Đang tải... (xem toàn văn)
Bài viết trình bày một phương pháp nhận dạng tín hiệu mới dựa trên một trong những công cụ học sâu, mạng nơ ron tích chập, giảm độ phức tạp tính toán và nâng cao độ chính xác khi nhận dạng điều chế tín hiệu.
Kỹ thuật điện tử VỀ MỘT GIẢI PHÁP PHÂN LOẠI VÀ NHẬN DẠNG ĐIỀU CHẾ TÍN HIỆU VƠ TUYẾN SỬ DỤNG MẠNG NƠ RON TÍCH CHẬP Bùi Minh Tuấn*, Nguyễn Phú Giang, Trần Cơng Thìn, Đỗ Doanh Điện, Vũ Lê Hà Tóm tắt: Phân loại nhận dạng điều chế tín hiệu khâu quan trọng trinh sát vơ tuyến Bài báo trình bày phương pháp nhận dạng tín hiệu dựa cơng cụ học sâu, mạng nơ ron tích chập, giảm độ phức tạp tính tốn nâng cao độ xác nhận dạng điều chế tín hiệu Bài báo phân tích, so sánh phương pháp đề xuất phương pháp dùng hệ chuyên gia truyền thống Các kết mô chứng minh hiệu giải pháp so sánh với giải pháp truyền thống dựa độ xác việc phân loại dạng điều chế tín hiệu thu Ưu điểm giải pháp kỹ thuật mở hướng áp dụng mạng nơ ron cho việc nâng cao hiệu toán nhận dạng tín hiệu Từ khóa: Học sâu; Mạng nơ ron tích chập; Phân loại dạng điều chế tín hiệu ĐẶT VẤN ĐỀ Trí tuệ nhân tạo (AI-Artificial Intelligence) công nghệ quan tâm nay, công nghệ trọng tâm, tảng cách mạng công nghiệp 4.0 Các ứng dụng AI vào sống phát triển mạnh mẽ đạt hiệu cao lĩnh vực xử lý ngôn ngữ tự nhiên, xử lý ảnh, robot,… Trong lĩnh vực quân sự, cường quốc Mỹ, Nga,… đầu tư, phát triển hệ thống vũ khí trang bị áp dụng AI hệ thống tàu thuyền, máy bay không người lái (Sea Hunter, UCAV X47,…), hay hệ thống công bán tự động Nga [1-3] Việc nghiên cứu áp dụng AI vào lĩnh vực quân xu hướng phổ biến quân đội nước giới Trong ứng dụng thông tin vô tuyến, tự động phát dạng điều chế tín hiệu (Automatic Modulation Classification: AMC) khâu quan trọng mục đích bảo mật trinh sát thông tin Đối với mục đích bảo mật, dạng điều chế tín hiệu sử dụng nhằm mã hóa làm cho máy thu không khôi phục liệu không xác định xác dạng điều chế Ngược lại, thu chặn thơng tin, cần thiết phải xác định xác dạng điều chế sử dụng bên phát, nhằm giải điều chế thơng tin cách xác (hình 1) [4] Khơi phục tín hiệu Giải mã Giải điều chế Mơ đun nhận dạng điều chế Phát tín hiệu Antenna Tra cứu địa lý (Electronic Maper) Hình Mơ hình AMC hệ thống trinh sát điện tử Cho đến có nhiều hướng nghiên cứu AMC, chia làm hai nhóm giải pháp dựa tỷ lệ hợp lẽ cực đại (Maximum Likely Hood Based: MLB) dựa đặc trưng (Feature Based: FB) Phương pháp MLB phương pháp có độ xác cao, nhiên, u cầu lực tính tốn mạnh mẽ Để giảm độ 114 B M Tuấn, …, V L Hà, “Về giải pháp phân loại … mạng nơ ron tích chập.” Nghiên cứu khoa học cơng nghệ phức tạp tính tốn, giải pháp cải tiến dựa MLB nghiên cứu Average Likelihood Ratio Test (ALRT), Generalized Likelihood Ratio Test (GLRT), Hybrid Likelihood Ratio Test (HLRT) [5] Nhóm giải pháp FB dựa đặc trưng tức thời tín hiệu biên độ, pha, tần số để