Projeto de classificadores para sistema de reconhecimento automático de modulações
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Outros Autores: | |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFAM |
Texto Completo: | https://tede.ufam.edu.br/handle/tede/7569 |
Resumo: | A subutilização do espectro de frequência é uma problema recorrente atualmente e, com o aumento da demanda de usuários que utilizam sistemas de comunicação remota, foi necessário buscar uma maneira mais eficiente de alocar usuários no espectro, surgindo assim, as técnicas que aplicam o rádio cognitivo. O rádio cognitivo, detecta buracos espectrais e aloca de maneira dinâmica usuários nestes espaços inutilizados. Com isso em vista, as técnicas de classificação automática de modulação vieram para fornecer informações a priori que auxiliam no sensoriamento do espectro. Nesta dissertação propõe-se, para classificar sinais modulados, utilizar uma gama de classificadores multiclasse supervisionados baseados em aprendizado de máquina e aprendizado profundo, com seus parâmetros pré-estabelecidos. Dentre os classificadores englobados em aprendizado de máquina, abordamos algoritmos baseados em árvore de decisão e algoritmo de classificação probabilística, Naive Bayes. Dentro do aprendizado profundo, aplicou-se redes neurais artificiais através de uma rede perceptron multicamada totalmente conectada com retropropagação utilizando algoritmo de Levenberg-Marquardt para atualização dos pesos da rede. Foram obtidos taxas de acurácia de 95,2866% e 93,1253% nos classificadores baseados em árvore de decisão, 87,4% na rede neural e 74,7845% no Naive Bayes. Na literatura foi encontrado um trabalho com base de dados semelhante qualitativamente a utilizada nesta dissertação e sua acurácia foi de 89,72%, enquanto a melhor acurácia apresentada nesta dissertação foi de 95,2866%. |
id |
UFAM_2f8f8046cdf2935f368a7e45f60b51c0 |
---|---|
oai_identifier_str |
oai:https://tede.ufam.edu.br/handle/:tede/7569 |
network_acronym_str |
UFAM |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFAM |
repository_id_str |
6592 |
spelling |
Projeto de classificadores para sistema de reconhecimento automático de modulaçõesModulação (Eletrônica) - ClassificaçãoRedes de rádio cognitivoRedes neurais (Computação)ENGENHARIAS: ENGENHARIA ELÉTRICARádio cognitivoClassificação automática de modulaçõesRedes neurais artificiaisFloresta aleatóriaA subutilização do espectro de frequência é uma problema recorrente atualmente e, com o aumento da demanda de usuários que utilizam sistemas de comunicação remota, foi necessário buscar uma maneira mais eficiente de alocar usuários no espectro, surgindo assim, as técnicas que aplicam o rádio cognitivo. O rádio cognitivo, detecta buracos espectrais e aloca de maneira dinâmica usuários nestes espaços inutilizados. Com isso em vista, as técnicas de classificação automática de modulação vieram para fornecer informações a priori que auxiliam no sensoriamento do espectro. Nesta dissertação propõe-se, para classificar sinais modulados, utilizar uma gama de classificadores multiclasse supervisionados baseados em aprendizado de máquina e aprendizado profundo, com seus parâmetros pré-estabelecidos. Dentre os classificadores englobados em aprendizado de máquina, abordamos algoritmos baseados em árvore de decisão e algoritmo de classificação probabilística, Naive Bayes. Dentro do aprendizado profundo, aplicou-se redes neurais artificiais através de uma rede perceptron multicamada totalmente conectada com retropropagação utilizando algoritmo de Levenberg-Marquardt para atualização dos pesos da rede. Foram obtidos taxas de acurácia de 95,2866% e 93,1253% nos classificadores baseados em árvore de decisão, 87,4% na rede neural e 74,7845% no Naive Bayes. Na literatura foi encontrado um trabalho com base de dados semelhante qualitativamente a utilizada nesta dissertação e sua acurácia foi de 89,72%, enquanto a melhor acurácia apresentada nesta dissertação foi de 95,2866%.Underutilization of the frequency spectrum is a recurring problem today, and with the increasing demand of users using remote communication systems, it was necessary to search for a more efficient way to allocate users in the spectrum, appearing thus, the techniques that apply cognitive radio. Cognitive radio detects spectral holes and dynamically allocates users in these unused spaces. With this in view, automatic modulation classification techniques have come to provide a priori information that aid in spectrum sensing. In this dissertation it is proposed to classify modulated signals using a range of supervised multiclass classifiers based on machine learning and deep learning, with its pre-established parameters. Among the classifiers encompassed in machine learning, we approach algorithms based on decision tree and probabilistic classification algorithm, Naive Bayes. Within deep learning, artificial neural networks were applied through a multilayer perceptron network fully connected with backpropagation using Levenberg-Marquardt algorithm to update the network weights. Accuracy rates of 95.2866% and 93.1253% were obtained in the decision tree-based classifiers, 87.4% in the neural network, and 74.7845% in the Naive Bayes In the literature, we found a study with a similar database qualitatively to that used in this dissertation and its accuracy was 89.72%, while the best accuracy presented in this dissertation was 95.2866%.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorUniversidade Federal do AmazonasFaculdade de TecnologiaBrasilUFAMPrograma de Pós-graduação em Engenharia ElétricaSilva Júnior, Waldir Sabino dahttp://lattes.cnpq.br/2925380715531711Costa, André Luiz Aguiar dahttp://lattes.cnpq.br/7455660237808982Carvalho, Celso Barbosahttp://lattes.cnpq.br/8269546823033896Valadão, Myke Douglas de Medeiroshttp://lattes.cnpq.br/09787578768689902019-12-17T19:13:43Z2019-09-11info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfVALADÃO, Myke Douglas de Medeiros. Projeto de classificadores para sistema de reconhecimento automático de modulações. 2019. 76 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2019.https://tede.ufam.edu.br/handle/tede/7569porhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFAMinstname:Universidade Federal do Amazonas (UFAM)instacron:UFAM2019-12-18T05:04:21Zoai:https://tede.ufam.edu.br/handle/:tede/7569Biblioteca Digital de Teses e Dissertaçõeshttp://200.129.163.131:8080/PUBhttp://200.129.163.131:8080/oai/requestddbc@ufam.edu.br||ddbc@ufam.edu.bropendoar:65922019-12-18T05:04:21Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM)false |
