Resumen

Con el desarrollo de la tecnología de inteligencia artificial, el aprendizaje profundo se ha aplicado a la clasificación automática de modulación (AMC) y se han obtenido muy buenos resultados. En este artículo, introducimos una arquitectura neuronal profunda mejorada para implementar tareas de identificación de señales de radio, que es una faceta importante de la construcción de la capacidad de detección del espectro requerida por la radio definida por software. La arquitectura de la red propuesta se basa en la red Inception-ResNet cambiando los diversos tamaños de núcleo y los tiempos de repetición de los módulos para adaptarse a la clasificación de la modulación. Los módulos de la arquitectura propuesta se repiten más veces para aumentar la profundidad de la red neuronal y la capacidad del modelo para aprender características. Los módulos de la red propuesta combinan las ventajas de la red Inception y la ResNet, que tienen una velocidad de convergencia más rápida y un campo receptivo mayor. El experimento realizado en este artículo demuestra que la red propuesta tiene un rendimiento excelente en la clasificación de modulaciones. El experimento muestra que la precisión de clasificación del método propuesto es mayor con la variación de la SNR entre los seis métodos y alcanza un máximo del 93,76% cuando la SNR es de 14 dB, que es un 6% superior a la de LSTM y un 13% superior a la de MentorNet, Inception y ResNet puramente. Además, la precisión media de 0 a 18 dB del método propuesto es un 3% superior a la de la red GAN. Proporcionará una nueva idea para la clasificación de la modulación dirigida a la señal de tiempo de distracción.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:clasificación de modulación, módulos, red, porcentaje, arquitectura neuronal profunda mejorada, tareas de identificación de señales de radio, tecnología de inteligencia artificial, clasificación automática de modulación, señal de tiempo de distracción, velocidad de convergencia más rápida
• Keywords:modulation classification, modules, network, percent, improved deep neural architecture, radio signal identification tasks, artificial intelligence technology, automatic modulation classification, distraction time signal, faster convergence rate