phân loại nhóm tín hiệu điều chế Ưu điểm nhóm giải pháp độ phức tạp tính tốn thấp nhiên, độ xác Các hướng nghiên cứu áp dụng mạng nơ ron nhân tạo nhiều lớp (Deep Neural Networks: DNN) cho AMC, nhiên, độ xác đem lại chưa cao [6] Mạng nơ ron tích chập (Convolutional Neural Networks: CNN) công cụ AI mạnh mẽ, hiệu việc tự động phân loại nhận dạng, điều chứng minh lĩnh vực thị giác máy tính xử lý ngơn ngữ tự nhiên [7] Mục đích báo khai thác ưu điểm mạng CNN trích chọn liệu có cấu trúc để giảm độ phức tạp tính tốn nâng cao độ xác hệ thống Hình so sánh nhóm giải pháp truyền thống bao gồm FB MLB giải pháp dựa CNN Giải pháp truyền thống yêu cầu phải có phân tích lựa chọn đặc trưng liệu trước phân loại Trong đó, giải pháp dựa CNN không cần bước tiền xử lý Giải pháp truyền thống MLB FB Tín hiệu thu số hóa Phân tích, lựa chọn đặc trưng Phân loại Dạng điều chế Giải pháp dùng CNN Tín hiệu thu số hóa Phân loại qua mạng CNN Dạng điều chế Hình So sánh giải pháp AMC truyền thống với dùng mạng CNN Trọng tâm giải pháp chọn liệu, xây dựng cấu trúc mạng hàm mục tiêu (loss function) phù hợp Đóng góp báo đưa giải pháp phân loại nhiều dạng điều chế lúc mà không cần bước tiền xử lý nhóm giải pháp trước Phần lại báo tổ chức sau: mục báo trình bày sở lý thuyết mạng nơ ron tích chập phương pháp triển khai áp dụng lý thuyết vào toán phân loại dạng điều chế tín hiệu, mục giới thiệu liệu sử dụng, phương pháp mô thảo luận kết mô phỏng, phần kết luận tóm tắt đóng góp báo đề xuất hướng nghiên cứu MẠNG CNN TRONG XÁC ĐỊNH DẠNG ĐIỀU CHẾ TÍN HIỆU 2.1 Cơ sở lý thuyết mạng nơ ron tích chập Tích chập có vai trị quan trọng xử lý tín hiệu số, khái niệm mạng nơ ron tích chập tích chập chiều giới thiệu lần đầu cơng trình [7, 8] Bằng việc sử dụng liệu lớn thay tầng nối kín mạng DNN tích Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, - 2020 115 Kỹ thuật điện tử chập hai chiều, lọc phù hợp với tốn liệu học để mang lại kết phân loại tốt Một ví dụ điển hình việc sử dụng mạng nơ ron tích chập để phân loại nhận dạng đối tượng vật hình Lớp pooling Lớp tích chập Lớp tích chập tổng hợp (pooling) Tầng nối kín định Hình Ví dụ áp dụng mạng CNN cho phân loại vật [8] Để làm rõ thuật toán phân loại với CNN, nhóm tác giả chia kiến trúc mạng nơ ron tích gồm tầng theo thứ tự: i) tầng tích chập, ii) tầng nơ ron nối kín (DNN) định 2.1.1 Tầng tích chập Tầng bao gồm lớp tích chập xếp nối tiếp Một lớp tích chập cách tổng quát lớp lọc gồm F lọc chiều với đầu tích chập hai chiều liệu đầu vào với ma trận trọng số hay gọi kernel Ta ký hiệu lọc Q , liệu đầu vào, đầu sau lớp hay fearture map tương ứng: Qf ab , với f 1, , F , X nm , Yf nm (1) Ta có quan hệ tích chập thành phần tổng quát hóa theo biểu thức (2) Ví dụ phép tích chập hai chiều mơ tả hình a 1 Yi ,fj k 0 b 1 Q l 0 f a k ,b l X 1 s (i 1)k ,1 s ( j 1)l (2) Trong đó, s số nguyên