dc.title.none.fl_str_mv |
Projeto de classificadores para sistema de reconhecimento automático de modulações |
title |
Projeto de classificadores para sistema de reconhecimento automático de modulações |
spellingShingle |
Projeto de classificadores para sistema de reconhecimento automático de modulações Valadão, Myke Douglas de Medeiros Modulação (Eletrônica) - Classificação Redes de rádio cognitivo Redes neurais (Computação) ENGENHARIAS: ENGENHARIA ELÉTRICA Rádio cognitivo Classificação automática de modulações Redes neurais artificiais Floresta aleatória |
title_short |
Projeto de classificadores para sistema de reconhecimento automático de modulações |
title_full |
Projeto de classificadores para sistema de reconhecimento automático de modulações |
title_fullStr |
Projeto de classificadores para sistema de reconhecimento automático de modulações |
title_full_unstemmed |
Projeto de classificadores para sistema de reconhecimento automático de modulações |
title_sort |
Projeto de classificadores para sistema de reconhecimento automático de modulações |
author |
Valadão, Myke Douglas de Medeiros |
author_facet |
Valadão, Myke Douglas de Medeiros http://lattes.cnpq.br/0978757876868990 |
author_role |
author |
author2 |
http://lattes.cnpq.br/0978757876868990 |
author2_role |
author |
dc.contributor.none.fl_str_mv |
Silva Júnior, Waldir Sabino da http://lattes.cnpq.br/2925380715531711 Costa, André Luiz Aguiar da http://lattes.cnpq.br/7455660237808982 Carvalho, Celso Barbosa http://lattes.cnpq.br/8269546823033896 |
dc.contributor.author.fl_str_mv |
Valadão, Myke Douglas de Medeiros http://lattes.cnpq.br/0978757876868990 |
dc.subject.por.fl_str_mv |
Modulação (Eletrônica) - Classificação Redes de rádio cognitivo Redes neurais (Computação) ENGENHARIAS: ENGENHARIA ELÉTRICA Rádio cognitivo Classificação automática de modulações Redes neurais artificiais Floresta aleatória |
topic |
Modulação (Eletrônica) - Classificação Redes de rádio cognitivo Redes neurais (Computação) ENGENHARIAS: ENGENHARIA ELÉTRICA Rádio cognitivo Classificação automática de modulações Redes neurais artificiais Floresta aleatória |
description |
A subutilização do espectro de frequência é uma problema recorrente atualmente e, com o aumento da demanda de usuários que utilizam sistemas de comunicação remota, foi necessário buscar uma maneira mais eficiente de alocar usuários no espectro, surgindo assim, as técnicas que aplicam o rádio cognitivo. O rádio cognitivo, detecta buracos espectrais e aloca de maneira dinâmica usuários nestes espaços inutilizados. Com isso em vista, as técnicas de classificação automática de modulação vieram para fornecer informações a priori que auxiliam no sensoriamento do espectro. Nesta dissertação propõe-se, para classificar sinais modulados, utilizar uma gama de classificadores multiclasse supervisionados baseados em aprendizado de máquina e aprendizado profundo, com seus parâmetros pré-estabelecidos. Dentre os classificadores englobados em aprendizado de máquina, abordamos algoritmos baseados em árvore de decisão e algoritmo de classificação probabilística, Naive Bayes. Dentro do aprendizado profundo, aplicou-se redes neurais artificiais através de uma rede perceptron multicamada totalmente conectada com retropropagação utilizando algoritmo de Levenberg-Marquardt para atualização dos pesos da rede. Foram obtidos taxas de acurácia de 95,2866% e 93,1253% nos classificadores baseados em árvore de decisão, 87,4% na rede neural e 74,7845% no Naive Bayes. Na literatura foi encontrado um trabalho com base de dados semelhante qualitativamente a utilizada nesta dissertação e sua acurácia foi de 89,72%, enquanto a melhor acurácia apresentada nesta dissertação foi de 95,2866%. |
publishDate |
2019 |
dc.date.none.fl_str_mv |
2019-12-17T19:13:43Z 2019-09-11 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
VALADÃO, Myke Douglas de Medeiros. Projeto de classificadores para sistema de reconhecimento automático de modulações. 2019. 76 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2019. https://tede.ufam.edu.br/handle/tede/7569 |
identifier_str_mv |
VALADÃO, Myke Douglas de Medeiros. Projeto de classificadores para sistema de reconhecimento automático de modulações. 2019. 76 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2019. |
url |
https://tede.ufam.edu.br/handle/tede/7569 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal do Amazonas Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica |
publisher.none.fl_str_mv |
Universidade Federal do Amazonas Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFAM instname:Universidade Federal do Amazonas (UFAM) instacron:UFAM |
instname_str |
Universidade Federal do Amazonas (UFAM) |
instacron_str |
UFAM |
institution |
UFAM |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFAM |
collection |
Biblioteca Digital de Teses e Dissertações da UFAM |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM) |
repository.mail.fl_str_mv |
ddbc@ufam.edu.br||ddbc@ufam.edu.br |
_version_ |
1800234121489809408 |