Nâng cao hiệu quả phân loại điều chế tự động sử dụng mạng CNN đa đầu vào

Bài viết Nâng cao hiệu quả phân loại điều chế tự động sử dụng mạng CNN đa đầu vào đề xuất một phương pháp sử dụng mạng học sâu đa đầu vào để trích lọc nhiều hơn các đặc trưng của tín hiệu từ đó nâng cao độ chính xác phân loại. Mô hình đa đầu vào lần lượt được đánh giá với các đầu vào khác nhau, gồm tín hiệu IQ kết hợp tín hiệu I (In-phase) (gọi là mô hình IQ-I) và tín hiệu IQ kết hợp tín hiệu Q (Quadrature phase) (gọi là mô hình IQ-Q). Mời các bạn cùng tham khảo!

Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) Nâng cao hiệu phân loại điều chế tự động sử dụng mạng CNN đa đầu vào Tạ Thị Kiều Lan1, Lê Hà Khánh1, Hoàng Văn Phúc1 Đoàn Văn Sáng2 Viện Tích hợp hệ thống, Trường Đại học Kỹ thuật Lê Q Đơn Số 236 Hồng Quốc Việt, Quận Bắc Từ Liêm, Hà Nội Học viện Hải Quân, Nha Trang, Khánh Hịa Email: phuchv@lqdtu.edu.vn Tóm tắt – Phân loại điều chế tự động (Automatic Modulation Classification: AMC) trình phát phân loại điều chế dựa tín hiệu thu mà khơng có thơng tin tiên nghiệm tín hiệu (sóng mang, cơng suất tín hiệu, pha tín hiệu…) Học sâu (Deep Learning: DL) phương pháp hứa hẹn với độ xác cao, ngày ứng dụng rộng rãi vào phân loại điều chế tự động Các nghiên cứu trước phân loại tín hiệu điều chế tập trung với mơ hình đơn đầu vào nên độ xác phân loại cịn hạn chế Do đó, nghiên cứu báo đề phương pháp sử dụng mạng học sâu đa đầu vào để trích lọc nhiều đặc trưng tín hiệu từ nâng cao độ xác phân loại Mơ hình đa đầu vào đánh giá với đầu vào khác nhau, gồm tín hiệu IQ kết hợp tín hiệu I (In-phase) (gọi mơ hình IQ-I) tín hiệu IQ kết hợp tín hiệu Q (Quadrature phase) (gọi mơ hình IQ-Q) Kết mơ cho thấy mơ hình đa đầu vào cho độ xác phân loại điều chế tín hiệu cao mơ hình đơn đầu vào, cụ thể mơ hình IQ-I IQ-Q đạt độ xác cao mơ hình đơn đầu vào IQ 6% 7% số kênh việc tính tốn phức tạp tham số chưa biết đưa vào Trong đó, phương pháp FB sử dụng cách trích xuất tích lũy bậc cao (HOC: Higher-order cumulants) phân tích đặc trưng cho sơ đồ điều chế Tuy nhiên, phương pháp phân loại hiệu môi trường kênh phức tạp [3] Index Terms—Học sâu, đa đầu vào, điều chế, tỉ số tín tạp, phân loại điều chế tự động Trong năm gần đây, học sâu có tiến vượt bậc nhiều lĩnh vực nhận thức vật, dịch tự động, nhận dạng giọng nói, … Đó vấn đề khó khăn với nhà nghiên cứu trí tuệ nhân tạo Tuy nhiên, ứng dụng học sâu phân loại điều chế cách tiếp cận áp dụng lĩnh vực dân dụng quân Không giống kỹ thuật LB FB yêu cầu ngưỡng định thủ cơng, phương pháp học sâu thích nghi tìm kiếm xác định chúng Các thuật tốn AMC thơng thường cần tính tốn với thời gian thực để đưa kết Không độ phức tạp tính tốn cao hơn, mà thời gian trễ dài khơng có lợi để áp dụng tồn hệ thống truyền thơng Học sâu thích nghi để đối phó với vấn đề cách Mặc dù phải lượng lớn thời gian để huấn luyện mạng, mạng huấn luyện thực nhiệm vụ phân loại gần thời gian thực, sát với quy trình xác thực I GIỚI THIỆU Sự phát triển bùng nổ hệ thống thông tin tất lĩnh vực