bước trượt phép tích chập Các tham số n m chiều liệu đầu đó: n a 2 m b 2 , m n (3) s s Ta sử dụng kỹ thuật thêm lề bit “0” vào liệu đầu vào để đảm bảo kích thước liệu đầu có kích thước đồng đều: X i , j i 1, n j 1, m (4) , , 2.1.2 Tầng nơ ron nối kín (DNN) định Dữ liệu sau lớp pooling vec tơ hóa từ liệu chiều thành dạng vec tơ đầu vào tầng DNN Tầng bao gồm lớp nơ ron, giả sử có L lớp xếp cạnh kết nối với trọng số Một cách tổng quát, mạng nói hàm f (r0 ; ) : N0 NL ánh xạ liệu đầu vào đầu có dạng véc tơ tương ứng r0 116 N0 rL NL Việc thực qua L vòng lặp B M Tuấn, …, V L Hà, “Về giải pháp phân loại … mạng nơ ron tích chập.” Nghiên cứu khoa học công nghệ tương đương với việc lan truyền liệu qua lớp với: rl f (rl 1;l ) , f (rl 1;l ) (Wl rl 1 bl ) , l 1, 2, , L (5) 1×1+0×0+0×1+1×0+1×1+0×01×1+1×0+1×1= y = Dữ liệu vào X Bộ lọc Q Dữ liệu Y=X*Q Hình Quan hệ đầu vào đầu lớp tích chập Trong đó, tham số θ (1 , , L ) với l {Wl , bl } tham số huấn luyện cho toàn mạng Với Wl Nl Nl1 , bl Nl (.) ma trận trọng số, độ lệch (bias) hàm kích hoạt (activation function) Trong lớp nơ ron thứ l tham số l {Wl , bl } cập nhật trình huấn luyện/học để tối ưu mạng Một số dạng hàm kích hoạt phổ biến trình bày bảng [4] Bảng Các loại hàm kích hoạt ( x) Dạng hàm kích hoạt Miền giá trị đầu (, ) x Tuyến tính [0, ) max ( 0, x ) ReLU (rectified linear unit) (1, 1) tanh( x) (0,1) sigmoid e x e xj (0,1) softmax j e xj Dữ liệu cho trình huấn luyện mạng gán nhãn thành cặp đầu vào đầu tương ứng (r0,i , r*L,i ) , i 1, , S với S số véc tơ liệu đầu vào đầu ra/nhãn biết trước Mục tiêu việc huấn luyện tối thiểu sai số việc phân loại hay làm cho liệu đầu mạng giống với nhãn gán qua tối thiểu hàm mát (loss function): L( ) Trong đó, (u, v) : NL NL S (r*L,i , rL,i ) S i 1 (6) hàm mát nhãn, rL ,i đầu mạng đầu vào r0,i Các dạng hàm mát phổ biến sai số toàn Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, - 2020 117 Kỹ thuật điện tử phương trung bình (MSE), entropy chéo (cross entropy) Để tối thiểu hàm mát, nói trên, tham số θ (1 , , L ) điều chỉnh phương pháp đạo hàm ngược biểu diễn sau: t 1 t L(t ) (7) Yêu cầu toán phân loại đầu lớp cuối giá trị thể xác suất để đầu vào cần phân loại rơi vào nhóm gán nhãn với đầu vào Để thỏa mãn u cầu trên, hàm kích hoạt softmax (bảng 1) sử dụng lớp nơ ron cuối Điều đảm bảo cho đầu giá trị có tổng theo thứ tự đầu vào Đầu có giá trị lớn thuộc nhóm tương ứng với xác suất đối tượng đầu vào thuộc nhóm cao 2.2 Phân loại nhận dạng điều chế tín hiệu dựa mạng CNN 2.2.1 Phương pháp tạo liệu Trong phương pháp sử dụng CNN, liệu cho huấn luyện/học đóng vai trị quan trọng, định độ xác phân loại nhận dạng điều chế Phương pháp tạo liệu thể hình 5, khối xây dựng tảng vô tuyến định nghĩa phần mềm (SDR – Software Define Radio), thuận tiện cho việc điều chỉnh tham số [9] Trong đó, tín hiệu băng gốc