A Deep Learning Approach for Modulation Recognition via Exploiting Temporal Correlations

Wu, Yanlun; Li, Xingjian; Fang, Jun

doi:10.1109/spawc.2018.8445938

Cited by 50 publications

(38 citation statements)

References 16 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Além disso, especificamente em [8], combinando as arquiteturas CNN e LSTM (long short-term memory), os autores propõem uma arquitetura CLDNN (convolutional long short-memory deep neural network), obtendo um resultado superior em relaçãoà CNN adotada em [7]. Uma arquitetura otimizada combinando CNN e LSTM tambémé desenvolvida em [4]. Recentemente, novas arquiteturas como ResNet (residual network) [10] e DenseNet (densely connected network) [11] foram introduzidas para a classificação de modulações e alcançaram relativas melhorias na acurácia de classificação.…”

Section: Trabalhos Relacionadosunclassified

“…As mais variadas abordagens para AMC discutidas na literatura podem ser elencadas em duas categorias, a saber: métodos baseados em verossimilhança (likelihood-based, LB) e os métodos baseados em características (feature-based, FB) [2], [4]. Em particular, os métodos LB fazem uso da teoria da decisão bayesiana, alcançando o desempenhoótimo com a minimização da probabilidade de erro de classificação.…”

Section: Introductionunclassified

“…As principais características extraídas no contexto da AMC são aquelas baseadas no domínio de tempo instantâneo, nas transformações e nas estatísticas do sinal [2]. No que se refere aos classificadores,árvore de decisão, máquina de vetores de suporte (support vector machine, SVM), K vizinhos mais próximos (K nearest neighboors, KNN) e redes neurais artificiais figuram entre aqueles mais utilizados [4].…”

Section: Introductionunclassified

“…Nesse contexto, os métodos de aprendizado profundo (deep learning, DL) vêm se manifestando como uma ferramenta alternativa e robusta para AMC. Empregando redes multicamadas para extrair a representação interna dos dados brutos [4], os métodos DL aprendem as características automaticamente.…”

Section: Introductionunclassified

“…Dentre os métodos DL mais recentes empregados no contexto da AMC, citam-se: deep belief network [5], autoencoders [6], redes neurais convolucionais (convolutional neural network, CNN) [7] e redes neurais recorrentes (recurrent neural network, RNN) [4]. As arquiteturas CNNs, por exemplo, não apenas têm alcançado melhores resultados na classificação como também apresentam maior flexibilidade em comparação com as abordagens atuais dos métodos FB.…”

Section: Introductionunclassified

See 4 more Smart Citations

Classificação Automática de Modulações usando Redes Convolucionais 1D

Kamassury¹,

Silva²,

Silva³

2019

Anais De XXXVII Simpósio Brasileiro De Telecomunicações E Processamento De Sinais

View full text Add to dashboard Cite

Resumo-Neste artigo, investigamos o problema de classificação automática de modulações através do aprendizado de máquina avaliando não somente a acurácia de classificação, mas também o tempo de treinamento das arquiteturas propostas. Diferentemente dos trabalhos recentes que lidam com o problema utilizando redes neurais convolucionais (CNN) com filtros de duas dimensões, propomos arquiteturas utilizando filtros de uma dimensão-uma CNN, uma ResNet e uma rede mista (combinando ResNet e DenseNet). Para as nossas arquiteturas, observamos que, em comparação com os trabalhos relacionados, as acurácias são próximas ou melhores e que os tempos de treinamento são menores para todos os casos.

show abstract

Section: Trabalhos Relacionadosunclassified

Section: Introductionunclassified

See 3 more Smart Citations

Classificação Automática de Modulações usando Redes Convolucionais 1D

Kamassury¹,

Silva²,

Silva³

2019

Anais De XXXVII Simpósio Brasileiro De Telecomunicações E Processamento De Sinais

View full text Add to dashboard Cite

show abstract

A survey of traditional and advanced automatic modulation classification techniques, challenges, and some novel trends

Abdel‐Moneim

El‐Shafai

Abdel-Salam

et al. 2021

Int J Communication

View full text Add to dashboard Cite

Automatic modulation classification (AMC) is an important stage in intelligent wireless communication receivers. It is a necessary process after signal detection, and before demodulation. It plays a vital role in various applications. Blind modulation classification is a very difficult task without information about the transmitted signal and the receiver parameters like carrier frequency, signal power, timing information, phase offset, existence of frequency-selective multipath fading, and time-varying channels in real-world applications. The AMC methods are divided into traditional and advanced methods. Traditional methods include likelihood-based (LB) and feature-based (FB) methods. The advanced methods include deep learning (DL) methods. In addition, the AMC methods are used to classify different modulation schemes such as ASK, PSK, FSK, PAM, and QAM with different orders and different signal-to-noise ratios (SNRs). This paper focuses on summarizing the AMC methoods, comparing between them, presenting the commercial software packages for AMC, and finally considering the new challenges in the implementation of AMC. K E Y W O R D S automatic modulation classification (AMC), deep learning (DL), feature-based (FB) methods, likelihood-based (LB) methods | INTRODUCTIONAutomatic modulation classification (AMC) is important in wireless communication systems used in military and civilian applications to enhance the efficiency of the spectrum utilization, redue the overhead, and resolve the shortage problems. Unfortunately, the restricted spectrum resources barely satisfy the ever-increasing demand for 5G 1,2 and Internet of Things (IoT) networks. 3 The AMC can be used for better management of the available spectrum. A simple block diagram of a communication system based on AMC is presented in Figure 1. 4 The AMC architecture contains two steps: signal preprocessing and a proper algorithm for classification. The preprocessing tasks involve reduction of noise, carrier frequency estimation, symbol period estimation, equalization, and signal power evaluation. On the other hand, the AMC methods comprise traditional methods including decisiontheoretic methods and feature-based methods 4,5 along with advanced methods 6 as shown in Figure 2.

show abstract