Классификация модуляций с глубоким обучением

Этот пример показывает, как использовать сверточную нейронную сеть (CNN) для классификации модуляции. Вы генерируете синтетические, ослабленные по каналам формы волны. Используя сгенерированные формы волны в качестве обучающих данных, вы обучаете CNN для классификации модуляции. Затем тестируйте CNN с программно определяемым радио (SDR) оборудованием и беспроводными сигналами.

Предсказание типа модуляции с использованием CNN

Обученный CNN в этом примере распознает эти восемь типов цифровой и три типа аналоговой модуляции:

  • Двоичная клавиша фазы сдвига (BPSK)

  • Квадратурная манипуляция фазы сдвига (QPSK)

  • 8-арная фаза сдвига манипуляция (8-PSK)

  • 16-арная квадратурная амплитудная модуляция (16-QAM)

  • 64-арная квадратурная амплитудная модуляция (64-QAM)

  • 4-арная импульсная амплитудная модуляция (PAM4)

  • Гауссовая манипуляция со сдвигом частоты (GFSK)

  • Непрерывная манипуляция фазы сдвига частотой (CPFSK)

  • Широковещательная FM (B-FM)

  • Двойная амплитудная модуляция боковой полосы (DSB-AM)

  • Однополосная амплитудная модуляция (SSB-AM)

modulationTypes = categorical(["BPSK", "QPSK", "8PSK", ...
  "16QAM", "64QAM", "PAM4", "GFSK", "CPFSK", ...
  "B-FM", "DSB-AM", "SSB-AM"]);

Во-первых, загрузите обученную сеть. Для получения дополнительной информации о сетевом обучении смотрите раздел Training a CNN.

load trainedModulationClassificationNetwork
trainedNet
trainedNet = 
  SeriesNetwork with properties:

         Layers: [28×1 nnet.cnn.layer.Layer]
     InputNames: {'Input Layer'}
    OutputNames: {'Output'}

Обученный CNN принимает 1024 выборки с нарушением канала и предсказывает тип модуляции каждой системы координат. Сгенерируйте несколько системы координат PAM4, которые нарушаются с многолучевым замиранием Райса, дрейфом времени центральной частоты и дискретизации и AWGN. Используйте следующую функцию для генерации синтетических сигналов для тестирования CNN. Затем используйте CNN, чтобы предсказать тип модуляции систем координат.

  • randi: Сгенерируйте случайные биты

  • pammod (Communications Toolbox) PAM4-modulate биты

  • rcosdesign (Signal Processing Toolbox): Создайте квадратный корневой фильтр формирования косинусоидных импульсов

  • filter: Импульсная форма символов

  • comm.RicianChannel (Communications Toolbox): Применить многолучевой канал Райса

  • comm.PhaseFrequencyOffset (Communications Toolbox): Применить сдвиг фазы и/или частоты из-за смещения синхроимпульса

  • interp1: Применить дрейф синхронизации из-за смещения синхроимпульса

  • awgn (Communications Toolbox): Добавление AWGN

% Set the random number generator to a known state to be able to regenerate
% the same frames every time the simulation is run
rng(123456)
% Random bits
d = randi([0 3], 1024, 1);
% PAM4 modulation
syms = pammod(d,4);
% Square-root raised cosine filter
filterCoeffs = rcosdesign(0.35,4,8);
tx = filter(filterCoeffs,1,upsample(syms,8));

% Channel
SNR = 30;
maxOffset = 5;
fc = 902e6;
fs = 200e3;
multipathChannel = comm.RicianChannel(...
  'SampleRate', fs, ...
  'PathDelays', [0 1.8 3.4] / 200e3, ...
  'AveragePathGains', [0 -2 -10], ...
  'KFactor', 4, ...
  'MaximumDopplerShift', 4);

frequencyShifter = comm.PhaseFrequencyOffset(...
  'SampleRate', fs);

% Apply an independent multipath channel
reset(multipathChannel)
outMultipathChan = multipathChannel(tx);

% Determine clock offset factor
clockOffset = (rand() * 2*maxOffset) - maxOffset;
C = 1 + clockOffset / 1e6;

% Add frequency offset
frequencyShifter.FrequencyOffset = -(C-1)*fc;
outFreqShifter = frequencyShifter(outMultipathChan);

