Детальная информация

Название: Анализ особенностей применения методов машинного обучения для классификации сигналов с аналоговой и цифровой модуляцией: выпускная квалификационная работа бакалавра: направление 11.03.02 «Инфокоммуникационные технологии и системы связи» ; образовательная программа 11.03.02_06 «Оптические телекоммуникационные системы»
Авторы: Гун Фулинь
Научный руководитель: Павлов Виталий Александрович; Завьялов Сергей Викторович
Другие авторы: Зудов Роман Игоревич
Организация: Санкт-Петербургский политехнический университет Петра Великого. Институт физики, нанотехнологий и телекоммуникаций
Выходные сведения: Санкт-Петербург, 2021
Коллекция: Выпускные квалификационные работы; Общая коллекция
Тематика: машинное обучение; классификация модуляций; генетический алгоритм; комбинирование признаков; распознавание сигналов; аналоговая модуляция; цифровая модуляция; machine learning; modulation classification; genetic algorithm; feature combination; signal recognition; analogue modulation; digital modulation
Тип документа: Выпускная квалификационная работа бакалавра
Тип файла: PDF
Язык: Русский
Уровень высшего образования: Бакалавриат
Код специальности ФГОС: 11.03.02
Группа специальностей ФГОС: 110000 - Электроника, радиотехника и системы связи
Ссылки: Отзыв руководителя; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2021/vr/vr21-4074
Права доступа: Доступ по паролю из сети Интернет (чтение, печать, копирование)
Ключ записи: ru\spstu\vkr\13031

Разрешенные действия:

Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети Действие 'Загрузить' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети

Группа: Анонимные пользователи

Сеть: Интернет

Аннотация

Данная работа посвящена анализу особенностей применения методов машинного обучения для классификации сигналов с аналоговой и цифровой модуляцией. В работе проведён обзор существующих признаков для классификации модуляций, который показал, что спектральные признаки подходят для классификации как аналоговой, так и цифровой модуляции. Статистические признаки высокого порядка, используются для классификации цифровых модуляций. В работе рассмотрено несколько алгоритмов машинного обучения, которые выполняют классификацию модуляций, и описаны подходы для расширения признаков. Классификаторы KNN и SVM - это два алгоритма обучения с учителем, которые позволяют классифицировать модуляцию с помощью нескольких входных признаков. Классификатор KNN легче реализовать для задач с несколькими классами, в то время как классификатор SVM обеспечивает разделяющую гиперплоскость, которая оптимизирована для классификации по двум классам. Генетическое программирование позволяет выбирать признаки и создавать комбинации признаков. Анализ работ показал, что на точность классификатора влияют характеристики канала связи и фазовый сдвиг. Классификатор на основе комбинации GP и KNN показывает наиболее лучшую точность классификации, однако имеет более высокую вычислительную сложность, чем базовый классификатор KNN, использующий те же признаки.

The subject of the graduate qualification work is «Analysis of the specific application of machine learning techniques for classification signals with analog and digital modulation». The given work is devoted to the analysis of the features of the application of machine learning methods for the classification of signals with analog and digital modulation. The paper reviews the existing features for the classification of modulations, which showed that spectral features are suitable for the classification of both analog and digital modulation. High-order statistical features are used to classify digital modulations. The paper considers several machine learning algorithms that perform the classification of modulations, and describes approaches for expanding features. KNN and SVM classifiers are two supervised learning algorithms that allow you to classify modulation using multiple input features. The KNN classifier is easier to implement for multi-class problems, while the SVM classifier provides a dividing hyperplane that is optimized for classification into two classes. Genetic programming allows you to select traits and create combinations of traits. The analysis of the works showed that the characteristics of the communication channel and the phase shift affect the accuracy of the classifier. A classifier based on a combination of GP and KNN shows the best classification accuracy, however, it has a higher computational complexity than the basic KNN classifier using the same features.

Права на использование объекта хранения

Место доступа Группа пользователей Действие
Локальная сеть ИБК СПбПУ Все Прочитать Печать Загрузить
Внешние организации №2 Все Прочитать
Внешние организации №1 Все
Интернет Авторизованные пользователи СПбПУ Прочитать Печать Загрузить
Интернет Авторизованные пользователи (не СПбПУ, №2) Прочитать
Интернет Авторизованные пользователи (не СПбПУ, №1)
-> Интернет Анонимные пользователи

Статистика использования

stat Количество обращений: 6
За последние 30 дней: 4
Подробная статистика