Resumen

La identificación de modulación de señal (IMS) siempre ha sido uno de los temas candentes en multicarrier de banco de filtros con modulación de amplitud en cuadratura con desfase (FBMC/OQAM), que generalmente se implementa mediante extracción de características basada en aprendizaje automático. Sin embargo, es difícil para los métodos convencionales extraer la característica de la señal, lo que resulta en una probabilidad limitada de clasificación correcta (PCC). Para abordar este problema, presentamos un nuevo método de IMS basado en aprendizaje profundo para identificar señales FBMC/OQAM en este artículo. Cabe destacar que la repetición de bloques se emplea en el sistema FBMC/OQAM para lograr la cancelación de interferencias imaginarias. En la técnica de IMS propuesta basada en aprendizaje profundo, las muestras en fase y en cuadratura de las señales FBMC/OQAM son entrenadas por la red neuronal convolucional. Posteriormente, se diseña la capa de eliminación para prevenir el sobreajuste y mejorar la precisión de identificación. Para evaluar el esquema propuesto, se realizan experimentos extensos utilizando conjuntos de datos con diferentes modulaciones. Los resultados muestran que el método propuesto puede lograr una mayor precisión que los métodos convencionales.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Identificación de modulación de señal; FBMC/OQAM; Aprendizaje profundo; Extracción de características; Red neuronal convolucional; Precisión de identificación.
• Keywords:Signal modulation identification; FBMC/OQAM; Deep learning; Feature extraction; Convolutional neural network; Identification accuracy