kinh tế - xã hội, quốc phòng, an ninh dẫn tới lượng liệu truyền kênh vô tuyến ngày lớn, nhu cầu sử dụng phổ tần số vô tuyến ngày cao, tần số sử dụng ngày trở nên khan hiếm, cần quản lý sử dụng hiệu Do đó, phân loại điều chế tự động (AMC: Automatic Modulation Classification) nhiệm vụ quan trọng, để xác định giảm thiểu điểm yếu bảo mật Đồng thời AMC cho phép chia sẻ phổ hợp tác để tối đa hóa tiện ích phổ, giúp cho việc quản lý sử dụng hiệu phổ tần kỷ nguyên truyền thông không dây lĩnh vực dân sự, thương mại, phủ ứng dụng quân chia sẻ phổ tần Một trình phân loại điều chế điển hình thường liên quan đến hai bước: tiền xử lý tín hiệu phân loại tín hiệu xử lý Cụ thể, T.J O’Shea J Corgan [4] xây dựng mạng nơ ron tích chập (CNN: Convolutional Neural Network) để nhận dạng tập liệu bao gồm 11 điều chế: kỹ thuật số tương tự Mơ hình đạt độ xác phân loại khoảng 87,4% tập liệu thử nghiệm Hiệu phân loại điều chế CNN kiểu điều chế nghiên cứu [5] Nhóm tác giả thông qua kiến trúc GoogLeNet AlexNet để phân loại điều chế dựa hình ảnh chịm tín hiệu làm đầu vào Tuy nhiên, kiến trúc cho thấy phụ thuộc ngày nhiều vào yếu tố tiền xử lý hình ảnh độ phân giải hình ảnh, kích thước cắt ảnh, đạt độ xác 80% SNR = dB AMC truyền thống chia thành hai loại: Dựa khả (LB: Likelihood-based) [1] dựa đặc trưng (FB: Feature-based) [2] Phương pháp phân loại điều chế LB so sánh giá trị hàm khả tín hiệu nhận nhóm điều chế xem xét Tuy nhiên, phương pháp LB cần biết trước tham ISBN 978-604-80-7468-5 159 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) A P Hermawan cộng [6] sử dụng tín hiệu IQ (In-phase and quadrature phase) làm đầu vào để nghiên cứu hiệu kiến trúc CNN với lớp tích chập, lớp gộp cực đại lớp kết nối đầy đủ để phân loại 11 dạng điều chế đạt độ xác 83,4% 18 dB Những nội dung lại báo tổ chức sau: phần II mơ tả mơ hình đề xuất Tập liệu sử dụng báo trình bày phần III Phần IV thảo luận kết mô nhận xét Cuối cùng, kết luận báo trình bày phần V Tim O’Shea T Charles Clancy [7] khảo sát với tập liệu gồm 24 kiểu điều chế bậc cao với mô hình ResNet sửa đổi để khắc phục tượng tê liệt nơ-ron (vanishing gradient) mạng CNN Đối với kiểu điều chế bậc thấp, SNR cao, ResNet đạt tỷ lệ xác phân loại tối đa 99,8% Ở SNR thấp hơn, hiệu mạng VGG ResNet giống hệt II Trong phần này, mơ hình mạng nơ ron đa đầu vào đề xuất mơ tả nhằm phân biệt với mơ hình đơn đầu vào Trước tiên, thành phần mơ hình CNN mơ tả làm rõ Theo đó, mơ hình CNN thường bao gồm: lớp tích chập, lớp kích hoạt phi tuyến, lớp pooling lớp kết nối đầy đủ Yogesh Kumar [8] khảo sát mơ hình ResNet-50 mạng Inception ResNet V2 nhằm xác định kiểu điều chế 2ASK, 4ASK, QPSK, 8PSK, 8QAM, 16QAM, 32QAM, 64QAM Cả hai mơ hình, ResNet-50 Inception ResNet V2 cung cấp phân loại đáng tin cậy SNR > dB cho tất kiểu điều chế ngoại trừ 16QAM 64QAM Lớp tích chập (Convolutional Layer) lớp mạng CNN Đó lớp để nhận dạng đặc trưng bật từ đầu vào Trong phép tốn tích chập, ô nhỏ ma trận đầu vào nhân tích chập với ma trận lọc Phép tích chập tính theo