Radyo Haberleşmesinde Evrişimli Sinir Ağı Kullanılarak Yapılan Modülasyon Sınıflandırması

Year 2022, Volume: 34 Issue: 2, 867 - 877, 30.09.2022

Bircan Çalışır

https://doi.org/10.35234/fumbd.1141515

Cited By: 1

Abstract

Bu çalışmada, radyo iletişim sinyalleri için modülasyon tipi sınıflandırması amaçlanmış ve derin öğrenmenin sınıflandırma performansı üzerindeki etkisi incelenmiştir. Ayrıca bu çalışmada, modülasyon sınıflandırmasında bir evrişimsel sinir ağının (Convolutional Neural Network-CNN) nasıl kullanılacağı araştırılmaktadır. İlk olarak, sentetik, kanal-bozulmuş dalga biçimleri oluşturulur. Üretilen dalga formlarını veri olarak kullanan bir CNN eğitilir, ardından modülasyon sınıflandırması yapılır. Sonunda, CNN'yi test etmek için Yazılım Tanımlı Radyo (SDR) donanımı ve havadan alınan sinyaller (kablosuz) kullanılır. Simülasyonda taşıyıcı frekans kayması, sembol hızı, çok yollu sönümleme, gecikme yayılımı ve termal gürültünün farklı etkileri göz önünde bulundurulmaktadır. Tüm bu etkiler tam olarak uygun bir şekilde modellenebilir ve ayrıca burada çalışmamızın kapsamı dışında sentetik olarak modellenebilecek birçok ek yayılma etkisi vardır. Bu çalışmada eğitilen CNN; İkili faz kaydırmalı anahtarlama (BPSK), dörtlü faz kaydırmalı anahtarlama (QPSK), (8-PSK), 16 dörtlü genlik modülasyonu (QAM), 64 QAM, 4 darbeli genlik modülasyonu (PAM4), gauss frekans kaydırmalı anahtarlama (GFSK), sürekli faz frekans kaydırmalı anahtarlama (CPFSK), yayın FM (B-FM), çift yan bant genlik modülasyonu (DSB-AM), tek yan bant genlik modülasyonu (SSB-AM) şeklindeki modülasyon tiplerini tanımlamak için kullanılır. Eğitilmiş CNN, 1024 ve 512 örnek için her bir çerçevenin modülasyon tipi hakkında tahminde bulunur ve karşılaştırmalar yapar. Bu araştırmada gösterilen performans ödünleşimleri, veri sembolleri ve eğitim sembolleri üretimindeki temel parametreleri dikkate alır, algılamayı geliştirir ve bu tür sistemlerin optimizasyonu üzerine gelecekteki çalışmalara odaklanır.

