Deep learning architecture for automatic modulation classification in time-varying fading and impulsive noise channels
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRN |
Texto Completo: | https://repositorio.ufrn.br/handle/123456789/46806 |
Resumo: | A classificação de modulação automática (AMC) permite identificar o tipo de modulação do sinal recebido, sendo parte fundamental no desenvolvimento de dispositivos de rádio cognitivos que adaptam o tipo de modulação às características do ambiente de comunicação. Vários tipos de pesquisas sobre AMC foram feitas com base na análise dos sinais de modulação e usando seus parâmetros para desenvolver descritores de recursos poderosos a serem usados nesta classificação automática. Recentemente, uma nova tendência apareceu relacionada ao uso de arquiteturas baseadas em aprendizado profundo para esta classificação. Assim, neste trabalho propomos a utilização de métodos baseados em deep learning para classificar o tipo de modulação de um sinal em um ambiente com desvanecimento doppler e ruído impulsivo. Estudamos e propomos um modelo baseado na CNN que se mostrou comparável aos métodos do estado da arte. |
id |
UFRN_b56f55e43c1ff01db5ba30ee155d7561 |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/46806 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Carvalho, Cassiano Perin dehttp://lattes.cnpq.br/3935921595412420http://lattes.cnpq.br/1562357566810393Silveira, Luiz Felipe de Queiroz02863206494http://lattes.cnpq.br/4139452169580807Souza, Pedro Thiago Valério deCâmara, Tales Vinícius Rodrigues de Oliveirahttp://lattes.cnpq.br/3240500979757259Gonçalves, Luiz Marcos Garcia2022-04-05T20:12:46Z2022-04-05T20:12:46Z2021-12-10CARVALHO, Cassiano Perin de. Deep learning architecture for automatic modulation classification in time-varying fading and impulsive noise channels. 2021. 61f. Dissertação (Mestrado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2021.https://repositorio.ufrn.br/handle/123456789/46806A classificação de modulação automática (AMC) permite identificar o tipo de modulação do sinal recebido, sendo parte fundamental no desenvolvimento de dispositivos de rádio cognitivos que adaptam o tipo de modulação às características do ambiente de comunicação. Vários tipos de pesquisas sobre AMC foram feitas com base na análise dos sinais de modulação e usando seus parâmetros para desenvolver descritores de recursos poderosos a serem usados nesta classificação automática. Recentemente, uma nova tendência apareceu relacionada ao uso de arquiteturas baseadas em aprendizado profundo para esta classificação. Assim, neste trabalho propomos a utilização de métodos baseados em deep learning para classificar o tipo de modulação de um sinal em um ambiente com desvanecimento doppler e ruído impulsivo. Estudamos e propomos um modelo baseado na CNN que se mostrou comparável aos métodos do estado da arte.The automatic modulation classification (AMC) allows identifying the kind of modulation of the received signal, being a key part of the development of cognitive radio devices that adapt the type of modulation to the characteristics of the communication environment. Several types of research on AMC have been done based on the analysis of the modulation signals and using its parameters for developing powerful feature descriptors to be used on this automatic classification. Recently, a new trend appears related to the use of architectures based on deep learning for this classification. Hence, in this work, we propose to use methods based on deep learning to classify the modulation type of a signal in an environment with doppler fading and impulsive noise. We studied and propose a model based on CNN that has shown to be comparable to the state-of-the-art methods.Conselho Nacional de Desenvolvimento Científico e Tecnológico - CNPqUniversidade Federal do Rio Grande do NortePROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃOUFRNBrasilAutomatic modulation classificationDeep learningCyclostationary analysisDeep learning architecture for automatic modulation classification in time-varying fading and impulsive noise channelsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALDeeplearningarchitecture_Carvalho_2021.pdfapplication/pdf11472237https://repositorio.ufrn.br/bitstream/123456789/46806/1/Deeplearningarchitecture_Carvalho_2021.pdfc91b8be17738a22a7000d25335e13e4cMD51123456789/468062022-05-02 12:32:32.785oai:https://repositorio.ufrn.br:123456789/46806Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2022-05-02T15:32:32Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Deep learning architecture for automatic modulation classification in time-varying fading and impulsive noise channels |
