MSOM based automatic modulation recognition and demodulation

Zhou, Lei; Cai, Qiao; He, Fangming; Man, Hong

doi:10.1109/sarnof.2011.5876460

Cited by 7 publications

(4 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Os dados são pré-processados usando uma normalização simples segundo a equação 3, ao invés de cálculos complexos como a FFT ou a Transformada de Wavelet [4]. O banco de dados para o treinamento foi criado com sinais aleatórios gerados no Matlab, modulados em 2FSK, BPSK e 4PSK e com o mesmo valor de portadora.…”

Section: Taxa De Erro De Bitunclassified

“…Existem interessantes trabalhos usando outro tipo de redes neurais artificiais. Um exempló e o estudo feito por [4] que trabalharam com mapas autoorganizáveis de 18x18 neurônios para o reconhecimento de modulações BPSK, QPSK, 2FSK e MSK.…”

Section: Conclusõesunclassified

“…O reconhecimento automático de modulação e demodulação são dois componentes essenciais em receptores de rádio cognitivos. Com isso, trabalhos envolvendo Redes Neurais Artificiais com o objetivo de desenvolver métodos que classifiquem automaticamente a modulação de sinais, e/ou propiciem a sua demodulação, vem sendo desenvolvidos [1], [2], [3], [4].…”

Section: Introductionunclassified

See 2 more Smart Citations

Reconhecimento Automático de Modulação Digital e Demodulação de sinais baseado em Redes Neurais Artificiais

Lopes¹,

Acosta²,

Coutinho³

et al. 2012

Anais De XXX Simpósio Brasileiro De Telecomunicações

View full text Add to dashboard Cite

Resumo-Redes Neurais Artificiais estão entre as mais bemsucedidas ferramentas computacionais para tratamento de problemas não-lineares em processamento de sinal. Esse métodó e diretamente aplicadoàs amostras do sinal de rádio, e tem complexidade computacional relativamente baixa. Neste artigo, são utilizadas Redes Neurais Artificiais ART (Teoria da Ressonância Adaptativa-Adaptive Resonance Theory) para reconhecer automaticamente o tipo de modulação digital, e, com isso, demodular um sinal de rádio gerado. Três tipos de modulações são investigadas: BPSK, 2FSK e 4PSK, sendo averiguada a robustez da rede Neural em relação a cada modulação gerada. São testadas duas métricas: a distância Euclidiana e a Norma de Manhattan eé proposta uma comparação do desempenho da Rede Neural ART simplificada em cada situação. Esse desempenhoé avaliado com diversas simulações, levando-se em consideração canais com ruído branco aditivo gaussiano (Additive White Gaussian Noise-AWGN).É mostrado que no reconhecimento de um sinal modulado (não codificado), usando uma relação sinal ruído(SNR) superior a 10dB a porcentagem de acerto chega até 100%, e para valores inferiores a probabilidade de acertoé suficientemente alta.

show abstract

Section: Taxa De Erro De Bitunclassified

Section: Conclusõesunclassified

Section: Introductionunclassified

See 1 more Smart Citation

Reconhecimento Automático de Modulação Digital e Demodulação de sinais baseado em Redes Neurais Artificiais

Lopes¹,

Acosta²,

Coutinho³

et al. 2012

Anais De XXX Simpósio Brasileiro De Telecomunicações

View full text Add to dashboard Cite

show abstract

“…Kaur et al [17] utilize SOM to generate clusters from wavelet feature vectors. Zhou et al [18] add an inherent partition mechanism to make the SOM neural network more suitable for recognizing modulation types and demodulating digital signals. Xu et al [19] improve the SOM algorithm by adjusting the learning rate and adopting the neighborhood function.…”

Section: Introductionmentioning

confidence: 99%

Automatic Modulation Classification for MASK, MPSK, and MQAM Signals Based on Hierarchical Self-Organizing Map

Wang

Zhu

et al. 2022

Sensors

View full text Add to dashboard Cite

Automatic modulation classification (AMC) plays a fundamental role in common communication systems. Existing clustering models typically handle fewer modulation types with lower classification accuracies and more computational resources. This paper proposes a hierarchical self-organizing map (SOM) based on a feature space composed of high-order cumulants (HOC) and amplitude moment features. This SOM with two stacked layers can identify intrinsic differences among samples in the feature space without the need to set thresholds. This model can roughly cluster the multiple amplitude-shift keying (MASK), multiple phase-shift keying (MPSK), and multiple quadrature amplitude keying (MQAM) samples in the root layer and then finely distinguish the samples with different orders in the leaf layers. We creatively implement a discrete transformation method based on modified activation functions. This method causes MQAM samples to cluster in the leaf layer with more distinct boundaries between clusters and higher classification accuracies. The simulation results demonstrate the superior performance of the proposed hierarchical SOM on AMC problems when compared with other clustering models. Our proposed method can manage more categories of modulation signals and obtain higher classification accuracies while using fewer computational resources.

show abstract

Imbalanced evolving self-organizing learning

Cai

Man

2014

Neurocomputing

View full text Add to dashboard Cite

MSOM based automatic modulation recognition and demodulation

Cited by 7 publications

References 11 publications

Reconhecimento Automático de Modulação Digital e Demodulação de sinais baseado em Redes Neurais Artificiais

Reconhecimento Automático de Modulação Digital e Demodulação de sinais baseado em Redes Neurais Artificiais

Automatic Modulation Classification for MASK, MPSK, and MQAM Signals Based on Hierarchical Self-Organizing Map

Imbalanced evolving self-organizing learning

Contact Info

Product

Resources

About