Keywords

CNN, DL, Modülasyon

References

• [1] Timothy J. O, Pemula L, Batra D, Charles C. T. Radio transformer networks: Attention models for learning to synchronize in wireless systems. In Signals, Systems and Computers, 2016; IEEE 50th Asilomar Conference on; pp. 662-666.
• [2]He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. CoRR, abs/1512.03385, 2015.
• [3] Goodfellow I, Bengio Y, and Courville A, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.
• [4] Lowe D. G, Distinctive image features from scale-invariant keypoints, International Journal Computer Vision, vol. 60, no. 2, pp. 91–110, 2004.
• [5] Vidal-Naquet M, Ullman S. Object recognition with informative features and linear classification, in Proc. Int. Conf. Comput. Vis., 2003, vol. 3, pp. 281–288.
• [6] Imai S. Cepstral analysis synthesis on the mel frequency scale. Proc. IEEE Int. Conf. Acoust., Speech, Signal Process., 1983, vol. 8, pp. 93–96.
• [7] OShea T. J, Corgan J, Clancy T. C. Convolutional radio modulation recognition networks. Proc. Int. Conf. Eng. Appl. Neural Netw., 2016, pp. 213–226.
• [8] O’Shea T, Hoydis J. An introduction to deep learning for the physical layer. IEEE Trans. Cogn. Commun. Netw., vol. 3, no. 4, pp. 563–575, 2017.
• [9] Razavian A. S, Azizpour H, Sullivan J, Carlsson S. CNN features off-the-shelf:An astounding baseline for recognition. Proc. IEEE Conf. Comput. Vis. Pattern Recognit. Workshops, 2014, pp. 806–813.
• [10] O'Shea, T. J, Roy T, Clancy T. C. Over-the-Air Deep Learning Based Radio Signal Classification. IEEE Journal of Selected Topics in Signal Processing. Vol. 12, Number 1, 2018, pp. 168–179.
• [11] Chen T, Guestrin C. Xgboost: A scalable tree boosting system. Proc. 22nd ACM SIGKDD Int. Conf. Knowl. Discovery Data Mining, 2016, pp. 785–794.
• [12] Spooner, C. M, Mody A. N, Chuang J, Petersen J. Modulation recognition using second-and higher-order cyclostationarity. Proc. 2017 IEEE Int. Symp. Dyn. Spectr. Access Netw., 2017, pp. 1–3.
• [13] Abdelmutalab A, Assaleh K, El-Tarhuni M. Automatic modulationclassification based on high order cumulants and hierarchical polynomialclassifiers. Phys. Commun., vol. 21, pp. 10–18, 2016.
• [14] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv:1409.1556, 2014.
• [15] Gui G, et al. Flight delay prediction based on aviation big data and machine learning. IEEE Trans. Veh. Technol., vol. 69, no. 1, pp. 1065– 1069, 2020.
• [16] Mao B, Fadlullah Z. Md, Tang F, Kato N, Akashi O, Inoue T, Mizutani K. Routing or computing? The paradigm shift towards intelligent computer network packet transmission based on deep learning. IEEE Trans. Comput., vol. 66, no. 11, pp. 1946–1960, Nov. 2017.
• [17] Tang F, Fadlullah Z. M, Mao B, Kato N. An intelligent traffic load prediction-based adaptive channel assignment algorithm in SDNIoT: A deep learning approach. IEEE Internet Things Journal, vol. 5, no. 6, pp. 5141–5154, 2018.
• [18] Gacanin H. Autonomous wireless systems with artificial intelligence: A knowledge management perspective. IEEE Veh. Technology Magazine, vol. 14, no. 1, pp. 51–59, 2019.
• [19] Sun J, Shi W, Han Z, Yang J, Gui G. Behavioral modeling and linearization of wideband RF power amplifiers using BiLSTM networks for 5G wireless systems. IEEE Trans. Veh. Technol., vol. 68, no. 11, pp. 10348–10356, 2019.
• [20] Gui G, Huang H, Song Y, Sari H. Deep learning for an effective nonorthogonal multiple access scheme. IEEE Trans. Veh. Technol., vol. 67, no. 9, pp. 8440–8450, 2018.
• [21] Huang H., et al. Deep learning for super-resolution channel estimation and DOA estimation based massive MIMO system. IEEE Trans. Veh. Technol., vol. 67, no. 9, pp. 8549–8560, Sept. 2018.
• [22] Huang H, Song Y, Yang J, Gui G. Deep-learning-based millimeterwave massive MIMO for hybrid precoding. IEEE Trans. Veh. Technol. vol. 68, no. 3, pp. 3027–3032, Mar. 2019.
• [23] Huang H. et al. Deep learning for physical-layer 5G wireless techniques: Opportunities, challenges and solutions. IEEE Wirel. Commun., in press, doi: 10.1109/MWC.2019.1900027.
• [24] Huang H, Peng Y, Yang J, Xia W, Gui G. Fast beamforming design via deep learning. IEEE Trans. Veh. Technol., vol. 69, no. 1, pp. 1065–1069, 2020.
• [25] Sun X, Gui G, Liu R, Li Y, An Y. ResInNet: A novel deep neural network with feature reuse for internet of things. IEEE Internet of Things J., vol. 6, no. 1, pp. 679–691, 2019.
• [26] Sun X, Li Y, Gui G. Sari H. Echo-state restricted Boltzmann machines: A perspective on information compensation. IEEE Access, vol. 7, no. 1, pp. 16281–16290, 2019.
• [27] Xie W, Hu S, Yu C, Zhu P, Peng X, Ouyang J. Deep learning in digital modulation recognition using high order cumulants. IEEE Access, vol. 7, pp. 63760–63766, 2019.
• [28] Wang D., et al. Modulation format recognition and osnr estimation using cnn-based deep learning. IEEE Photon. Technol. Lett., vol. 29,no. 19, pp. 1667–1670, 2017.
• [29] Wang Y, Liu M, Yang J, Gui G. Data-driven deep learning for automatic modulation recognition in cognitive radios. IEEE Trans. Veh. Technol., vol. 68, no. 4, pp. 4074–4077, 2019.
• [30] Wang W. et al. LightAMC: Lightweight automatic modulation classification using deep learning and compressive sensing. IEEE Trans. Veh. Technol., in press, doi: 10.1109/TVT.2020.2971001