Tự động nhận dạng điều chế dưới tác động của nhiễu pha-đinh đa đường sử dụng kỹ thuật học sâu

Bài viết trình bày phương pháp nhận dạng tín hiệu dựa trên các mô hình mạng nơ ron tích chập và khảo sát độ chính xác khi nhận dạng tín hiệu điều chế. Các kết quả mô phỏng cho độ chính xác cao so với các mô hình phân loại tín hiệu trong điều kiện tín hiệu chỉ chịu tác động của nhiễu tạp âm trắng.
Nội dung trích xuất từ tài liệu:
Tự động nhận dạng điều chế dưới tác động của nhiễu pha-đinh đa đường sử dụng kỹ thuật học sâu Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) Tự động nhận dạng điều chế dưới tác động của nhiễu pha-đinh đa đường sử dụng kỹ thuật học sâu Lê Hà Khánh1, Đoàn Văn Sáng2, Hoàng Văn Phúc1 và Đào Thị Thủy1 1 Viện Tích hợp hệ thống, Học viện Kỹ thuật Quân sự Số 236 Hoàng Quốc Việt, Quận Bắc Từ Liêm, Hà Nội 2Học viện Hải Quân, Nha Trang, Khánh Hòa Email: phuchv@mta.edu.vn Tóm tắt— Tự động phân loại điều chế tín hiệu (Automatic Gần đây, học sâu (DL: Deep learning) là một nhánh của Modulation Classification: AMC) đã được nghiên cứu trong máy học và đã đạt được thành công đáng kể vì khả năng hơn một phần tư thế kỷ. Tuy nhiên, việc thiết kế một bộ phân phân loại tuyệt vời của nó. DL đã được áp dụng trong nhiều loại hoạt động tốt trong môi trường nhiễu và các điều kiện lĩnh vực như phân loại hình ảnh, nhận dạng khuôn mặt, và xử khác nhau là rất khó khăn. Gần đây, các phương pháp học tập lý ngôn ngữ tự nhiên. Một số mạng DL điển hình như mạng sâu được áp dụng cho các hệ thống AMC và đạt được các kết nơ-ron tích chập (CNN: Convolutional Neural Network), quả cao trong việc cải thiện độ chính xác trong phân loại tín mạng dư (RNN: Residual Neural Network) hay mạng hiệu. Trong bài viết này, chúng tôi khảo sát các mô hình phân CLDNN (Convolutional Long Short-term Deep Neural loại ứng dụng các mạng nơ rơn tích chập để phân loại 26 dạng Network) đã được áp dụng trong AMC [1]. Độ chính xác tín hiệu điều chế dưới tác động của năm loại môi trường nhiễu pha-đinh khác nhau với SNR từ -20 dB đến +18 dB. Bài báo phân loại của các phương pháp dựa trên DL đã được chứng trình bày phương pháp nhận dạng tín hiệu dựa trên các mô minh là cao hơn các phương pháp phân loại khác, đặc biệt là hình mạng nơ ron tích chập và khảo sát độ chính xác khi nhận khi tỷ lệ tín hiệu trên nhiễu (SNR) thấp. dạng tín hiệu điều chế. Các kết quả mô phỏng cho độ chính xác Bảng I: Tập dữ liệu HisarMod2019.1 [2]. cao so với các mô hình phân loại tín hiện trong điều kiện tín hiệu chỉ chịu tác động của nhiễu tạp âm trắng. Một số mô hình Loại điều chế Các kiểu điều chế như ResNet, SqueezeNet cho độ chính xác cao hơn 97,5% cho AM-DSB SNR > +2 dB. AM-SC Keywords—Tự động phân loại điều chế, học sâu, mạng nơ AM-USB Analog ron tích chập (CNN). AM-LSB FM I. GIỚI THIỆU PM 2-FSK Tự động phân loại tín hiệu điều chế (AMC: Automatic 4-FSK Modulation Classification) là một quy trình để xác định sơ FSK 8-FSK đồ điều chế của tín hiệu vô tuyến. Đây là một bước trung gian giữa phát hiện tín hiệu và giải điều chế. Tuy nhiên, rất 16-FSK khó để thiết kế một bộ phân loại tín hiệu hoạt động tốt trong 4-PAM các điều kiện nhiễu khác nhau, đặc biệt là ảnh hưởng nhiễu PAM 8-PAM pha đinh đa đường. Các thuật toán AMC đã được nghiên cứu 16-PAM rộng rãi trong hơn 20 năm qua. Nhìn chung, các thuật toán BPSK AMC cổ điển có thể được chia thành hai loại: dựa trên tỷ lệ QPSK hợp lệ (LB: Likelihood-based) và dựa trên các đặc trưng (FB 8-PSK Feature based). Các phương thức LB dựa trên khả năng của PSK 16-PSK tín hiệu nhận được và các phương thức FB phụ thuộc vào 32-PSK thiết kế phân loại và phân loại các đặc trưng tín hiệu. Phương 64-PSK pháp phân loại điều chế LB là so sánh giá trị tỷ lệ khả năng của tín hiệu nhận được trong nhóm điều chế được xem xét. 4-QAM Nó cũng đã được sử dụng trong môi trường đa kênh để ước 8-QAM tính các tham số không xác định và cung cấp kết quả nổi bật 16-QAM để phân loại điều chế. Các phương thức LB cần biết được QAM ...