bao gồm tín hiệu điều chế số tương tự, đưa qua khối tạo dạng xung với lọc cosin nâng hệ số uốn (raised-cosine filter), khối nội suy, trộn tần, pha đinh, tạp âm trắng cộng tính (AWGN) Kênh truyền H kênh Rayleigh, hệ số uốn có phân bố khoảng (0,1) Tín hiệu sau bao gồm ảnh hưởng kênh truyền lấy mẫu, số hóa dạng hai thành phần đồng pha I trực pha Q Tín hiệu băng gốc Điều chế số tương tự Hệ số uốn α Định dạng Xung tín hiệu Nội suy Trộn tần Kênh truyền H Tạp âm AWGN Tín hệu cho huấn luyện Tần số sóng mang Hình Mơ hình tạo liệu cho huấn luyện Dữ liệu sau lưu dạng mảng số thực có chiều N với chiều giá trị I, Q chiều số điểm lấy mẫu theo thời gian N 2.2.2 Huấn luyện mạng CNN cho nhận dạng điều chế tín hiệu Kiến trúc mạng CNN sử dụng thể hình bao gồm M lớp K lớp tích chập L lớp nơ ron nối kín Hàm kích hoạt lớp ReLu trừ lớp cuối với hàm kích hoạt softmax trước cho giá trị đầu vec tơ đơn vị (one-hot vec tơ) Dữ liệu đầu vào mạng mảng kích thước N Các lớp tích chập ký hiệu dạng mảng chiều ( F k Rk Ck ), k 1, , K Trong đó: F k , R k , C k số cửa sổ trượt hay kernel, số dòng số cột đầu tương ứng lớp tích chập thứ k Đối với tầng nối kín, véc tơ đơn vị đầu lớp cuối có số phần tử với số nhóm cần phân loại 118 B M Tuấn, …, V L Hà, “Về giải pháp phân loại … mạng nơ ron tích chập.” Nghiên cứu khoa học công nghệ Các Các mẫu mẫu dạng dạng I,I, Q Q Kích Kích thước thước 2x128 2x128 Dạng Dạng điều điều chế chế 80x2x3 80x2x3 1x11 1x11 F k Rk Ck 64x1x3 64x1x3 1x128 1x128 Hình Kiến trúc mạng CNN cho phân loại dạng điều chế tín hiệu MƠ PHỎNG, TÍNH TỐN, THẢO LUẬN Mơ hình mơ cho huấn luyện/học đặc trưng dạng điều chế phân loại dạng điều chế mơ tả hình Bộ liệu đầu vào dạng I, Q chuẩn hóa nhiều dạng điều chế chia làm hai phần cho huấn luyện mạng kiểm tra độ xác mơ hình Mơ hình sau huấn luyện mạng với giá trị hàm mát nhỏ lưu lại cho trình kiểm tra Bộ liệu kiểm tra đưa vào để đánh giá độ xác mơ hình phân loại theo phương pháp mơ Monte Carlo Hiệu chỉnh tham số mạng Tín hiệu I, Q sau lấy mẫu (165000 mẫu tín hiệu I, Q) Tín hiệu I, Q sau lấy mẫu (55000 mẫu tín hiệu I, Q) Dữ liệu huấn luyện gán nhãn Dữ liệu gán nhãn cho việc kiểm tra Mạng nơ ron tích chập Chưa đạt yêu cầu Quyết định dạng điều chế đưa độ xác Đạt theo u cầu Mơ hình có lỗi nhỏ Chưa đạt yêu cầu Đạt theo yêu cầu Lưu lại mơ hình Có độ xác tốt Hình Mơ hình mơ huấn luyện mạng thử nghiệm 3.1 Dữ liệu mơ Nhóm tác giả lựa chọn liệu sử dụng báo liệu RADIOML 2016.10A cơng bố cơng trình [9] Bộ liệu tạo tảng SDR công cụ mã nguồn mở GNU Radio Trong đó, 11 dạng điều chế tạo bao gồm dạng điều chế số dạng điều chế tương tự phổ biến hệ thống truyền tin không dây bao gồm: BPSK, QPSK, 8PSK, 16QAM, 64QAM, BFSK, CPFSK, PAM4 (dạng điều chế số), WB-FM, AM-SSB, AMDSB (điều chế tương tự) hình Dữ liệu tạo với tốc độ mẫu ký tự (symbol) Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, - 