cơng thức: Tuy nhiên, báo trích xuất đặc trưng tín hiệu miền thời gian sử dụng mơ hình tương đối phức tạp để đạt hiệu phân loại cao H Elyousseph, M L Altamimi [9] trích xuất đặc trưng tín hiệu miền I, miền Q miền phổ tạo liệu đầu vào dạng hình ảnh lai ghép để đưa vào huấn luyện Với cách xử lí liệu đầu vào trên, toán AMC quy toán phân loại ảnh Các phương pháp biểu diễn hình ảnh kết hợp với CNN đạt hiệu phân loại tốt, nhiên với đầu vào dạng ảnh làm tăng kích thước đầu vào, tín hiệu trước đưa vào mơ hình phải qua bước tiền xử lý ghép lại với nhau, làm tăng đặc trưng tín hiệu làm tăng tham số tính tốn mơ hình k ( x, y ) * f ( x, y )  m/ n/   k (u , v ) f ( x u , y  v ) u  m / v  n / (1) Trong k ( x , y ) lọc kích thước m  n , f ( x , y ) ma trận đầu vào Trong q trình tính tích chập, số bước nhảy cho lần di chuyển xem xét trượt lọc toàn ma trận đầu vào Tuy nhiên, số bước nhảy phủ toàn ma trận đầu vào, đặc biệt với đặc trưng ngồi biên Lớp kích hoạt phi tuyến thường sử dụng hàm kích hoạt ReLU (Rectified Linear Unit) hàm phi tuyến có tác dụng đưa giá trị âm Mục đích lớp đưa giá trị đầu vào ngưỡng để loại bỏ giá trị âm khơng cần thiết ảnh hưởng cho bước tính tốn sau Về mặt toán học, hàm ReLU biểu diễn sau: Hầu hết phương pháp AMC dựa học sâu đề cập cố gắng mô tả đặc điểm tín hiệu điều chế ban đầu, xem xét mối quan hệ đặc trưng tín hiệu cấu trúc mạng Để giải vấn đề trên, báo đề xuất phân loại điều chế dựa mơ hình CNN với đa đầu vào mà cụ thể hai đầu vào, với đầu vào tín hiệu kênh IQ, đầu vào tín hiệu kênh I kênh Q để gia tăng đặc trưng học từ nâng cao hiệu phân loại Tại thời điểm, tín hiệu ban đầu chuyển đổi thành liệu kênh IQ, kênh I kênh Q mạng CNN xây dựng để trích xuất đặc trưng biên độ pha tín hiệu Những đóng góp nghiên cứu tóm tắt sau: f ( x )  max(0, x) (2) Lớp gộp (pooling) thực chất lấy mẫu xuống, làm giảm kích thước đầu vào thực tích chập mà giữ đặc trưng đầu vào Điều cho phép giảm độ phức tạp tính tốn đồng thời khơng làm đặc trưng quan trọng đầu vào Lớp gộp có loại sau: gộp cực đại, gộp trung bình, gộp tổng Trong đó, gộp cực đại kiểu thường sử dụng Lớp kết nối đầy đủ (Fully Connected Layer): Ma trận nhận sau bước tích chập gộp đưa vào mạng kết nối đầy đủ mạng nơ ron truyền thống Do đó, nút lớp kết nối đầy đủ kết nối trực tiếp với nút lớp trước lớp Hình Các lớp kết nối đầy đủ thường theo sau hàm kích hoạt ReLU, riêng với lớp kết nối đầy đủ cuối mạng CNN thường - Đánh giá mối quan hệ đặc trưng tín hiệu cấu trúc mạng, cụ thể số kênh lọc - Sử dụng mơ hình CNN đa đầu vào nhằm trích xuất nhiều đặc trưng tín hiệu miền I, Q tín hiệu IQ, khai thác tối đa đặc trưng miền, từ nâng cao hiệu phân loại điều chế ISBN 978-604-80-7468-5 MƠ HÌNH ĐỀ XUẤT 160 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) theo sau hàm kích hoạt softmax để tính xác suất cho lớp: 𝑆(𝑦𝑖 ) = 𝑒 A , 𝑖 = 1,2, … , 𝑁 (6) Q   arctan   I  𝑖 𝑗 ∑𝑁 𝑗 𝑒 I Q2 (3) Trước hết, báo xem xét mối quan hệ đặc trưng tín hiệu với cấu trúc mạng có số lọc khác dựa mơ hình CNN đơn đầu vào sử