Comparative analysis of digital modulation classification methods based on deep neural networks

Іван Горбатий; Олександр Усатий

doi:10.15222/TKEA2025.3-4.33

Іван Горбатий Національний університет «Львівська політехніка», Львів, Україна
Олександр Усатий Національний університет «Львівська політехніка», Львів, Україна

DOI: https://doi.org/10.15222/TKEA2025.3-4.33

Ключові слова: класифікація цифрових способів модуляції, цифрові сигнали, резидуальна нейронна мережа, згорткова нейронна мережа, відношення сигнал/шум, глибинне навчання, завадостійкість

Анотація

Порівняно методи автоматичної класифікації цифрових способів модуляції радіосигналів у широкому діапазоні відношення сигнал/шум. Розглянуто дві сучасні глибинні нейронні мережі: згорткову та резидуальну з комплексними згортками, навчання яких проводилось у декількох режимах, зокрема на окремих рівнях шуму, на повному діапазоні та поетапне навчання зі зростанням складності. Представлено експериментальні результати на великому наборі радіосигналів, проаналізовано матриці змішування класів цифрових способів модуляції та залежність точності класифікації від рівня шуму. Показано переваги резидуальної мережі під час розпізнавання сигналів зі значним рівнем завад.

Посилання

E. E. Azzouz, and A. K. Nandi, Automatic Modulation Recognition of Communication Signals. Boston, MA, USA: Springer, 1996, doi: 10.1007/978-1-4757-2469-1.

T. O’Shea, J. Corgan, and T. Clancy, “Convolutional Radio Modulation Recognition Networks,” arXiv preprint, arXiv:1602.04105, 2016. [Online]. Available: https://arxiv.org/abs/1602.04105

DeepSig Inc., “RadioML 2018.01A Dataset,” 2018. [Online]. Available: https://deepsig.ai/datasets. Accessed: Dec. 12, 2025.

S. Peng, S. Sun, and Y.-D. Yao, “A Survey of Modulation Classification Using Deep Learning: Signal Representation and Data Preprocessing,” IEEE Trans. Neural Netw. Learn. Syst., vol. 33, no. 12, pp. 7020–7038, Nov. 2022, doi: 10.1109/TNNLS.2021.3085433.

Y. Peng, L. Guo, J. Yan, M. Tao, X. Fu, Y. Lin, et al., “Automatic Modulation Classification Using Deep Residual Neural Network with Masked Modeling for Wireless Communications,” Drones, vol. 7, no. 6, Art. 390, 11 June 2023, doi: 10.3390/drones7060390.

I. Horbatyi, and O. Usatyi, “Investigation of signal analysis methods for full or partial overlap in modern information and communication systems,” in Proc. ICTEE, vol. 5, no. 2, pp. 140–151, 2025. doi: 10.23939/ictee2025.02.140.

I. Horbatyi, and O. Usatyi, “Investigation of spread spectrum signal analysis methods in modern communication systems,” in Proc. ICTEE, vol. 5, no. 1, pp. 125–135, 2025. doi: 10.23939/ictee2025.01.125.

H. Jiang, H. Wang, and H. Alwageed, “Modulation Classification Using Convolutional Neural Network–Based Deep Learning Model,” in Proc. WOCC, 2017. doi: 10.1109/WOCC.2017.7929000.

J. Han, Z. Yu, and J. Yang, “A lightweight deep learning architecture for automatic modulation classification of wireless internet of things,” IET Commun., 2024. doi: 10.1049/cmu2.12823.

S. I. Artemuk, Application of artificial neural networks for determining the coordinates of the acoustic signal source, Ph.D. dissertation, Lviv Polytechnic National University, Lviv, 2023. [Online]. Available: https://lpnu.ua/sites/default/files/2024/radaphd/27261/phdartemukfinal.pdf

Порівняльний аналіз методів автоматичної класифікації цифрових модуляцій на основі глибинних нейронних мереж

Анотація

Посилання