تشخیص خودکار مدولاسیون طیف سیگنال با استفاده از شبکه کانولوشن دوگانه

تشخیص خودکار شکل موج به دلیل مزایای آن، مانند افزایش قابلیت اطمینان و حساسیت، به طور گسترده در سیستم های راداری و ارتباطات طیف گسترده استفاده شده است. شناسایی مدولاسیون سیگنال های دریافتی به شناسایی فرستنده های مهاجم مختلف کمک می کند. با استفاده از انواع مدولاسیون، ویژگی های قوی باید از سیگنال های دریافتی با استفاده از شبکه های عصبی عمیق معاصر استخراج شوند. هدف از این مقاله ارائه یک شبکه دوگانه برای طبقه بندی خودکار مدولاسیون ها می باشد. رویکرد پیشنهادی شامل دو مسیر است: یکی برای استخراج ویژگی متنی از نمایش فرکانس زمانی و دیگری برای استخراج ویژگی از سیگنال‌های حوزه زمان. نمایشchoi-williams برای توصیف تحلیل زمان-فرکانس استفاده می‌شود و یک شبکه عصبی کانولوشنال ترکیبی برای شناسایی مدولاسیون سیگنال دریافتی ایجاد می‌شود. یک مجموعه داده تصویر مصنوعی برای آموزش بافت بصری تولید می‌شود و برای ارزیابی مدل استفاده می‌شود. نتایج تجربی مزیت روش پیشنهادی را در دقت نشان می‌دهد.

automatic detection of signal spectrum modulation using dual convolution network

automatic waveform recognition has been widely adopted in radar systems and spread spectrum communications due to its advantages, such as increased reliability and sensitivity. identifying the modulation of received signals helps to recognize different invader transmitters. using a variety of modulation types, robust features must be extracted from received signals using contemporary deep neural networks. the purpose of this paper is to present a dual network for automatic classification of modulations. the suggested approach comprises of two pipelines: one for contextual feature extraction from time-frequency representation and the other for feature extraction from time-domain signals. choi-williams representation is employed to describe time-frequency analysis, and a hybrid convolutional neural network is created to identify received signal modulation. an artificial picture dataset is produced to train visual context, and is utilized to evaluate the model. experimental results demonstrate the advantage of the proposed method on accuracy that we will clearly show in this article.