تشخیص مدولاسیون خودکار تعمیم‌یافته برای شبکه‌های رادیویی شناختی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه مخابرات، دانشکده برق و کامپیوتر، دانشگاه جامع امام حسین (ع)، تهران، ایران

2 دانشجوی کارشناسی ارشد مخابرات سیستم، دانشکده رایانه، شبکه و ارتباطات، دانشگاه جامع امام حسین (ع)، تهران

3 استادیار گروه ارتباطات و شبکه، دانشکده رایانه، شبکه و ارتباطات، دانشگاه جامع امام حسین (ع)، تهران، ایران

چکیده

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 تأثیر 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 03/71 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

کلیدواژه‌ها

موضوعات

فایل ها

هم رسانی

ارجاع به این مقاله

آمار