Projeto de classificadores para sistema de reconhecimento automático de modulações

• Ano de defesa: 2019
• Autor(a) principal: Valadão, Myke Douglas de Medeiros
• Outros Autores: http://lattes.cnpq.br/0978757876868990
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Faculdade de Tecnologia; Brasil; UFAM; Programa de Pós-graduação em Engenharia Elétrica
• Palavras-chave em Português: Modulação (Eletrônica) - Classificação; Redes de rádio cognitivo; Redes neurais (Computação); ENGENHARIAS: ENGENHARIA ELÉTRICA; Rádio cognitivo; Classificação automática de modulações; Redes neurais artificiais; Floresta aleatória
• Link de acesso: https://tede.ufam.edu.br/handle/tede/7569

A subutilização do espectro de frequência é uma problema recorrente atualmente e, com o aumento da demanda de usuários que utilizam sistemas de comunicação remota, foi necessário buscar uma maneira mais eficiente de alocar usuários no espectro, surgindo assim, as técnicas que aplicam o rádio cognitivo. O rádio cognitivo, detecta buracos espectrais e aloca de maneira dinâmica usuários nestes espaços inutilizados. Com isso em vista, as técnicas de classificação automática de modulação vieram para fornecer informações a priori que auxiliam no sensoriamento do espectro. Nesta dissertação propõe-se, para classificar sinais modulados, utilizar uma gama de classificadores multiclasse supervisionados baseados em aprendizado de máquina e aprendizado profundo, com seus parâmetros pré-estabelecidos. Dentre os classificadores englobados em aprendizado de máquina, abordamos algoritmos baseados em árvore de decisão e algoritmo de classificação probabilística, Naive Bayes. Dentro do aprendizado profundo, aplicou-se redes neurais artificiais através de uma rede perceptron multicamada totalmente conectada com retropropagação utilizando algoritmo de Levenberg-Marquardt para atualização dos pesos da rede. Foram obtidos taxas de acurácia de 95,2866% e 93,1253% nos classificadores baseados em árvore de decisão, 87,4% na rede neural e 74,7845% no Naive Bayes. Na literatura foi encontrado um trabalho com base de dados semelhante qualitativamente a utilizada nesta dissertação e sua acurácia foi de 89,72%, enquanto a melhor acurácia apresentada nesta dissertação foi de 95,2866%.