dụng kênh IQ Hình Trên sở cấu trúc mạng tối ưu đặc trưng tín hiệu, nhóm tác giả triển khai kiến trúc mạng CNN đa đầu vào Hình để so sánh hiệu phân loại với mạng CNN đơn đầu vào Các mơ hình huấn luyện sử dụng số vịng lặp (epoch) 50, mini-batch size 64, tốc độ học khởi tạo 0.001, thuật toán tối ưu Adam hàm mát categorical cross-entropy Thiết bị sử dụng để mơ máy tính với cấu hình CPU 3.7 GHz, RAM 32GB NVIDIA GeForce GTX 3060ti GPU 𝑆(𝑦𝑖 ) xác suất để đầu vào rơi vào lớp thứ i N số lớp đầu Tín hiệu IQ Kích thước 128x2 Hình Lớp kết nối đầy đủ Tín hiệu I/Q Kích thước 128x1 Đầu vào Đầu vào Reshape 128,2,1 Reshape 64,2,1 Conv2D 64x3x1 ReLU Conv2D 64x3x1 ReLU Gộp cực đại 2x2 Gộp cực đại 2x2 Chọn ngẫu nhiên 0.4 Chọn ngẫu nhiên 0.4 Conv2D 64x3x1 ReLU Conv2D 64x3x1 ReLU Chọn ngẫu nhiên 0.4 Chọn ngẫu nhiên 0.4 Bài báo ứng dụng mạng CNN với mơ hình đa đầu vào trích xuất nhiều đặc trưng tín hiệu I, Q IQ để nâng cao hiệu phân loại Véc-tơ hóa Véc-tơ hóa Cơ sở tốn học để biểu diễn kênh I kênh Q tín hiệu xuất phát từ biểu thức tổng quát tín hiệu: Kết nối đầy đủ 128 ReLU Kết nối đầy đủ 128 ReLU Kết nối đầy đủ 11 Softmax Kết nối đầy đủ 11 Softmax Đầu 11 Đầu 11 a, Đầu vào IQ b, Đầu vào I Q Lớp ghép kênh (concatenate layer) giúp kết hợp mảng với nhau, yêu cầu mảng đầu vào lớp ghép kênh phải kích thước Việc kết hợp thực cách ghép xen hàng mảng đầu vào biểu diễn Hình Đầu vào r*c Ghép kênh 2r*c Đầu vào r*c Hình Lớp ghép kênh s (t )  A cos( t   ) c  A cos  cos( t )  A sin  sin( t ) c c (4) Kênh I Q xác định qua biểu thức (5), biên độ pha tín hiệu biểu diễn kênh I, Q thông qua biểu thức (6): I  A.cos  Q  A sin  ISBN 978-604-80-7468-5 Hình Cấu trúc mạng CNN đơn đầu vào (5) 161 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thơng Cơng nghệ Thơng tin (REV-ECIT2022) Tín hiệu IQ Kích thước 128x2 dụng Matlab làm cơng cụ mơ Kết so sánh độ xác mơ hình thể Hình Tín hiệu I/Q Kích thước 128x1 Đầu vào Đầu vào Reshape 128,2,1 Reshape 64,2,1 Conv2D 64x3x1 ReLU Conv2D 64x3x1 ReLU Gộp cực đại 2x2 Gộp cực đại 2x2 Chọn ngẫu nhiên 0.4 Chọn ngẫu nhiên 0.4 Conv2D 64x3x1 ReLU Conv2D 64x3x1 ReLU Chọn ngẫu nhiên 0.4 Chọn ngẫu nhiên 0.4 Véc-tơ hóa Véc-tơ hóa Kết nối đầy đủ 128 ReLU Kết nối đầy đủ 128 ReLU Nhóm tác giả tiến hành mơ mơ hình CNN đơn đầu vào với số kênh lọc lớp tích chập 32 64 Từ kết mơ Hình 5, mơ hình CNN với 64 kênh lọc cho độ xác cao khoảng 3% so với mơ hình CNN với 32 kênh lọc cho SNR từ -20 dB đến +18 dB Có thể thấy rằng, việc thay đổi số kênh lọc làm tăng đặc trưng tín hiệu trích xuất, từ tăng độ xác phân loại Bên cạnh đó, việc sử dụng tín hiệu đầu vào cho mơ hình sử dụng kênh I kênh Q cho độ xác gần với tín hiệu kênh IQ Tuy nhiên với kênh I, độ xác thấp nhất, thấp khoảng 4% so với kênh Q tín hiệu kênh IQ Ghép kênh Kết nối đầy đủ 11 Softmax Đầu 11 Hình Cấu trúc mạng CNN đa đầu vào Hình Độ xác phân loại mơ hình đơn đầu vào III TẬP DỮ LIỆU ĐÁNH GIÁ Khi sử dụng mơ hình CNN với hai đầu vào tín hiệu kênh IQ tín hiệu kênh I (hoặc kênh Q), kết mô Hình cho thấy độ xác