Deep learning architecture for automatic modulation classification in time-varying fading and impulsive noise channels

Detalhes bibliográficos
Autor(a) principal: Carvalho, Cassiano Perin de
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

Registros relacionados