شبکههای عصبی پیچشی نامتقارنِ سبک مبتنی بر ماتریسهای منظومهی شبکهای برای طبقهبندی خودکار مدولاسیون با کارایی سختافزاری بالا در محیطهای مخابراتی نامطلوب
شبکههای عصبی پیچشی نامتقارنِ سبک مبتنی بر ماتریسهای منظومهی شبکهای برای طبقهبندی خودکار مدولاسیون با کارایی سختافزاری بالا در محیطهای مخابراتی نامطلوب
معین سفیدی1
1) دانشجویی کارشناسی مهندسی برق گرایش مخابرات,دانشگاه صنعتی امیرکبیر(پلی تکنیک
کد IOI مقاله
:
ABGG-ACZFBK
محل انتشار :
یازدهمین کنفرانس بین المللی پژوهش در علوم و مهندسی و هشتمین کنگره بین المللی عمران، معماری و شهرسازی آسیا(11icrsie.ir)
چکیده :
طبقهبندی خودکار مدولاسیون (AMC) نقش محوری در مدیریت هوشمند طیف و کاهش تداخل در شبکههای رادیویی شناختی نسل بعدی و شبکههای دسترسی پویا به طیف ایفا میکند. اگرچه مدلهای یادگیری عمیق در مقایسه با روشهای سنتی مبتنی بر استخراج ویژگی، قابلیتهای طبقهبندی برتری را نشان دادهاند، اما استقرار آنها در دستگاههای لبهای با محدودیت منابع به دلیل پیچیدگی محاسباتی بالا و آسیبپذیری در برابر اختلالات شدید کانال با محدودیتهای قابل توجهی روبرو است. در این مقاله، چارچوبی به نام شبکههای کانولوشن نامتقارن سبک با ماتریسهای صورت فلکی شبکه (LACN-GCM) پیشنهاد شده است که برای بهینهسازی استفاده از سختافزار در عین حفظ دقت طراحی شده است. برای ایجاد یک نمایش قوی از دادهها، توالیهای خام اجزای هم فاز و متعامد (I/Q) به ماتریسهای صورت فلکی شبکه (GCM) تبدیل میشوند. این ماتریسها به طور موثر توزیع احتمال دوبعدی اساسی نمادهای مدولاسیون را ثبت میکنند و در عین حال به طور طبیعی نویز اضافه شده را فیلتر میکنند. در مرحله بعد، یک معماری کانولوشن نامتقارن با استفاده از هستههای تجزیه شده 3×1 و 1×3 به همراه Skip Connections توسعه داده میشود. هدف این معماری، استخراج ویژگیهای مکانی-زمانی عمیق با کاهش تعداد پارامترها است. شبیهسازیهای انجامشده بر روی مجموعه دادههای معیار نشان میدهد که چارچوب پیشنهادی LACN-GCM تحت مجموعهای چالشبرانگیز از فرمتهای مدولاسیون با نسبت سیگنال به نویز (SNR) 10 دسیبل، به دقت طبقهبندی کلی بیش از 95٪ دست مییابد. نکته مهم این است که معماری پیشنهادی در مقایسه با شبکههای باقیمانده استاندارد، پیچیدگی محاسباتی را کاهش میدهد و بنابراین برای استقرار بلادرنگ در دستگاههای لبه در محیطهای ارتباطی پر سر و صدا مناسب است.
کلمات کلیدی : طبقهبندی خودکار مدولاسیون ماتریسهای فرمولبندی مبتنی بر شبکه کانولوشن نامتقارن یادگیری عمیق رادیو شناختی