بررسی روشهای طبقه بندی مدولاسیون با استفاده از یادگیری عمیق

طبقه بندی مدولاسیون یکی از وظایف مهم در نظارت، مدیریت و کنترل سیستم های ارتباطی است که برای بهبود استفاده از طیف، تنظیم انتقالات تطبیقی و کاهش تداخل به کار می رود. در سال های اخیر، استفاده از یادگیری عمیق (DL) در این حوزه به دلیل توانایی بالا در استخراج ویژگی ها و افزایش دقت طبقه بندی، مورد توجه زیادی قرار گرفته است. یکی از چالش های اصلی در این روش ها، پردازش اولیه سیگنال دریافتی و تبدیل آن به فرمتی مناسب برای ورود به شبکه های عصبی عمیق است. این مقاله یک بررسی جامع از جدیدترین روش های یادگیری عمیق برای طبقه بندی مدولاسیون ارائه می دهد و به طور خاص بر نحوه ی نمایش سیگنال و پیش پردازش داده ها تمرکز دارد. سیگنال های دریافتی می توانند به چهار روش مختلف نمایش داده شوند: ویژگی های عددی، تصاویر، دنباله های زمانی، یا ترکیبی از این سه روش. در این مقاله، این چهار دسته از روش های نمایش سیگنال بررسی شده اند و مزایا و معایب هر یک مورد بحث قرار گرفته است.

کلیدواژه ها:

یادگیری عمیق (DL) ، نمایش ویژگی ها ، نمایش تصویر ، طبقه بندی مدولاسیون ، نمایش دنباله ها