Детальная информация

Название: Разработка классификатора типов модуляций одночастных сигналов в многолучевом канале на основе нейронных сетей: выпускная квалификационная работа магистра: направление 11.04.02 «Инфокоммуникационные технологии и системы связи» ; образовательная программа 11.04.02_01 «Защищенные телекоммуникационные системы»
Авторы: Абу Монзер Моаммар
Научный руководитель: Павлов Виталий Александрович; Макаров Сергей Борисович
Организация: Санкт-Петербургский политехнический университет Петра Великого. Институт электроники и телекоммуникаций
Выходные сведения: Санкт-Петербург, 2022
Коллекция: Выпускные квалификационные работы; Общая коллекция
Тематика: классификация модуляции; глубокое обучение; остаточные сети; многолучевые замирающие каналы; modulation classification; deep learning; residual networks; multipath fading channels
Тип документа: Выпускная квалификационная работа магистра
Тип файла: PDF
Язык: Русский
Уровень высшего образования: Магистратура
Код специальности ФГОС: 11.04.02
Группа специальностей ФГОС: 110000 - Электроника, радиотехника и системы связи
DOI: 10.18720/SPBPU/3/2022/vr/vr22-3979
Права доступа: Доступ по паролю из сети Интернет (чтение, печать, копирование)
Дополнительно: Новинка
Ключ записи: ru\spstu\vkr\18216

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

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.

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: 0
За последние 30 дней: 0
Подробная статистика