phân loại tín hiệu tăng đáng kể Độ xác mơ hình đa đầu vào cao mơ hình đơn đầu vào khoảng 7% cho kênh I kênh Q với SNR từ -20dB đến 18dB Có thể thấy rằng, cấu trúc mơ hình mạng, nhờ việc tăng đặc trưng tín hiệu thơng qua mơ hình sử dụng đa đầu vào làm cải thiện đáng kể độ xác phân loại mơ hình Bài báo sử dụng tập liệu RML2016.10a giới thiệu báo [4], bao gồm 11 dạng tín hiệu điều chế thuộc nhóm điều chế khác liệt kê sau: • Điều chế tương tự: WB-FM, AM-SSB, AM-DSB • Điều chế FSK: BFSK, CPFSK • Điều chế PAM: 4PAM • Điều chế PSK: BPSK, QPSK, 8PSK • Điều chế QAM: 16QAM, 64QAM Bộ liệu có tín hiệu với chiều dài 128 mẫu I/Q loại điều chế, tỷ số tín hiệu tạp âm (signal to noise ratio: SNR) từ -20 dB đến +18 dB, bước cách dB Tổng cộng, liệu có 220.000 mẫu tín hiệu Tập liệu tạo điều kiện kênh có Fading đa đường biến đổi theo thời gian kênh đáp ứng xung đơn vị, độ trôi với bước ngẫu nhiên dao động tần số sóng mang đồng hồ thời gian mẫu tạp âm trắng cộng tính Gauss IV THẢO LUẬN KẾT QUẢ Trong phần này, nhằm đánh giá hiệu mơ hình CNN sử dụng đơn đầu vào đa đầu vào, nhóm tác giả sử ISBN 978-604-80-7468-5 Hình Độ xác mơ hình đơn mơ hình đa đầu vào 162 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) Ma trận so sánh (confusion matrix) sử dụng thấy so sánh nhãn dự đoán so với nhãn Như Hình 7, dạng điều chế tương tự AMDSB, điều chế số bậc thấp BPSK, CPFSK, GPSK, 4PAM cho độ xác phân loại cao, 96% SNR= +2dB bị lỗi Với tín hiệu điều chế số bậc cao 8PSK, 16QAM, 64QAM cho độ xác 70% SNR = +2dB Có thể thấy tín hiệu điều chế bậc cao mặc tốc độ truyền dẫn nhanh hơn, tồn nhiều điểm tín hiệu, khoảng cách từ điểm tín hiệu đến biên định bị thu hẹp, đặc biệt bị ảnh hưởng tạp trắng chuẩn cộng tính điều kiện kênh pha-đing đa đường, tỷ lệ lỗi tăng, tức SNR giảm, chịm tín hiệu bị phân tán hơn, điểm tín hiệu tiến gần đến biên định, dẫn tới giảm hiệu phân loại tín hiệu VI KẾT LUẬN Trong báo này, với liệu đầu vào điều kiện ảnh hưởng tạp trắng chuẩn cộng tính có pha-đing đa đường, nhóm tác giả so sánh ảnh hưởng tương quan đặc trưng tín hiệu với cấu trúc mạng CNN tới độ xác phân loại Bài báo so sánh độ xác phân loại mơ hình CNN đơn đầu vào mơ hình CNN đa đầu vào mơ hình CNN đa đầu vào trích xuất nhiều đặc trưng tín hiệu Cụ thể, đặc trưng tín hiệu kênh IQ kết hợp với kênh I kênh Q cho phép mơ hình CNN đa đầu vào nâng cao hiệu phân loại Kết sơ đầy hứa hẹn mở hướng nghiên cứu cho toán AMC với nhiều loại tín hiệu hơn, liệu đầu vào lớn điều kiện kênh truyền khác Việc sử dụng kết hợp kênh tín hiệu khác cho phép nâng cao độ xác phân loại tín hiệu tần số vơ tuyến chúng có đặc trưng bật miền tần số so với miền thời gian ngược lại Trong nghiên cứu tiếp theo, nhóm tác giả tập trung tạo nhiều dạng sóng cho liệu huấn luyện, nghiên cứu tiền xử lý tín hiệu, trích xuất đặc trưng tín hiệu miền khác thời gian, tần số, pha… đưa vào huấn luyện với mơ hình đa đầu vào để nâng cao độ xác phân loại LỜI CẢM ƠN Nghiên cứu Bộ Khoa học Công nghệ tài trợ đề tài nghị định thư Việt Nam - CH Séc mã