2020 119 Kỹ thuật điện tử Hình Các dạng điều chế RADIOML 2016.10ª Bộ liệu dùng bao gồm 220 000 mảng bao gồm 11 dạng điều chế Trong đó, dạng điều chế bao gồm mẫu có tỷ lệ tín /tạp (SNR) từ -20dB đến 20dB Dữ liệu đóng gói dạng mảng chiều (N_e × N_c × D_1 × D_2) Trong đó, N_e số ví dụ dạng điều chế với mức công suất phát khác nhau, N_c = 1000, D_1 = giá trị thực hai thành phần I Q, D_2 = 128 số điểm lấy mẫu miền thời gian (hình 9) Hình Cấu trúc liệu với mức SNR khác 3.2 Phương pháp, công cụ mô Bài báo so sánh kết giải pháp phân loại theo phương pháp truyền thống làm tiêu chuẩn đánh giá bao gồm: Suport Vector Machine (SVM), định (Dectrees), Naive Bayes DNN (4 lớp nối kín) với giải pháp đề xuất Dữ liệu sử dụng liệu đề cập Mạng CNN đề xuất có lớp nối thứ tự: lớp tích chập (64x1x3), lớp tích chập (80x2x3), lớp nối kín có 128 nơ ron, lớp phân loại có 11 nơ ron tương ứng 11 dạng điều chế (hình 6) Hàm kích hoạt lớp ReLu trừ lớp cuối sử dụng hàm softmax 120 B M Tuấn, …, V L Hà, “Về giải pháp phân loại … mạng nơ ron tích chập.” Nghiên cứu khoa học cơng nghệ Độ xác phân loại Chương trình mơ mạng CNN viết ngơn ngữ lập trình Python Cấu hình mạng nơ ron tích chập truy xuất liệu thực thông qua công cụ cho học sâu Tensor Flow, Keras với thư viện Pickle Nhóm tác giả chia 165 000 mẫu để huấn luyện mạng 55 000 mẫu cho kiểm tra (hình 7) Độ xác thu thơng qua phương pháp mơ Monte-Carlo Để biểu diễn độ xác hệ thống phân loại việc phân loại báo sử dụng normalized confusion (NCM) hay ma trận nhầm lẫn chuẩn hóa [10] để thể độ xác thuật tốn phân loại Trong đó, ma trận nhầm lẫn (chưa chuẩn hóa) ma trận thể có điểm liệu thực thuộc vào nhóm dự đốn rơi vào nhóm Chuẩn hóa thực cách lấy phần tử ma trận chưa chuẩn hóa chia cho tổng phần tử hàng Như vậy, tổng phần tử hàng NCM ln Ví dụ hình 10 cho ta thấy NCM mang nhiều thơng tin chưa chuẩn hóa Với tốn phân loại nhiều lớp liệu, cách biểu diễn NCM thường thông qua màu sắc, ô màu đậm thể giá trị cao ngược lại 3.3 Kết mơ thảo luận 3.3.1 Độ xác phân loại Hình 10 so sánh độ xác phân loại giải pháp tính trung bình tất mẫu liệu theo mức SNR SNR Hình 10 Độ xác phân loại theo SNR Trong đó, đường nét đứt thể cho nhóm giải pháp dựa việc phân loại theo đặc trưng truyền thống Nhóm đường nét liền thể cho giải pháp đề xuất dùng mạng CNN DNN Để tránh huấn luyện khớp (over fitting), hệ số Dropout đưa vào huấn luyện mạng Nhận xét thấy mô đun phân loại đề xuất cho độ xác vượt trội mức SNR=-3dB, xấp xỉ 0.90 so với 0.83 (tương đương 90% 83%) Hình 11 đánh giá độ xác phân loại nhiều dạng điều chế dựa mạng CNN với SNR = 16dB Ta thấy với cách biểu diễn kết NCM, màu sắc đường chéo ma trận đậm vùng khác ma trận khác nhạt (“sạch”) độ xác mơ đun phân loại cao Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, - 2020 121 Kỹ thuật điện tử Hình 11 Độ xác mơ đun phân loại CNN SNR = 16dB Kết cho thấy ngoại trừ 8PSK WBFM, độ xác dạng điều chế khác 90% Đối với SNR thấp SNR = -6dB, phương pháp dùng CNN thể độ xác phân loại tương đương đạt độ xác 90% với PAM, 16QAM, 64QAM so sánh với giải pháp SVM (hình 12, hình 13) Hình 12 Độ xác phân loại dạng điều chế phương pháp CNN, DNN Hình 13 Độ xác phân loại dạng điều chế phương pháp SVM, Decision tree (Dectree) Độ đậm đường chéo độ “sạch” vùng khác ma trận NCM mô đun phân loại CNN tốt 122 B M Tuấn, …, V L Hà, “Về giải pháp phân loại … mạng nơ ron tích chập.” Nghiên cứu khoa học cơng nghệ 3.3.2 Độ phức tạp tính toán giải pháp Độ phức tạp giải pháp thể qua thời gian huấn luyện thời gian phân loại mơ hình huấn luyện xong Bảng so sánh thời gian huấn luyện thời gian đưa kết phân loại hình phần cứng CPU core i7 8th, card hình Nividia GeForce® GTX 1080Ti Bảng Thời gian trung bình huấn luyện phân loại phương pháp Bộ phân lọai Thời gian huấn luyện Thời gian phân loại (s) (cho batch size 1000) trung bình (s) SVM 3500 11.5 Dectrees 0.01 DNN (4 lớp nối kín ) 1.5 20.6 CNN 836 0.025 Từ bảng ta thấy, giải pháp Dectrees có thời gian huấn luyện phân loại nhanh tương ứng độ phức tạp thấp Giải pháp DNN cho thời gian huấn luyện nhanh thời gian thực thi với mơ hình sau lại có độ trễ lớn SVM cho thời gian huấn luyện lớn phân loại nhanh DNN Giải pháp CNN cho thời gian phân loại nhanh sau Dectrees nhiên, độ xác vượt trội (hình 11) Qua phân tích phương pháp dùng mạng CNN cho phân loại nhận dạng điều chế tín hiệu đảm bảo tính xác cao giảm độ độ phức tạp tính tốn so với giải pháp truyền thống KẾT LUẬN Bài báo giới thiệu lý thuyết, đồng thời đề xuất áp dụng mạng CNN vào phân loại nhận dạng điều chế tín hiệu Giải pháp đưa khả loại nhiều dạng điều chế tín hiệu bao gồm điều chế tương tự số Giải pháp có khả phân loại dạng điều chế sau lấy mẫu tín hiệu thơ thu mà khơng cần phân tích lựa chọn đặc trưng trước phân loại Các kết mơ có so sánh với phương pháp phân loại truyền thống liệu cho thấy tính hiệu giải pháp Kết mở hướng áp dụng tiềm cho phân loại nhận dạng tín hiệu lĩnh vực quân tác chiến điện tử, vô tuyến nhận thức, hay bảo mật thông tin Để áp dụng kết nghiên cứu thiết bị quân địi hỏi việc tích hợp, rút gọn thuật toán xử lý, tiến tới áp dụng phần cứng tiên tiến FPGA máy tính nhúng hiệu suất cao, hướng phát triển nhóm tác giả thời gian tới TÀI LIỆU THAM KHẢO [1] Benson, B P Swarming Autonomous Unmanned Aerial Systems “US Army School for Advanced Military Studies Fort Leavenworth United States”, 2018 [2] Volkov, Vadim "The state of democracy: comparing Russia and South Africa." interventions 7.3 (2005): 326-332 [3] Hambling, David WE: ROBOT: “The robots that already rule our world Aurum Press Limited”, 2018 [4] Zhu, Zhechen & Nandi, Asoke (2015) “Automatic Modulation Classification: Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, - 