Classificação Automática de Modulações utilizando Redes Neurais Artificiais com regularização Bayesiana e algoritmo de retropropagação de Levenberg-Marquardt

Resumo

Resumo

With the increase in demand for frequency spectrum, it was necessary to search for more efficient ways to allocate users in the spectrum. The cognitive radio senses the spectrum and dynamically allocates users in unused spaces. The techniques for automatic classification of modulation have come to provide information that assist in spectrum sensing. For this work, characteristics were extracted from signals modulated in passband in differents SNR. The classifier used was a perceptron network with Bayesian regularization and Levenberg-Marquardt backpropagation algorithm. For the proposed method, obtained accuracy that varies from 74.8% to 95.5%. Keywords— Automatic Modulation Classification, Artificial Neural Network, Cognitive Radio. Myke D. M. Valadão, Antônio M. C. Pereira, Eddie B. L. Filho, Celso B. Carvalho, Lucas C. Cordeiro e Waldir S. S. Júnior, Pós-Graduação em Engenharia Elétrica, Universidade Federal do Amazonas (PPGEE/UFAM), Lucas Carvalho Cordeiro, University of Manchester, Manchester-UK, André L. A. da Costa, Universidade Federal de Uberlândia (UFU), Uberlândia-MG, Diego A. Amoedo, Agência Nacional de Telecomunicações (ANATEL), Manaus-AM. E-mails: myke.medeiros@gmail.com, antonio.tech@yahoo.com, diegoalves@anatel.gov.br, eddie.filho@tpvtech.com, andre-aguiar@mtel.inatel.br, lucas.cordeiro@manchester.ac.uk, ccarvalho_@ufam.edu.br, waldirsabino@gmail.com. Este trabalho foi financiado pela Fundação de Amparo à Pesquisa do Estado do Amazonas (FAPEAM) e pela Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES). Esta pesquisa foi financiada pela Samsung Eletrônica da Amazônia Ltda, nos termos da Lei Federal no 8.387 / 91, através de convênio firmado com o CETELI/UFAM. I. INTRODUÇÃO Com popularização dos dispositivos e serviços de comunicação remota a demanda por espectro de frequência vem aumentando drasticamente, porém, esse recurso natural é finito e sua política de distribuição tornou-se ineficiente [1]. Parte desta ineficiência é causada pela política de distribuição sugerida pela UIT (União Internacional de Telecomunicações) [1]. Entretanto, esta subutilização de espectro é sanada com a utilização do rádio cognitivo [2]. O rádio cognitivo aplica técnicas de sensoriamento para mapear o espectro de frequência, e identificar espaços inutilizados para, então, alocar de maneira dinâmica usuários secundários. A classificação automática de modulações (AMC, do inglês automatic modulation classification) foi necessária para fornecer informações a priori e auxiliar no processo de sensoriamento de espectro. Neste método de sensoriamento avalia-se se há ou não presença de usuário primário no canal correlacionando a modulação [2]. A AMC é o processo no qual um conjunto de informações extraída dos sinais modulados é utilizado para treinar um classificador, gerando um modelo utilizado para identificar a modulação do sinal avaliado pelo rádio cognitivo. O método de extração das informações dos sinais modulados é uma etapa crítica para a AMC, porque impactará diretamente no desempenho do classificador e consequentemente na boa operação do rádio cognitivo. Dentre os métodos mais comuns na literatura encontra-se os baseados em extração de características (FB, do inglês feature-based) [1][3], verossimilhança (LB, do inglês likelihood-based) [4] e matriz de constelações de grade (CGM, do inglês grid constellation matrix) [5][6]. Para esse trabalho foi proposto a extração de 29 características, tais como: características espectrais, por transformada, estatísticas, de teste de distribuição e cicloestacionárias. Os sinais modulados foram gerados em banda base, adicionou-se, também em banda base, ruídos modelados pelos canais AWGN (do inglês additive white gaussian noise) e Rayleigh. Em seguida foi aplicado o elevador de frequência (do inglês upconverter) e, por fim, amostragem e determinação de envoltória, para, então, que suas características sejam XXXVIII SIMPÓSIO BRASILEIRO DE TELECOMUNICAÇÕES E PROCESSAMENTO DE SINAIS SBrT 2020, 22–25 