Amc2n: clasificación automática de modulación utilizando redes de cápsulas de dos carriles basadas en agrupación de características
Autores: Al-Nuaimi, Dhamyaa H.; Akbar, Muhammad F.; Salman, Laith B.; Abidin, Intan S. Zainal; Isa, Nor Ashidi Mat
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Amc2n: clasificación automática de modulación utilizando redes de cápsulas de dos carriles basadas en agrupación de características
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Clasificación automática de modulación
Relación señal-ruido
Agrupación de características
Red de cápsulas
Tiempo de clasificación
Red neuronal convolucional
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 33
Citaciones: Sin citaciones
La clasificación automática de modulación (AMC) de una señal detectada ha ganado considerable prominencia en los últimos años debido a sus numerosas facilidades. Numerosos estudios se han centrado en la AMC basada en características. Sin embargo, mejorar la precisión en tasas de relación señal-ruido (SNR) bajas es un problema serio en la AMC. Además, la investigación sobre la mejora del rendimiento de la AMC en tasas de SNR bajas y altas es limitada. Motivado por estos problemas, este estudio propone la AMC utilizando una red de cápsulas de dos carriles basada en agrupación de características (AMC2N). En el AMC2N, la precisión del proceso de MC se mejora mediante el diseño de una nueva red de cápsulas de dos capas (TL-CapsNet), y el tiempo de clasificación se reduce mediante la introducción de un nuevo enfoque de agrupación de características en el TL-CapsNet. Primero, el AMC2N ejecuta ecualización ciega, muestreo y cuantización en un preprocesamiento trinivel. La ecualización ciega se realiza utilizando un algoritmo binario de módulo constante para evitar la interferencia entre símbolos. Para extraer características de la señal preprocesada y clasificar señales con precisión, el AMC2N emplea el TL-CapsNet, en el que se incorporan carriles individuales para procesar las partes real e imaginaria de la señal. Además, es robusto a variaciones de SNR, es decir, a tasas de SNR bajas y altas. El TL-CapsNet extrae características de las partes real e imaginaria de la señal dada, que luego se agrupan en función de la similitud de características. Para la extracción y agrupación de características, se adopta el procedimiento de enrutamiento dinámico del TL-CapsNet. Finalmente, la clasificación se realiza en la capa SoftMax del TL-CapsNet. Este estudio demuestra que el AMC2N supera a los métodos existentes, en particular, la red neuronal convolucional (CNN), Robust-CNN (R-CNN), aprendizaje de currículum (CL) y Patrón Binario Local (LBP), en términos de precisión, recall, puntuación F y tiempo de computación. Todos los indicadores se validan en dos escenarios, y el método propuesto muestra resultados prometedores en ambos.
Descripción
La clasificación automática de modulación (AMC) de una señal detectada ha ganado considerable prominencia en los últimos años debido a sus numerosas facilidades. Numerosos estudios se han centrado en la AMC basada en características. Sin embargo, mejorar la precisión en tasas de relación señal-ruido (SNR) bajas es un problema serio en la AMC. Además, la investigación sobre la mejora del rendimiento de la AMC en tasas de SNR bajas y altas es limitada. Motivado por estos problemas, este estudio propone la AMC utilizando una red de cápsulas de dos carriles basada en agrupación de características (AMC2N). En el AMC2N, la precisión del proceso de MC se mejora mediante el diseño de una nueva red de cápsulas de dos capas (TL-CapsNet), y el tiempo de clasificación se reduce mediante la introducción de un nuevo enfoque de agrupación de características en el TL-CapsNet. Primero, el AMC2N ejecuta ecualización ciega, muestreo y cuantización en un preprocesamiento trinivel. La ecualización ciega se realiza utilizando un algoritmo binario de módulo constante para evitar la interferencia entre símbolos. Para extraer características de la señal preprocesada y clasificar señales con precisión, el AMC2N emplea el TL-CapsNet, en el que se incorporan carriles individuales para procesar las partes real e imaginaria de la señal. Además, es robusto a variaciones de SNR, es decir, a tasas de SNR bajas y altas. El TL-CapsNet extrae características de las partes real e imaginaria de la señal dada, que luego se agrupan en función de la similitud de características. Para la extracción y agrupación de características, se adopta el procedimiento de enrutamiento dinámico del TL-CapsNet. Finalmente, la clasificación se realiza en la capa SoftMax del TL-CapsNet. Este estudio demuestra que el AMC2N supera a los métodos existentes, en particular, la red neuronal convolucional (CNN), Robust-CNN (R-CNN), aprendizaje de currículum (CL) y Patrón Binario Local (LBP), en términos de precisión, recall, puntuación F y tiempo de computación. Todos los indicadores se validan en dos escenarios, y el método propuesto muestra resultados prometedores en ambos.