do elevado desenvolvimento de técnicas de comunicação sem fio, a quantidade de métodos e parâmetros de modulação tem aumentado rapidamente, tornando o reconhecimento de modulação uma tarefa desafiadora. Esse aspecto torna-se ainda mais agravante pelo fato de que os métodos convencionais para esse reconhecimento, exigem quase sempre o conhecimento prévio dos parâmetros do canal e do sinal, podendo ser imprecisos até mesmo para condições moderadas. Assim, para sistemas de comunicação sem fio, onde os esquemas de modulação mudam conforme o ambiente, a necessidade de AMR é indiscutível, exigindo novas abordagens, como é o caso do uso de técnicas de aprendizado de máquina, especialmente, as redes neurais convolucionais. Na prática, um dos grandes desafios enfrentados por essas redes para AMR reside no elevado tempo que elas demandam para treinamento, fato esse que dificulta sua aplicação em tempo real. Desse modo, visando alcançar um trade-off entre o desempenho de reconhecimento e o tempo para treinamento, projetamos duas arquiteturas de redes residuais profundas que além de exigirem menos tempo para treinamento, retornam desempenhos equivalentes às mais recentes arquiteturas da literatura.
RÁPIDO RECONHECIMENTO DE MODULAÇÕES ANALÓGICAS E DIGITAIS VIA REDES RESIDUAIS PROFUNDAS
-
DOI: 10.22533/at.ed.1572002039
-
Palavras-chave: Reconhecimento Automático de Modulações; Aprendizado de Máquina; ResNet; Tempo de Treinamento
-
Keywords: Automatic Modulation Recognition; Machine Learning; ResNet; Training Time
-
Abstract:
Automatic Modulation Recognition (AMR), used in communication systems for the receiver demodulation process, has notable applications in the military and civil contexts. However, due to the high development of wireless communication techniques, the number of modulation methods and parameters has been increasing rapidly, making modulation recognition a challenging task. This aspect is further aggravated by the fact that conventional methods for this recognition almost always require prior knowledge of channel and signal parameters and may be inaccurate even under moderate conditions. Thus, for wireless communication systems, where modulation schemes change according to the environment, the need for AMR is unquestionable, requiring new approaches, such as the use of machine learning techniques, especially convolutional neural networks. In practice, one of the major challenges faced by these AMR networks is their high training time, which makes their application difficult in real time. Thus, in order to achieve a trade-off between recognition performance and training time, we designed two deep residual network architectures that, in addition to requiring less training time, return performances equivalent to the latest literature architectures.
-
Número de páginas: 17
- Vinícius Felipe de Oliveira da Silva
- Nelson de Souza Amorim