DE NOVEMBRO DE 2020, FLORIANÓPOLIS, SC extraídas. Dentre os métodos de classificação mais utilizados na literatura atualmente estão as redes neurais artificiais (ANN, do inglês antificial neural network) [7], redes neurais convolucionais (CNN, do inglês convolutional neural network) [8] [9] e SVM (do inglês support vector machine) [1]. O método de classificação proposto neste trabalho é uma ANN com RB e algoritmo de retropropagação (do inglês backpropagation) de LM. A ANN é um método de classificação recorrente que tenta simular o funcionamento do cérebro humano. Já a técnica de regularização e algoritmo de retropropagação são utilizados simultaneamente para maximizar o aprendizado da rede e reduzir o erro [10], evitando possíveis problemas com sobreajuste (do inglês overfitting). Dentre os métodos de regularização, LM e RB obtiveram ótimos resultados de erro médio quadrático (MSE, do inglês mean square error), como visto por [10]. Podemos notar que a AMC utilizando ANN com os métodos de regularização e retropropagação propostos obtiveram bons resultados se comparados com trabalhos similares. Para o trabalho proposto foi alcançado uma acurácia de 95, 5% no melhor caso, além da, precisão de aproximadamente 100% na correta classificação das modulações analógicas e por técnica de multiplexação para as SNR abordadas. Em comparação a literatura, em [11], a acurácia em 20db foi de 91% enquanto na metodologia proposta foi de 93, 7%. Assim, realizando uma análise entre as metodologias presentes na literatura, podese dizer que os métodos, tanto de geração de sinais quanto de classificação de modulação, abordados neste trabalho demonstram relevância para o contexto de sistemas que procuram aumentar a eficiência do espectro de frequência. A. Contribuições do Artigo As contribuições científicas desta pesquisa são descritas conforme a seguir: primeiramente, utiliza-se um sistema similar ao proposto por [1], para AMC, o qual utiliza sinais corrompidos por ruído modelados por canais AWGN e Rayleigh e modulados em banda base, amostragem em banda passante e formatação de pulso. A contribuição específica proposta neste artigo concentra-se em explorar uma ANN que emprega o algoritmo de retropropagação de LM simultaneamente com a RB que, quando combinados, reduzem o MSE além de evitar o sobreajuste [10]. LM é um algoritmo que busca o mínimo local de uma função mesmo que seu estado inicial seja distante do mínimo. Assim, pode-se considerar que o algoritmo de LM é um bom método de atualização dos pesos pois tende a buscar o mínimo da função erro independente da condição inicial [10][12]. Adicionalmente, a quantidade de sinais utilizados para os experimentos foi consideravelmente ampliada. De fato, neste artigo utiliza-se 47100 sinais modulados para cada modulação em contrapartida aos 400 sinais modulados para cada modulação utilizados em [1]. Foi realizada uma avaliação da ANN com variação do número de camadas ocultas, similar ao estudo realizado por [13]. II. TRABALHOS RELACIONADOS Em [9] é proposta uma metodologia de classificação baseada em CNN devido sua aptidão para lidar com sinais multidimensionais, apoiada na sua característica de invariabilidade espacial. Os autores criaram uma CNN com 4 camadas, com duas camadas convolucionais e duas camadas completamente conectadas para classificar os sinais AM, FM e SSB (do inglês, respectivamente, amplitude modulation, frequency modulation e single-sideband modulation), utilizando a função RELU (do inglês rectified linear unit). Foram simulados dois cenários: com e sem extração de características. No primeiro cenário, as taxas de acerto foram de 60 a 62% com SNR de 10 e 16dB. No segundo, as taxas foram de 70 a 72% com as mesmas SNR. Entretanto, neste trabalho, a quantidade de modulações abordadas e a variação de níveis de SNR são pequenas, o que não retrata a pluralidade dos sistemas de comunicação atuais. No trabalho de [11] é utilizada uma rede neural recorrente (RNN, do inglês recur

palavras-chave

Palavras-chave

automatic modulation classificationartificial neural networksBayesian regularizationLevenberg-Marquardt algorithmneural network training

links

Links e arquivos