% Add sampling time drift
t = (0:length(tx)-1)' / fs;
newFs = fs * C;
tp = (0:length(tx)-1)' / newFs;
outTimeDrift = interp1(t, outFreqShifter, tp);

% Add noise
rx = awgn(outTimeDrift,SNR,0);

% Frame generation for classification
unknownFrames = helperModClassGetNNFrames(rx);

% Classification
[prediction1,score1] = classify(trainedNet,unknownFrames);

Верните предсказания классификатора, которые аналогичны жестким решениям. Сеть правильно идентифицирует системы координат как PAM4 системы координат. Для получения дополнительной информации о генерации модулированных сигналов смотрите функцию helperModClassGetModulator.

prediction1
prediction1 = 7×1 categorical
     PAM4 
     PAM4 
     PAM4 
     PAM4 
     PAM4 
     PAM4 
     PAM4 

Классификатор также возвращает вектор счетов для каждой системы координат. Счет соответствует вероятности того, что каждая система координат имеет предсказанный тип модуляции. Постройте счета.

helperModClassPlotScores(score1,modulationTypes)

Прежде чем мы сможем использовать CNN для классификации модуляции или любой другой задачи, нам сначала нужно обучить сеть с известными (или маркированными) данными. В первой части этого примера показано, как использовать функции Communications Toolbox, такие как модуляторы, фильтры и нарушения канала, для генерации синтетических обучающих данных. Вторая часть посвящена определению, обучению и проверке CNN для задачи классификации модуляций. Третья часть тестирует сетевую эффективность с беспроводными сигналами с помощью программно определяемого радио (SDR) платформ.

Генерация сигналов для обучения

Сгенерируйте 10 000 системы координат для каждого типа модуляции, где 80% используется для обучения, 10% используется для валидации и 10% используется для проверки. Мы используем системы координат обучения и валидации на фазе сетевого обучения. Окончательная точность классификации получается с помощью тестовых систем координат. Каждая система координат имеет длину 1024 выборки и частоту дискретизации 200 кГц. Для типов цифровой модуляции восемь выборок представляют символ. Сеть принимает каждое решение на основе одиночных систем координат, а не на нескольких последовательных системах координат (как в видео). Предположим, что центральная частота 902 МГц и 100 МГц для цифрового и аналогового типов модуляции, соответственно.

Чтобы запустить этот пример быстро, используйте обученную сеть и сгенерируйте небольшое количество систем координат. Чтобы обучить сеть на вашем компьютере, выберите опцию «Обучить сеть сейчас» (т.е. установите trainNow на true).

trainNow = false;
if trainNow = = true
  numFramesPerModType = 10000;
else
  numFramesPerModType = 500;
end
percentTrainingSamples = 80;
percentValidationSamples = 10;
percentTestSamples = 10;

sps = 8;                % Samples per symbol
spf = 1024;             % Samples per frame
symbolsPerFrame = spf/sps;
fs = 200e3;             % Sample rate
fc = [902e6 100e6];     % Center frequencies

Создание ослаблений канала

Пропустите каждую систему координат через канал с

  • AWGN

  • Райс многолучевой канал с замираниями

  • Смещение синхроимпульса, в результате чего смещение центральной частоты и временной дрейф дискретизации

Поскольку сеть в этом примере принимает решения на основе одиночных систем координат, каждая система координат должен проходить через независимый канал.

AWGN

Канал добавляет AWGN с ОСШ 30 дБ. Реализуйте канал с помощью awgn (Communications Toolbox) функцию.

Многолучевой канал Райса

Канал передает сигналы через многолучевой канал Райса с замираниями, используя comm.RicianChannel (Communications Toolbox) Системный объект. Предположим, что профиль задержки [0 1.8 3.4] выборок с соответствующим средним коэффициентом усиления пути [0 -2 -10] дБ. Коэффициент К равен 4, а максимальный доплеровский сдвиг равен 4 Гц, что эквивалентно скорости ходьбы на 902 МГц. Реализуйте канал со следующими настройками.