title |
Deep learning architecture for automatic modulation classification in time-varying fading and impulsive noise channels |
spellingShingle |
Deep learning architecture for automatic modulation classification in time-varying fading and impulsive noise channels Carvalho, Cassiano Perin de Automatic modulation classification Deep learning Cyclostationary analysis |
title_short |
Deep learning architecture for automatic modulation classification in time-varying fading and impulsive noise channels |
title_full |
Deep learning architecture for automatic modulation classification in time-varying fading and impulsive noise channels |
title_fullStr |
Deep learning architecture for automatic modulation classification in time-varying fading and impulsive noise channels |
title_full_unstemmed |
Deep learning architecture for automatic modulation classification in time-varying fading and impulsive noise channels |
title_sort |
Deep learning architecture for automatic modulation classification in time-varying fading and impulsive noise channels |
author |
Carvalho, Cassiano Perin de |
author_facet |
Carvalho, Cassiano Perin de |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3935921595412420 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1562357566810393 |
dc.contributor.referees1.none.fl_str_mv |
Souza, Pedro Thiago Valério de |
dc.contributor.referees2.none.fl_str_mv |
Câmara, Tales Vinícius Rodrigues de Oliveira |
dc.contributor.referees2Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3240500979757259 |
dc.contributor.author.fl_str_mv |
Carvalho, Cassiano Perin de |
dc.contributor.advisor-co1.fl_str_mv |
Silveira, Luiz Felipe de Queiroz |
dc.contributor.advisor-co1ID.fl_str_mv |
02863206494 |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/4139452169580807 |
dc.contributor.advisor1.fl_str_mv |
Gonçalves, Luiz Marcos Garcia |
contributor_str_mv |
Silveira, Luiz Felipe de Queiroz Gonçalves, Luiz Marcos Garcia |
dc.subject.por.fl_str_mv |
Automatic modulation classification Deep learning Cyclostationary analysis |
topic |
Automatic modulation classification Deep learning Cyclostationary analysis |
description |
A classificação de modulação automática (AMC) permite identificar o tipo de modulação do sinal recebido, sendo parte fundamental no desenvolvimento de dispositivos de rádio cognitivos que adaptam o tipo de modulação às características do ambiente de comunicação. Vários tipos de pesquisas sobre AMC foram feitas com base na análise dos sinais de modulação e usando seus parâmetros para desenvolver descritores de recursos poderosos a serem usados nesta classificação automática. Recentemente, uma nova tendência apareceu relacionada ao uso de arquiteturas baseadas em aprendizado profundo para esta classificação. Assim, neste trabalho propomos a utilização de métodos baseados em deep learning para classificar o tipo de modulação de um sinal em um ambiente com desvanecimento doppler e ruído impulsivo. Estudamos e propomos um modelo baseado na CNN que se mostrou comparável aos métodos do estado da arte. |
publishDate |
2021 |
dc.date.issued.fl_str_mv |
2021-12-10 |
dc.date.accessioned.fl_str_mv |
2022-04-05T20:12:46Z |
dc.date.available.fl_str_mv |
2022-04-05T20:12:46Z |
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.citation.fl_str_mv |
CARVALHO, Cassiano Perin de. Deep learning architecture for automatic modulation classification in time-varying fading and impulsive noise channels. 2021. 61f. Dissertação (Mestrado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2021. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/handle/123456789/46806 |
identifier_str_mv |
CARVALHO, Cassiano Perin de. Deep learning architecture for automatic modulation classification in time-varying fading and impulsive noise channels. 2021. 61f. Dissertação (Mestrado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2021. |
url |
https://repositorio.ufrn.br/handle/123456789/46806 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.publisher.program.fl_str_mv |
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/46806/1/Deeplearningarchitecture_Carvalho_2021.pdf |
bitstream.checksum.fl_str_mv |
c91b8be17738a22a7000d25335e13e4c |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1802117904051732480 |