Resumen

Con el rápido avance de la inteligencia artificial (IA) y el aprendizaje automático (ML), la clasificación automática de la modulación (AMC) mediante técnicas de aprendizaje profundo (DL) se ha hecho muy popular. Esto es aún más relevante para los sistemas inalámbricos asistidos por el Internet de las cosas (IoT). Este artículo presenta un modelo de conjunto ligero con capas de convolución, memoria a corto plazo (LSTM) y unidad recurrente cerrada (GRU). El modelo propuesto se denomina red convolutiva recurrente profunda con capa cerrada adicional (DRCaG). Se ha probado en un conjunto de datos derivados del RadioML2016(b) y comprende 8 tipos de modulación diferentes denominados BPSK, QPSK, 8-PSK, 16-QAM, 4-PAM, CPFSK, GFSK y WBFM. El rendimiento del modelo propuesto se ha presentado a través de una extensa simulación en términos de pérdida de entrenamiento, precisión y matriz de confusión con una relación señal/ruido (SNR) variable que va de -20 dB a 20 dB y demuestra la superioridad de DRCaG frente a los existentes.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:modelo propuesto, unidad recurrente cerrada, términos de entrenamiento, memoria de corto plazo, capa cerrada adicional, clasificación automática de la modulación, sistema inalámbrico asistido por iot, internet de las cosas, diferente tipo de modulación, superioridad de drcag
• Keywords:proposed model, gated recurrent unit, terms of training, short terms memory, additional gated layer, automatic modulation classification, iot)-assisted wireless system, internet of things, different modulation type, superiority of drcag