Detalhes bibliográficos
| Ano de defesa: |
2021 |
| Autor(a) principal: |
Carvalho, Cassiano Perin de |
| Orientador(a): |
Gonçalves, Luiz Marcos Garcia |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal do Rio Grande do Norte
|
| Programa de Pós-Graduação: |
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.ufrn.br/handle/123456789/46806
|
Resumo: |
A classificação de modulação automática (AMC) permite identificar o tipo de modulação do sinal recebido, sendo parte fundamental no desenvolvimento de dispositivos de rádio cognitivos que adaptam o tipo de modulação às características do ambiente de comunicação. Vários tipos de pesquisas sobre AMC foram feitas com base na análise dos sinais de modulação e usando seus parâmetros para desenvolver descritores de recursos poderosos a serem usados nesta classificação automática. Recentemente, uma nova tendência apareceu relacionada ao uso de arquiteturas baseadas em aprendizado profundo para esta classificação. Assim, neste trabalho propomos a utilização de métodos baseados em deep learning para classificar o tipo de modulação de um sinal em um ambiente com desvanecimento doppler e ruído impulsivo. Estudamos e propomos um modelo baseado na CNN que se mostrou comparável aos métodos do estado da arte. |