Смещение синхроимпульса

Смещение синхроимпульса происходит из-за неточностей внутренних источников синхроимпульса передатчиков и приемников. Смещение синхроимпульса заставляет центральную частоту, которая используется для преобразования сигнала вниз в полосу модулирующих частот, и частоту дискретизации цифроаналогового преобразователя отличаться от идеальных значений. Симулятор канала использует коэффициент смещения синхроимпульса C, выраженная как C=1+Δclock106, где Δclock - смещение синхроимпульса. Для каждой системы координат канал генерирует случайный Δclock значение из равномерно распределенного множества значений в области значений [-maxΔclock maxΔclock], где maxΔclock - максимальное смещение синхроимпульса. Смещение часов измеряется в частях на миллион (ppm). В данном примере примите максимальное смещение синхроимпульса 5 ppm.

maxDeltaOff = 5;
deltaOff = (rand()*2*maxDeltaOff) - maxDeltaOff;
C = 1 + (deltaOff/1e6);

Смещение Частоты

Подвергайте каждую систему координат смещению частоты на основе коэффициента смещения синхроимпульса C и центральную частоту. Реализуйте канал с помощью comm.PhaseFrequencyOffset (Communications Toolbox).

Смещение частоты дискретизации

Подвергайте каждую систему координат смещению частоты дискретизации на основе коэффициента смещения синхроимпульса C. Реализуйте канал с помощью interp1 функция для повторной выборки системы координат с новой скоростью C×fs.

Комбинированный канал

Используйте объект helperModClassTestChannel, чтобы применить все три нарушения канала к системам координат.

channel = helperModClassTestChannel(...
  'SampleRate', fs, ...
  'SNR', SNR, ...
  'PathDelays', [0 1.8 3.4] / fs, ...
  'AveragePathGains', [0 -2 -10], ...
  'KFactor', 4, ...
  'MaximumDopplerShift', 4, ...
  'MaximumClockOffset', 5, ...
  'CenterFrequency', 902e6)
channel = 
  helperModClassTestChannel with properties:

                    SNR: 30
        CenterFrequency: 902000000
             SampleRate: 200000
             PathDelays: [0 9.0000e-06 1.7000e-05]
       AveragePathGains: [0 -2 -10]
                KFactor: 4
    MaximumDopplerShift: 4
     MaximumClockOffset: 5

Просмотреть базовую информацию о канале можно с помощью функции объекта info.

chInfo = info(channel)
chInfo = struct with fields:
               ChannelDelay: 6
     MaximumFrequencyOffset: 4510
    MaximumSampleRateOffset: 1

Генерация сигналов

Создайте цикл, который генерирует системы координат с нарушением канала для каждого типа модуляции и хранит системы координат с соответствующими метками в файлах MAT. Путем сохранения данных в файлы вы устраняете необходимость генерировать данные каждый раз, когда вы запускаете этот пример. Можно также более эффективно обмениваться данными.

Удалите случайное число отсчетов из начала каждого кадра, чтобы удалить переходные процессы и убедиться, что системы координат имеют случайную начальную точку относительно контуров символа.

% Set the random number generator to a known state to be able to regenerate
% the same frames every time the simulation is run
rng(1235)
tic

numModulationTypes = length(modulationTypes);

channelInfo = info(channel);
transDelay = 50;
dataDirectory = fullfile(tempdir,"ModClassDataFiles");
disp("Data file directory is " + dataDirectory)
Data file directory is C:\Users\esozer\AppData\Local\Temp\ModClassDataFiles
fileNameRoot = "frame";

% Check if data files exist
dataFilesExist = false;
if exist(dataDirectory,'dir')
  files = dir(fullfile(dataDirectory,sprintf("%s*",fileNameRoot)));
  if length(files) == numModulationTypes*numFramesPerModType
    dataFilesExist = true;
  end
end

if ~dataFilesExist
  disp("Generating data and saving in data files...")
  [success,msg,msgID] = mkdir(dataDirectory);
  if ~success
    error(msgID,msg)
  end
  for modType = 1:numModulationTypes
    fprintf('%s - Generating %s frames\n', ...
      datestr(toc/86400,'HH:MM:SS'), modulationTypes(modType))
    
    label = modulationTypes(modType);
    numSymbols = (numFramesPerModType / sps);
    dataSrc = helperModClassGetSource(modulationTypes(modType), sps, 2*spf, fs);
    modulator = helperModClassGetModulator(modulationTypes(modType), sps, fs);
    if contains(char(modulationTypes(modType)), {'B-FM','DSB-AM','SSB-AM'})
      % Analog modulation types use a center frequency of 100 MHz
      channel.CenterFrequency = 100e6;
    else
      % Digital modulation types use a center frequency of 902 MHz
      channel.CenterFrequency = 902e6;
    end
    
    for p=1:numFramesPerModType
      % Generate random data
      x = dataSrc();
      