2020 123 Kỹ thuật điện tử Principles, Algorithms and Applications” 1-163 10.1002/9781118906507 [5] J Jagannath, H M Saarinen and A L Drozd, "Framework for automatic signal classification techniques (FACT) for software defined radios," 2015 IEEE Symposium on Computational Intelligence for Security and Defense Applications (CISDA), Verona, NY, 2015, pp 1-7 [6] Dobre, Octavia & Abdi, Ali & Su, Wei (2007) “Survey of automatic modulation classification techniques: Classical approaches and new trends” Communications, IET 137 - 156 10.1049/iet-com:20050176 [7] Goodfellow, Ian, Yoshua Bengio, and Aaron Courville “Deep learning” MIT press, 2016 [8] LeCun, Yann, Yoshua Bengio, and Geoffrey Hinton "Deep learning." Nature 521.7553 (2015): 436-444 [9] O'shea, Timothy J., and Nathan West "Radio machine learning dataset generation with gnu radio." Proceedings of the GNU Radio Conference Vol No 2016 [10] Sokolova, Marina, and Guy Lapalme "A systematic analysis of performance measures for classification tasks." Information processing & management 45.4 (2009): 427-437 ABSTRACT A MODULATION CLASSIFICATION AND RECOGNITION SOLUTION BASED ON COLVOLUTION NEURAL NETWORK Automatic modulation classification (AMC) and recognition have an essential role in electronic warfare This paper presents a modulation classification and recognition method based on a convolution neural network The simulation results show the comparable performance of the method compared to several conventional methods The main advantage of this method is the building block for the application of neural network in AMC problem Keywords: Deep learning; Convolution neural network; Automatic modulation classification Nhận ngày 22 tháng năm 2020 Hoàn thiện ngày 21 tháng năm 2020 Chấp nhận đăng ngày 28 tháng năm 2020 Địa chỉ: Viện Điện tử, Viện Khoa học Công nghệ quân *Email: tuanbui.mist@gmail.com 124 B M Tuấn, …, V L Hà, “Về giải pháp phân loại … mạng nơ ron tích chập.” ... nghiên cứu MẠNG CNN TRONG XÁC ĐỊNH DẠNG ĐIỀU CHẾ TÍN HIỆU 2.1 Cơ sở lý thuyết mạng nơ ron tích chập Tích chập có vai trị quan trọng xử lý tín hiệu số, khái niệm mạng nơ ron tích chập tích chập chiều... tín hiệu Giải pháp đưa khả loại nhiều dạng điều chế tín hiệu bao gồm điều chế tương tự số Giải pháp có khả phân loại dạng điều chế sau lấy mẫu tín hiệu thơ thu mà khơng cần phân tích lựa chọn... báo trình bày sở lý thuyết mạng nơ ron tích chập phương pháp triển khai áp dụng lý thuyết vào tốn phân loại dạng điều chế tín hiệu, mục giới thiệu liệu sử dụng, phương pháp mô thảo luận kết mơ
![Hình 3. Ví dụ áp dụng mạng CNN cho phân loại con vật [8]. - Về một giải pháp phân loại và nhận dạng điều chế tín hiệu vô tuyến sử dụng mạng nơ ron tích chập](https://media.store123doc.com/figures/000/508/hinh-vi-du-dung-mang-phan-loai-vat-508877.png)