số NĐT/CZ/22/12 TÀI LIỆU THAM KHẢO [1] J L Xu, W Su and M Zhou, “Likelihood-Ratio Approaches to Automatic Modulation Classification,” in IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), vol 41, no 4, pp 455-469, July 2011, doi: 10.1109/TSMCC.2010.2076347 [2] Hazza, M Shoaib, S A Alshebeili and A Fahad, “An overview of feature-based methods for digital modulation classification,” 2013 1st International Conference on Communications, Signal Processing, and their Applications (ICCSPA), 2013, pp 1-6, doi: 10.1109/ICCSPA.2013.6487244 [3] S Hu, Y Pei, P P Liang and Y -C Liang, “Deep Neural Network for Robust Modulation Classification Under Uncertain Noise Conditions,” in IEEE Transactions on Vehicular Technology, vol 69, no 1, pp 564-577, Jan 2020, doi: 10.1109/TVT.2019.2951594 [4] T.J O’Shea, J Corgan, T C Clancy, “Convolutional Radio Modulation Recognition Networks,” a Mô hình đa kênh đầu vào IQ-I b Mơ hình đa kênh đầu vào IQ-Q Hình Ma trận so sánh phân loại điều chế sử dụng mơ hình đa đầu vào SNR = +2 dB ISBN 978-604-80-7468-5 163 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) [5] [6] [7] [8] [9] Communications in Computer and Information Science, vol 629, pp 213–226, Jun 2016 S Peng, H Jiang, H Wang, H Alwageed, Y Zhou, M M Sebdani, and Y Yao, “Modulation classification based on signal constellation diagrams and deep learning,” IEEE Transactions on Neural Networks and Learning Systems, vol 30, no 3, pp 718–727, 2019, doi: 10.1109/TNNLS.2018.2850703 P Hermawan, R R Ginanjar, D Kim, and J Lee, “CNN-Based Automatic Modulation Classification for Beyond 5G Communications,” IEEE Communications Letters, vol 24, no 5, pp 1038–1041, 2020, doi: 10.1109/LCOMM.2020.2970922 T J O’Shea, T Roy and T C Clancy, “Over-the-Air Deep Learning Based Radio Signal Classification,” in IEEE Journal of Selected Topics in Signal Processing, vol 12, no 1, pp 168-179, Feb 2018, doi: 10.1109/JSTSP.2018.2797022 Y Kumar, M Sheoran, G Jajoo and S K Yadav, “Automatic Modulation Classification Based on Constellation Density Using Deep Learning,” in IEEE Communications Letters, vol 24, no 6, pp 1275-1278, June 2020, doi: 10.1109/LCOMM.2020.2980840 H Elyousseph, M L Altamimi, “Deep Learning Radio Frequency Signal Classification with Hybrid Images,” 2021 IEEE International Conference on Signal and Image Processing Applications (ICSIPA), 2021, pp 7-11 ISBN 978-604-80-7468-5 164 ... hiệu điều chế ban đầu, xem xét mối quan hệ đặc trưng tín hiệu cấu trúc mạng Để giải vấn đề trên, báo đề xuất phân loại điều chế dựa mô hình CNN với đa đầu vào mà cụ thể hai đầu vào, với đầu vào. .. tín hiệu điều chế thuộc nhóm điều chế khác liệt kê sau: • Điều chế tương tự: WB-FM, AM-SSB, AM-DSB • Điều chế FSK: BFSK, CPFSK • Điều chế PAM: 4PAM • Điều chế PSK: BPSK, QPSK, 8PSK • Điều chế. .. phép mơ hình CNN đa đầu vào nâng cao hiệu phân loại Kết sơ đầy hứa hẹn mở hướng nghiên cứu cho tốn AMC với nhiều loại tín hiệu hơn, liệu đầu vào lớn điều kiện kênh truyền khác Việc sử dụng kết hợp