      % Modulate
      y = modulator(x);
      
      % Pass through independent channels
      rxSamples = channel(y);
      
      % Remove transients from the beginning, trim to size, and normalize
      frame = helperModClassFrameGenerator(rxSamples, spf, spf, transDelay, sps);
      
      % Save data file
      fileName = fullfile(dataDirectory,...
        sprintf("%s%s%03d",fileNameRoot,modulationTypes(modType),p));
      save(fileName,"frame","label")
    end
  end
else
  disp("Data files exist. Skip data generation.")
end
Data files exist. Skip data generation.
% Plot the amplitude of the real and imaginary parts of the example frames
% against the sample number
helperModClassPlotTimeDomain(dataDirectory,modulationTypes,fs)

% Plot the spectrogram of the example frames
helperModClassPlotSpectrogram(dataDirectory,modulationTypes,fs,sps)

Создайте Datastore

Использование signalDatastore объект для управления файлами, которые содержат сгенерированные сложные формы волны. Datastores особенно полезны, когда каждый отдельный файл помещается в памяти, но весь набор не обязательно помещается.

frameDS = signalDatastore(dataDirectory,'SignalVariableNames',["frame","label"]);

Преобразуйте комплексные сигналы в действительные массивы

Нейронная сеть для глубокого обучения в этом примере ожидает реальных входов, в то время как принятый сигнал имеет сложные дискретизации основной полосы частот. Преобразуйте комплексные сигналы в действительные массивы 4-D. У выхода систем координат быть 1-by-spf-by-2-by-N размера, где первая страница (3-и размерности) является синфазными выборками, а вторая страница - квадратурными выборками. Когда сверточные фильтры имеют размер 1 на spf, этот подход гарантирует, что информация в I и Q смешивается даже в сверточных слоях, и лучше использует информацию фазы. Для получения дополнительной информации см. helperModClassIQAsPages.

frameDSTrans = transform(frameDS,@helperModClassIQAsPages);

Разделение на обучение, валидацию и тестирование

Затем разделите системы координат на обучающие, валидационные и тестовые данные. Для получения дополнительной информации см. helperModClassSplitData.

splitPercentages = [percentTrainingSamples,percentValidationSamples,percentTestSamples];
[trainDSTrans,validDSTrans,testDSTrans] = helperModClassSplitData(frameDSTrans,splitPercentages);
Starting parallel pool (parpool) using the 'local' profile ...
Connected to the parallel pool (number of workers: 6).
Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 2: Completed in 11 sec
- Pass 2 of 2: Completed in 11 sec
Evaluation completed in 25 sec

Импорт данных в память

Обучение нейронной сети итеративно. При каждой итерации datastore считывает данные из файлов и преобразует данные перед обновлением сетевых коэффициентов. Если данные помещаются в память вашего компьютера, импорт данных из файлов в память позволяет быстрее обучаться, устраняя этот процесс повторного чтения из файла и преобразования. Вместо этого данные считываются из файлов и трансформируются один раз. Обучение этой сети с использованием файлов данных на диске занимает около 110 минут, в то время как обучение с использованием данных в памяти занимает около 50 минут.

Импортируйте все данные в файлах в память. Файлы имеют две переменные: frame и label и каждый read вызов datastore возвращает массив ячеек, где первым элементом является frame и второй элемент является label. Используйте transform функции helperModClassReadFrame и helperModClassReadLabel для чтения систем координат и меток. Использование tall массивы для параллельной обработки функций преобразования, в случае если у вас есть лицензия Parallel Computing Toolbox. Начиная с gather функция по умолчанию конкатенирует выход read функция по первой размерности, возвращает системы координат в массив ячеек и вручную конкатенируется по 4-ой размерности.

