Rápido Reconhecimento de Modulações Analógicas e Digitais via Redes Residuais Profundas
1 mar. 2020·,·
1 minutos de leitura
Jorge K. S. Kamassury
Vinícius F. O. Da Silva
Resumo
O reconhecimento automático de modulação (AMR), empregado em sistemas de comunicação para o processo de demodulação no receptor, tem notáveis aplicações nos contextos militar e civil. Todavia, em virtude do elevado desenvolvimento de técnicas de comunicação sem fio, a quantidade de métodos e parâmetros de modulação tem aumentado rapidamente, tornando o reconhecimento de modulação uma tarefa desafiadora. Esse aspecto torna-se ainda mais agravante pelo fato de que os métodos convencionais exigem quase sempre o conhecimento prévio dos parâmetros do canal e do sinal, podendo ser imprecisos até mesmo para condições moderadas. Para sistemas de comunicação sem fio, onde os esquemas de modulação mudam conforme o ambiente, a necessidade de AMR é indiscutível, exigindo novas abordagens como o uso de técnicas de aprendizado de máquina, especialmente redes neurais convolucionais. Na prática, um dos grandes desafios dessas redes reside no elevado tempo de treinamento, o que dificulta aplicação em tempo real. Visando um trade-off entre desempenho e tempo de treinamento, projetamos duas arquiteturas de redes residuais profundas que exigem menos tempo para treinamento e retornam desempenhos equivalentes às mais recentes arquiteturas da literatura.
Tipo
Publicação
Anais do XIV Simpósio Brasileiro de Engenharia Física, 1ª ed., Ponta Grossa: Atena Editora, v. 1, p. 83–97
Estudo que aplica redes residuais profundas (ResNet) para reconhecimento automático de modulações (AMR) em sinais de comunicação analógicos e digitais. O trabalho foca no trade-off entre desempenho de reconhecimento e tempo de treinamento, problema crítico para aplicações em tempo real. Duas arquiteturas ResNet foram projetadas, obtendo desempenhos equivalentes às mais recentes arquiteturas da literatura com tempos de treinamento significativamente menores. Este capítulo complementa a linha de classificação automática de modulações iniciada em Classificação Automática de Modulações usando Redes Convolucionais 1D (SBrT, 2019).
🏆 Honra ao Mérito — Melhor Trabalho Completo no XIV Simpósio Brasileiro de Engenharia Física (2019).