ГЛИБОКІ CNN ТА RESNET-АРХІТЕКТУРИ ДЛЯ АВТОМАТИЧНОЇ КЛАСИФІКАЦІЇ МОДУЛЯЦІЇ

Анотація

У статті розглянуто задачу автоматичної класифікації модуляції сигналів у сучасних системах радіомоніторингу та когнітивного радіо. Виконано системний аналіз застосування глибоких згорткових і залишкових нейронних мереж для розпізнавання типів модуляції на основі комплексних IQ-вибірок фіксованої довжини. Обґрунтовано доцільність використання одномірних згорткових шарів, що дозволяють автоматично виділяти часово-фазові закономірності сигналів без попереднього формування статистичних або спектральних ознак. Розглянуто декілька архітектур глибоких нейронних мереж, зокрема базову згорткову модель, поглиблену CNN-архітектуру та адаптовану залишкову мережу типу ResNet з близькою кількістю параметрів, що забезпечує коректність порівняння їх ефективності.

Проведене моделювання показало, що використання залишкових з’єднань дозволяє підвищити стабільність навчання глибоких моделей і забезпечує вищу точність класифікації, особливо в умовах низького відношення сигнал/шум. Аналіз матриці класифікації дозволив виявити структурований характер міжкласових помилок, що свідчить про наявність складних прикладів у навчальній вибірці. На основі цього запропоновано адаптивний алгоритм добору навчальних зразків, який здійснює перерозподіл ймовірностей їх вибору відповідно до поточних похибок класифікації. Запропонований метод фактично реалізує механізм важливісного семплінгування у процесі стохастичної оптимізації та забезпечує концентрацію навчання на найбільш інформативних прикладах.

Результати експериментальних досліджень показали, що використання адаптивного механізму формування міні-пакетів дозволяє скоротити кількість ітерацій навчання на 18–25% без зниження фінальної точності класифікації. Отримані результати підтверджують ефективність поєднання глибоких нейромережевих архітектур та алгоритмічної оптимізації процесу навчання для задач автоматичної класифікації модуляції сигналів в умовах невизначеності параметрів радіосередовища.