% Gather the training and validation frames into the memory
trainFramesTall = tall(transform(trainDSTrans, @helperModClassReadFrame));
rxTrainFrames = gather(trainFramesTall);
Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 1: Completed in 4.3 sec
Evaluation completed in 4.3 sec
rxTrainFrames = cat(4, rxTrainFrames{:});
validFramesTall = tall(transform(validDSTrans, @helperModClassReadFrame));
rxValidFrames = gather(validFramesTall);
Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 1: Completed in 0.76 sec
Evaluation completed in 0.78 sec
rxValidFrames = cat(4, rxValidFrames{:});

% Gather the training and validation labels into the memory
trainLabelsTall = tall(transform(trainDSTrans, @helperModClassReadLabel));
rxTrainLabels = gather(trainLabelsTall);
Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 2: Completed in 4.6 sec
- Pass 2 of 2: Completed in 7 sec
Evaluation completed in 12 sec
validLabelsTall = tall(transform(validDSTrans, @helperModClassReadLabel));
rxValidLabels = gather(validLabelsTall);
Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 2: Completed in 0.7 sec
- Pass 2 of 2: Completed in 0.85 sec
Evaluation completed in 1.8 sec

Обучите CNN

Этот пример использует CNN, который состоит из шести слоев свертки и одного полносвязного слоя. Каждый слой свертки, кроме последнего, сопровождается слоем нормализации партии ., слоем активации выпрямленных линейных модулей (ReLU) и слоем максимального объединения. В последнем слое свертки максимальный слой объединения заменяется средним слоем объединения. Слой выхода имеет активацию softmax. Для руководства по проекту сетей смотрите Советы по глубокому обучению и трюки.

modClassNet = helperModClassCNN(modulationTypes,sps,spf);

Следующая настройка TrainingOptionsSGDM использовать решатель SGDM с мини-пакетом размером 256. Установите максимальное количество эпох равным 12, так как большее количество эпох не обеспечивает дополнительных преимуществ обучения. По умолчанию в 'ExecutionEnvironment' для свойства задано значение 'auto', где trainNetwork функция использует графический процессор, если он доступен, или использует центральный процессор, если нет. Чтобы использовать графический процессор, вы должны иметь лицензию Parallel Computing Toolbox. Установите начальную скорость обучения равным 2x10-2. Уменьшите скорость обучения в 10 раз каждые 9 эпох. Задайте 'Plots' на 'training-progress' для построения графика процесса обучения. На графическом процессоре NVIDIA Titan Xp сеть занимает примерно 25 минут.

maxEpochs = 12;
miniBatchSize = 256;
options = helperModClassTrainingOptions(maxEpochs,miniBatchSize,...
  numel(rxTrainLabels),rxValidFrames,rxValidLabels);

Либо обучите сеть, либо используйте уже обученную сеть. По умолчанию в этом примере используется обученная сеть.

if trainNow == true
  fprintf('%s - Training the network\n', datestr(toc/86400,'HH:MM:SS'))
  trainedNet = trainNetwork(rxTrainFrames,rxTrainLabels,modClassNet,options);
else
  load trainedModulationClassificationNetwork
end

Как показывает график процесса обучения, сеть сходится примерно за 12 эпох до более чем 95% точности.

Оцените обученную сеть путем получения точности классификации для тестовых систем координат. Результаты показывают, что сеть достигает около 94% точности для этой группы осциллограмм.

fprintf('%s - Classifying test frames\n', datestr(toc/86400,'HH:MM:SS'))
00:02:18 - Classifying test frames
% Gather the test frames into the memory
testFramesTall = tall(transform(testDSTrans, @helperModClassReadFrame));
rxTestFrames = gather(testFramesTall);
Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 1: Completed in 0.68 sec
Evaluation completed in 0.69 sec
rxTestFrames = cat(4, rxTestFrames{:});

% Gather the test labels into the memory
testLabelsTall = tall(transform(testDSTrans, @helperModClassReadLabel));
rxTestLabels = gather(testLabelsTall);
Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 2: Completed in 0.7 sec
- Pass 2 of 2: Completed in 0.86 sec
Evaluation completed in 1.8 sec
rxTestPred = classify(trainedNet,rxTestFrames);
testAccuracy = mean(rxTestPred == rxTestLabels);
disp("Test accuracy: " + testAccuracy*100 + "%")
Test accuracy: 95.4545%

Постройте график матрицы неточностей для тестовых систем координат. Как показывает матрица, сеть запутывает 16-QAM и 64-QAM системы координат. Эта проблема ожидается, поскольку каждая система координат содержит только 128 символов, и 16-QAM является подмножеством 64-QAM. Сеть также путает QPSK и 8-PSK системы координат, поскольку созвездия этих типов модуляции выглядят сходными после поворота фазы из-за затухания канала и смещения частоты.

