Classificação Automática de Modulações usando Redes Convolucionais 1D
29 set. 2019·,,·
1 minutos de leitura
Jorge K. S. Kamassury
Vinícius F. O. Da Silva
Danilo Silva
Resumo
Neste artigo, investigamos o problema de classificação automática de modulações através do aprendizado de máquina avaliando não somente a acurácia de classificação, mas também o tempo de treinamento das arquiteturas propostas. Diferente dos trabalhos recentes que lidam com o problema utilizando redes neurais convolucionais (CNN) com filtros de duas dimensões, propomos arquiteturas utilizando filtros de uma dimensão: uma CNN, uma ResNet e uma rede mista (combinando ResNet e DenseNet). Para as nossas arquiteturas, observamos que, em comparação com os trabalhos relacionados, as acurácias são próximas ou melhores e que os tempos de treinamento são menores para todos os casos.
Tipo
Publicação
XXXVII Simpósio Brasileiro de Telecomunicações e Processamento de Sinais (SBrT), Petrópolis
Estudo comparativo de arquiteturas convolucionais 1D (CNN, ResNet e rede híbrida ResNet+DenseNet) para classificação automática de modulações. O trabalho demonstra que, em comparação com redes neurais convolucionais 2D tradicionais, as abordagens propostas atingem acurácias próximas ou superiores com tempos de treinamento consistentemente menores.