Остання редакція: 2025-04-24
Анотація
У роботі розглянуто методи оцінювання модуляції телекомунікаційних сигналів із використанням штучних нейронних мереж. Проаналізовано можливості застосування кумулянтних ознак для ідентифікації видів цифрової модуляції та розроблено архітектуру нейронної мережі, оптимізовану для цієї задачі. Запропоновано алгоритм одночасного розпізнавання модуляції та оцінки параметрів сигналу, що дозволяє підвищити адаптивність систем зв’язку. Отримані результати можуть бути використані для вдосконалення методів аналізу радіосигналів у когнітивному радіо, системах радіомоніторингу та адаптивних телекомунікаційних мережах.
METHODS FOR ESTIMATING MODULATION OF TELECOMMUNICATION SIGNALS USING ARTIFICIAL NEURAL NETWORK
Abstract: The paper considers methods for estimating the modulation of telecommunication signals using artificial neural networks. The possibilities of using cumulative features to identify types of digital modulation are analysed and a neural network architecture optimised for this task is developed. An algorithm for simultaneous modulation recognition and signal parameter estimation is proposed, which allows increasing the adaptability of communication systems. The obtained results can be used to improve the methods of radio signal analysis in cognitive radio, radio monitoring systems and adaptive telecommunication networks.
Ключові слова
Посилання
1. Dudczyk J. Applying the radiated emission to the radio-electronic devices identification // Dissertation thesis, Department of Electrical, Military University of Technology, 2004 (Polish).
2. Dudczyk J. Radar emission sources identification based on hierarchical agglomerative clustering for large data sets // Journal of Sensors, 2016. pp. 1–9.
3. Jais I.K.M., Ismail A.R., Nisa S.Q. Adam optimization algorithm for wide and deep neural network / // Knowledge Engineering and Data Science, 2019, pp. 41–46.
4. El-Khoribi R.A., Shoman M.A.I., Mohammed A.G.A. Automatic digital modulation recognition using artificial neural network in cognitive radio // International Journal of Emerging Trends of Technology in Computer Science (IJETTCS), May – June 2014, Vol. 3. – Issue 3. pp. 132–136.
5. Shahnaz A., Moniri M.R. Automatic modulation recognition and classification for digital modulated signals based on ANN algorithms // Journal of Multidisciplinary Engineering Science and Technology (JMEST), 2016, Vol. 3, Issue 12. pp. 6230–6235.
6. Prakasam P., Madheswaran M. Digital Modulation Identification Algorithm for Adaptive Demodulator in Software Defined Radios Using Wavelet Transform // International Scholarly and Scientific Research & Innovation 3(11) 2009. pp. 544–551.
7. Stefanidi A. etc. Application of convolution neural networks for multimodal identification task / Stefanidi A., Topnikov A., Tupitsin G., Priorov A. // 26th Conference of Open Innovations Association (FRUCT). – IEEE, 2020. – C. 423–428.
8. Domhan T., Jost T.S., Frank H. Speeding up automatic hyperparameter optimization of deep neural networks by extrapolation of learning curves // Twenty-fourth international joint conference on artificial intelligence. 2015. pp. 3–33.
9. Thara D.K., Premasudha B.G., Xiong F. Auto-detection of epileptic seizure events using deep neural network with different feature scaling techniques // Pattern Recognition Letters, 2019, pp. 544–550.
10. Khairul N.A.H, Abdul S.M.J., Ahmad F.A.F. Data pre-processing algorithm for neural network binary classification model in bank tele-Marketing // International Journal of Innovative Technology and Exploring Engineering (IJITEE), 2020, № 9(3), pp. 272– 277.