Abstract
Работа направлена на улучшение эффективности идентификации различных типов цифровой модуляции. Она включает в себя анализ текущих методик автоматического определения модуляций, выявление и классификацию особенностей цифровой модуляции, а также создание уникальной базы данных для этих целей. В исследовании предложен современный подход, основанный на технологии глубокого обучения с применением сверточных нейронных сетей, обучающихся на специально подготовленном наборе данных, что позволяет значительно повысить точность классификации. Установлена связь между сверточнымнейроннымсетем(CNN) и сигналом модуляции, где сверточная нейронная сетьобучается на синфазных и квадратурных выборках сигналов. Подобранные параметры сети обеспечивают более высокую точность измерения. Эксперименты показали, что сверточная нейронная сетьспособна классифицировать сигналы с высоким уровнем даже при низком отношении сигнала/шума(SNR), превышающем 99,9%, за исключением квадратурнойфазовойманипуляции (QPSK) (94,5%). Полученные результаты демонстрируют эффективность использования глубокого обучения для приборов цифровой модуляции.