بهبود دقت تشخیص خودکار مدولاسیون درون پالسی در محیط هایی با نسبت سیگنال به نویز پایین با یادگیری عمیق ترکیبی فضایی-زمانی

تشخیص خودکار مدولاسیون (AMR) یک وظیفه اساسی در رادیوی شناختی، پایش طیف و سیستم های ارتباطی مدرن است در حالی که مدل های تشخیص خودکار مدولاسیون مبتنی بر یادگیری عمیق موفقیت چشمگیری نشان داده اند عملکرد آن ها در سناریوهای با نسبت سیگنال به نویز (SNR) پایین به شدت تنزل می یابد که این امر مانع استقرار عملی آن ها می شود. این مقاله با ارائه یک معماری ترکیبی یادگیری عمیق بهبودیافته این چالش حیاتی را مورد توجه قرار می دهد که به طور هم زمان شبکه های عصبی کانولوشنی (CNN)، شبکه های حافظه بلندمدت کوتاه مدت دوطرفه (BiLSTM) و واحدهای بازگشتی دروازه ای (GRU) را برای استخراج ویژگی های فضایی زمانی قوی از نمونه های خام فاز هم فاز (IQ) ترکیب می کند. مدل ما بر پایه چارچوب شبکه عصبی عمیق LSTM چندکاناله (MCLDNN) بنا شده اما یک مکانیسم حافظه اصلاح شده را معرفی می کند که در آن شبکه های حافظه بلندمدت کوتاه مدت دوطرفه وابستگی های بافتاری بلندمدت را در هر دو جهت جلو و عقب ثبت می کند و واحدهای بازگشتی دروازه ای پویایی های زمانی را با یک مکانیسم دروازه ای پالایش می کند که منجر به بازنمایی ویژگی متمایزکننده تر تحت تخریب نویز می شود. ما معماری پیشنهادی را با استفاده از مجموعه داده RadioML شامل ۱۱ نوع مدولاسیون در محدوده وسیعی از سیگنال به نویز (۲۰ دسی بل تا ۱۸- دسی بل) به طور دقیق ارزیابی می کنیم. نتایج تجربی نشان می دهد که مدل ما از مدل پایه MCLDNN و دیگر مدل های پیشرفته به ویژه در رژیم سیگنال به نویز پایین تا متوسط (۱۲- دسی بل تا ۶ دسی بل)، عملکرد بهتری دارد و به دقت آزمون ۶۵.۵ درصد دست می یابد و تعمیم پذیری برتری در میان طرح های مدولاسیون چالش برانگیز نشان می دهد. مشارکت های کلیدی این کار عبارتند از معماری ترکیبی جدید MCLDNN-BiLSTM-GRU که به طور خاص برای AMR در کانال های پرنویز بهینه سازی شده، یک تحلیل تجربی جامع که نقش های مکمل BiLSTM و GRU را در یادگیری امضاهای فضایی-زمانی قوی نشان می دهد.

کلیدواژه ها:

تشخیص خودکار مدولاسیون ، شبکه های عصبی کانولوشنی ، حافظه بلندمدت کوتاه مدت ، فرکانس رادیویی