Тема выпускной квалификационной работы: "Разработка классификатора видов модуляции одночастотных сигналов в многолучевом канале на основе нейронных сетей". Данная работа посвящена применению остаточных сверточных глубоких нейронных сетей для реализации классификатора сигналов с аналоговой и цифровой модуляцией в одночастотных замирающих многолучевых каналах. Выполнено сравнение существующих классических и современных методов классификации типов модуляции. Перечислены преимущества и недостатки рассматриваемых подходов. С помощью Matlab, сгенерирован новый набор данных, содержащий множество радиосигналов. Моделируется и добавляется влияние многолучевых затухающих каналов на эти сигналы. Было смоделировано влияние разности часов между передатчиком и приемником, и к сгенерированным сигналам добавлен соответствующий временной и частотный сдвиг. В качестве модели классификатора используется глубокая конволюционная нейронная сеть, основанная на пропуске остаточной связи. И в качестве функции оптимизации выбран стохастический градиентный спуск на основе функции потерь softmax. Были применены нормализация и масштабирование данных и, наконец, были настроены гиперпараметры для того, чтобы обеспечить наилучшую производительность. Точность классификатора оценивалась при различных отношениях сигнал/шум в диапазоне [-20,28] дБ. Эти тестовые сигналы моделируют случай каналов АБГШ и затухающих многопутевых каналов с параметрами EPA, EVA и ETU. Также отдельно показана производительность классификатора для каждого типа модуляции при каждой модели канала и показано сравнение производительности предложенной модели и современной модели.

The topic of the graduate qualification work: "Development of a modulation classifier in single-frequency signals in a multipath channel based on neural networks". This work is devoted to the application of residual convolutional deep neural networks to implement a classifier of  analogy and digital modulation in single-frequency multipath fading channels. A comparison of existing classical and modern classification methods is performed. The advantages and disadvantages of the considered approaches are listed. Using MATLAB, a new dataset containing many radio signals is generated. The influence of multipath fading channels on these signals is modelled and added. The effect of the clock difference between transmitter and receiver has been added also, and the corresponding time and frequency shift has been added to the generated signals. A deep convolutional neural network based on residual and skipping connections is used as the classifier model. The stochastic gradient descent based on the softmax loss function was chosen as the optimization function. Data normalization and scaling were applied, and finally hyper-parameters were tuned to provide the best performance. The accuracy of the classifier was evaluated at various signal-to-noise ratios in the range [-20,28] db. These test signals simulate the case of AWGN channels and fading multipath channels with EPA, EVA, and ETU parameters. The performance of the classifier for each modulation type at each channel model is also shown separately. A comparison of the performance of the proposed model and the modern model is also presented.