No/VOL: 05/2023 Page no. 93
Authors: Mohamed Mahieddine , Abdesselam Bassou , Sid Chouakri , Nesrine Mellah , Mustapha Khelifi :
Title: Wykrywanie widma i rozpoznawanie modulacji przy użyciu nowatorskiego modelu CNN Deep Learning i techniki transferu uczenia
Abstract: Niewłaściwe wykorzystanie pasm częstotliwości prowadzi do niedoboru widma. Radio kognitywne jawi się jako naturalne rozwiązanie tego problemu. Dobra eksploatacja widma częstotliwości zaczyna się od dobrego wykrywania za pomocą różnych technik, z których każda ma swoje zalety i ograniczenia. W tym artykule pracowaliśmy nad poprawą dokładności detekcji widma poprzez opracowanie nowego modelu cnn i transferu uczenia się danych, a także wykorzystaliśmy technikę automatycznego rozpoznawania modulacji, aby upewnić się, że wcześniejsza wiedza o danych pomogła w poprawie jakości detekcji i wydajność modelu cnn. nasza metoda opiera się na trzech aspektach zatytułowanych aspekt1, aspekt2 i aspekt3. W aspekcie 1 wyszkoliliśmy model do wstępnego rozpoznawania modulacji z 11 klasami. W aspekcie 2 model został przeszkolony z klasami holowniczymi i wykonał wykrywanie widma. W aspekcie 3 wykorzystaliśmy wstępnie wytrenowany model z aspektu 1, aby przeprowadzić wykrywanie widma z danymi z aspektu 2. Wytrenowaliśmy model z wieloma typami sygnałów z zestawu danych RadioML2016.10a, a także wygenerowanymi przez nas danymi szumu. Używamy również strategii uczenia się transferu, aby poprawić wydajność modelu wykrywania. Wyniki pokazują, że byliśmy w stanie osiągnąć maksymalną dokładność 97,22% dla wykrywania i 99% dla klasyfikacji modulacji jako najlepszą dokładność, która jest bardzo konkurencyjna i lepsza niż wiele innych proponowanych technik.
Key words: głębokie uczenie, radio kognitywne