figure
cm = confusionchart(rxTestLabels, rxTestPred);
cm.Title = 'Confusion Matrix for Test Data';
cm.RowSummary = 'row-normalized';
cm.Parent.Position = [cm.Parent.Position(1:2) 740 424];

Тест с SDR

Проверьте эффективность обученной сети с беспроводными сигналами с помощью функции helperModClassSDRTest. Для выполнения этого теста необходимо иметь выделенные SDR для передачи и приема. Можно использовать две радиостанции ADALM-PLUTO или одну радиостанцию ADALM-PLUTO для передачи и одну радиостанцию USRP ® для приема. Необходимо установить пакет поддержки Communications Toolbox для радио ADALM-PLUTO. Если вы используете радио USRP ®, необходимо также установить пакет поддержки Communications Toolbox для радио USRP ®. The helperModClassSDRTest функция использует те же функции модуляции, что и для генерации обучающих сигналов, а затем передает их с помощью радио ADALM-PLUTO. Вместо симуляции канала, захватывайте сигналы с нарушением канала с помощью SDR, который сконфигурирован для приема сигнала (ADALM-PLUTO или USRP ® radio). Используйте обученную сеть с теми же classify функция, используемая ранее для предсказания типа модуляции. Выполнение следующего сегмента кода создает матрицу неточностей и распечатывает точность теста.

radioPlatform = "ADALM-PLUTO";

switch radioPlatform
  case "ADALM-PLUTO"
    if helperIsPlutoSDRInstalled () = = true
      радио = findPlutoRadio ();
      if длина (радиостанции) > = 2
        helperModClassSDRTest (радиостанции);
      else
        disp ('Selected radios not found. Skipping over-the-air test.')
      end
    end
  case {"USRP B2xx","USRP X3xx","USRP N2xx"}
    if (helperIsUSRPInstalled () = true) & & (helperIsPlutoSDRInstalled () = true)
      txRadio = findPlutoRadio ();
      rxRadio = findsdru ();
      switch radioPlatform
        case "USRP B2xx"
          idx = содержит ({rxRadio.Platform}, {'B200','B210'});
        case "USRP X3xx"
          idx = содержит ({rxRadio.Platform}, {'X300','X310'});
        case "USRP N2xx"
          idx = содержит ({rxRadio.Platform },'N200/N210/USRP2');
      end
      rxRadio = rxRadio (idx);
      if (длина (txRadio) > = 1) & & (длина (rxRadio) > = 1)
        helperModClassSDRTest (rxRadio);
      else
        disp ('Selected radios not found. Skipping over-the-air test.')
      end
    end
end

При использовании двух стационарных радиостанций ADALM-PLUTO, разделенных примерно на 2 фута, сеть достигает 99% общей точности со следующей матрицей путаницы. Результаты будут варьироваться в зависимости от экспериментальной настройки.

Дальнейшие исследования

Возможно оптимизировать параметры гиперпараметров, такие как количество фильтров, размер фильтра или оптимизировать структуру сети, такие как добавление большего количества слоев, использование различных слоев активации и т.д., чтобы улучшить точность.

Communication Toolbox обеспечивает намного больше типов модуляции и нарушений канала. Для получения дополнительной информации смотрите разделы Modulation (Communications Toolbox) и Propagation and Channel Models (Communications Toolbox). Можно также добавить стандартные конкретные сигналы с помощью LTE Toolbox, WLAN Toolbox и 5G Toolbox. Можно также добавить радиолокационные сигналы с помощью Phased Array System Toolbox.

функция helperModClassGetModulator обеспечивает функции MATLAB, используемые для генерации модулированных сигналов. Для получения дополнительной информации можно также изучить следующие функции и системные объекты.

Ссылки

  1. О'Ши, Т. Дж., Дж. Корган и Т. К. Клэнси. «Сверточные сети распознавания радиомодуляции». Препринт, представленный 10 июня 2016 года. https://arxiv.org/abs/1602.04105

  2. О'Ши, Т. Дж., Т. Рой и Т. К. Клэнси. Классификация радиосигналов на основе глубокого обучения по воздуху. Журнал IEEE по выбранным темам в обработке сигналов. Том 12, № 1, 2018, с. 168-179.

  3. Лю, X., Д. Ян, и А. Э. Гамаль. «Архитектуры глубоких нейронных сетей для классификации модуляций». Препринт, представленный 5 января 2018 года. https://arxiv.org/abs/1712.00443v3

См. также

|

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте