Детальная информация

Цель работы – повышение точности классификации модуляции в многочастотных сигналах при использовании методов машинного обучения. Решаемые задачи: 1. Обзор существующих подходов по классификации типов модуляции. 2. Обоснование выбора признаков. Выбор значимых признаков для задачи классификации. 3. Имитационное моделирование по оценке точности классификации сигналов. 4. Оценка результирующей точности классификации и времени работы. Сравнение с методами на основе классических подходов. В результате разработан конвейер генерации сигналов, выбора признаков и обучения классификаторов; оптимизированная CNN с шестью разделёнными свёрточными слоями после INT8-квантования достигла средней точности 98,37 % при времени принятия решения 0,0165 с, превосходя классические алгоритмы (RFC 75,82 %, SVM 76,76 %, KNN 64,58 %). Полученные решения могут быть внедрены в портативные SDR-устройства и системы когнитивной радиосвязи, что позволит повысить помехоустойчивость и адаптивность каналов связи.

Objective – improving the accuracy of modulation classification in multi-frequency signals using machine learning methods. Tasks: 1. Survey of existing automatic modulation classification techniques. 2. Justification of feature selection. Selection of significant features for the classification task. 3. Simulation modeling for estimation of accuracy of signal classification. 4. Evaluation of the resulting classification accuracy and inference time. Comparison with classical approaches. As a result, a pipeline for signal generation, feature selection and classifier training is developed; the optimized CNN with six separated convolutional layers after INT8 quantization achieved an average accuracy of 98.37 % with a decision time of 0.0165 s, outperforming classical algorithms (RFC 75.82 %, SVM 76.76 %, KNN 64.58 %). The obtained solutions can be implemented in portable SDR devices and cognitive radio communication systems, which will improve noise immunity and adaptability of communication channels.