تشخیص مدولاسیون خودکار تعمیم‌یافته برای شبکه‌های رادیویی شناختی

دسته‌بندی مدولاسیون خودکار (amc) نقشی اساسی در سیستم‌های ارتباطی دفاعی و نظامی ایفا می‌کند، به ویژه در سناریوهایی که سازگاری، انعطاف‌پذیری و قابلیت اطمینان حیاتی هستند. در شبکه‌های رادیویی شناختی، amc شناسایی بلادرنگ طرح‌های مدولاسیون را امکان‌پذیر می‌سازد، که برای نظارت موثر طیف، کاهش تداخل، و ارتباطات امن در محیط‌های پویا و رقابتی ضروری است.در این مطالعه با توسعه یک شبکه عصبی کانولوشنال تطبیقی با کیفیت سیگنال (sqacnn)، مدلی برای دسته‌بندی دقیق‌تر و مقاوم‌تر مدولاسیون‌های سیگنال رادیویی ارائه داده است. هدف اصلی، ایجاد مدلی است که با کیفیت سیگنال‌های ورودی هماهنگ شود و تاثیر نویز را کاهش دهد. بدین منظور، از تابع زیان تطبیقی استفاده شده تا زیان آنتروپی متقاطع را با عوامل منظم‌سازی، شامل ضریب پخش‌شدگی سیگنال، ضریب فشردگی ویژگی و ضریب تنظیم snr ترکیب کند. با استفاده از مجموعه‌داده ارزیابی، دقت دسته‌بندی مدل در طول snr های مختلف مورد ارزیابی قرار گرفت که مشاهده گردید، مدل پیشنهادی sqacnnدارای پیشرفت‌های چشمگیری در دقت دسته‌بندی با دقت کلی 71.03 درصد و همچنین با حفظ دقت مطلوب به‌خصوص در شرایط snr پایین، استحکام و پایداری مدل مورد تایید می‌گیرد. این تحقیق نشان‌دهنده اثربخشی ترکیب معیارهای کیفیت سیگنال در فرایند یادگیری است و آن را به ابزاری مفید برای کاربردهای پردازش سیگنال در دنیای واقعی تبدیل می‌کند

generalized automatic modulation classification for cognitive radio networks

automatic modulation classification (amc) plays a fundamental role in defense and military communication systems، particularly in scenarios where adaptability، flexibility، and reliability arecritical. in cognitive radio networks، amc enables real-time identification of modulation schemes، which is essential for effective spectrum monitoring، interference mitigation، and securecommunications in dynamic and competitive environments. in this study، we propose a model formore accurate and robust classification of radio signal modulations by developing a signal qualityadaptive convolutional neural network (sqacnn). the primary goal is to create a model thatadapts to the quality of input signals and mitigates the impact of noise. to this end، an adaptive lossfunction is employed to combine cross-entropy loss with regularization factors، including signaldispersion coefficient، feature compression coefficient، and snr adjustment factor. using abenchmark dataset، the model’s classification accuracy was evaluated across different snr levels،demonstrating that the proposed sqacnn model achieves significant improvements in classificationaccuracy، with an overall accuracy of 71.03%، while maintaining satisfactory performance particularlyunder low snr conditions. this study highlights the effectiveness of incorporating signal qualitymetrics into the learning process، rendering it a valuable tool for real-world signal processingapplications.