Modulations-Expert analog və rəqəmsal rabitə siqnallarının avtomatik modulyasiya tanınması üçün hazırlanmış modul MATLAB GUI alətlər dəstidir. Proqram ASK, FSK, PSK, DPSK, OQPSK, QAM, MSK, GMSK, AM, DSB, USB, LSB, ISB, FM və PM daxil olmaqla çoxsaylı modulyasiya strukturlarını dəstəkləyir; istifadəçiyə sintetik I/Q burst verilənlər dəstləri yaratmaq, kənardan yazılmış I/Q siqnallarını idxal etmək, altı ayrı statistik xüsusiyyət ailəsi çıxarmaq, müxtəlif maşın öyrənməsi təsnifatlandırıcılarını öyrətmək və nəticələri confusion matrix, PCA, t-SNE, histogram və box-plot kimi üsullarla araşdırmaq imkanı verir. Mənbə nümunəsində səkkiz rəqəmsal modulyasiya sinfi üçün 80.000 nümunə və 454 xüsusiyyətdən ibarət verilənlər dəsti yaradılmış, qərar ağacı ilə orta hesabla %81,16 validasiya dəqiqliyi əldə edilmişdir. FSK–GMSK ikili problemi üçün embedded xüsusiyyət seçməsindən sonra yeddi üstün xüsusiyyətlə öyrədilən SVM 5-fold cross-validation nəticəsində müəyyən hiperparametr ayarında orta hesabla %100 dəqiqlik vermişdir. Ayrı 16-QAM təcrübəsində 15 dB AWGN şəraitindəki naməlum siqnal %98'dən yüksək QAM ehtimalı ilə tanınmış; həqiqi 4,1 samples/symbol qiymətinə qarşı 4,158 samples/symbol simvol müddəti təxmin edilmiş və kor demodulyasiyanın sonunda təxminən 0,01 BER bildirilmişdir. Bu nəticələrin məqalədəki konkret sintetik verilənlər yaratma şərtləri və nümunə təcrübələri üçün keçərli olduğu unudulmamalıdır.

Avtomatik modulyasiya tanınması problemi nədir?

Tədqiqatın nəzərdən keçirdiyi əsas problem Automatic Modulation Recognition — AMR'dır. Burada qəbuledici tərəf, ona çatan siqnalın hansı modulyasiya formasından istifadə etdiyini əvvəlcədən bilmir.

Mənbə AMR-nin xüsusilə:

• non-cooperative communications,
• cognitive radio,
• spectrum monitoring,
• signal intelligence

tətbiqlərində mühüm olduğunu qeyd edir.

Deməli, məsələ yalnız bir siqnalı görməkdən ibarət deyil. Qəbuledici naməlum siqnaldan kifayət qədər məlumat çıxarıb məsələn bunun:

• ASK,
• FSK,
• GMSK,
• MSK,
• OQPSK,
• PSK,
• DPSK
• və ya QAM

olduğuna qərar verməlidir.

Nə üçün MATLAB GUI yanaşmasından istifadə edilmişdir?

Mənbənin motivasiyasına görə AMR üzrə çoxsaylı maşın öyrənməsi və dərin öyrənmə üsulları işlənib hazırlansa da bir çox tətbiq müəyyən verilənlər dəstlərindən və ya müəyyən təcrübə ssenarilərindən asılıdır. Bundan əlavə, əlçatan qrafik istifadəçi interfeysinin olmaması, üsulların təkrarlanmasını və müxtəlif ssenarilərə tətbiqini çətinləşdirə bilər.

Modulations-Expert bu səbəbdən tək bir AMR alqoritmi təqdim etmək əvəzinə müxtəlif əməliyyatları eyni qrafik interfeys altında birləşdirir.

İstifadəçi MATLAB kodunun hər bir təfərrüatını birbaşa yazmağa məcbur qalmadan:

1. siqnal yarada bilər,
2. kanal koşullarını müəyyən edə bilər,
3. dataset yarada bilər,
4. xüsusiyyət çıxara bilər,
5. bir təsnifatlandırıcı öyrədə bilər,
6. yoxlaya bilər,
7. xüsusiyyət seçə bilər,
8. bilinmeyen sinyali təsnif edə bilər,
9. və dəstəklənən durumlarda kor demodulyasiya həyata keçirə bilər.

Proqram təminatının üç əsas bölməsi

Kaynak Modulations-Expert'in daxili arxitekturasını üç əsas iş sahəsinə ayırır:

Bu bölgü MATLAB proqram təminatının dizaynı baxımından vacibdir. İstifadəçi arayüzünde tek program görülse bile siqnal istehsalı, məlumat mühendisliği, maşın öyrənməsi və həqiqi naməlum siqnal analizi mantıksal olarak ayrı modüllerde tutulmaktadır.

Proqram hansı modulyasiyaları dəstəkləyir?

Kaynak Modulations-Expert v2.1 üçün aşağıdakı analog və dijital modulyasiya ailelerini açıq şəkildə sadalayır:

Kaynak, her modulyasiya ailesinin bütün riyazi formullarını bu proqram təminatı makalesinde izah etmir. Deməli bu Verianla yazısında kaynakta bulunmayan modülatör denklemleri əlavə edilməmişdir.

İstifadəçi hansı siqnal parametrlərini dəyişə bilir?

Grafik interfeys vasitəsilə kaynakta açıq şəkildə qeyd edilən ayarlanabilir değişkenler arasında:

• modulation order,
• pulse-shaping xüsusiyyətləri,
• symbol rate,
• samples per symbol

mövcuddur.

Dataset istehsalı zamanı həmçinin:

• signal-to-noise ratio — SNR,
• burst length,
• modulation order,
• pulse-shaping parameters,
• samples per symbol

dəyişdirilə bilər.

I/Q burst nədir və bu tədqiqatda necə istifadə olunur?

Kaynak məlumat strukturunu complex I/Q bursts olarak təsvir edir. Modulations-Expert sintetik I/Q burst'leri kendi içində oluşturabildiği kimi dışarıdan qeyd edilmiş I/Q waveform fayllarından da burst çıxara bilir.

Önemli fərq belədir:

AMR sınıflandırıcısı birbaşa yalnız modulyasiya etiketiyle çalıştırılmamakta; əvvəl xam I/Q burst'lerden statistik xüsusiyyətlər çıkarılmaktadır.

Bu nedenle tədqiqat klasik feature-engineering əsaslı bir AMR nümunəsi təqdim edir.

Neçə müxtəlif xüsusiyyət çıxarma üsulu mövcuddur?

Kaynak altı xüsusiyyət ailesini açıq şəkildə qeyd edir:

Bu xüsusiyyətlər xam burst'ten çıkarıldıktan sonra MATLAB təsnifat məlumat dəstinin sütunlarını oluşturmaktadır.

7-ci səhifədəki xüsusiyyət çıxarma ekranı nə üçün vacibdir?

Kaynak Şəkil 1'de teorik olarak “xüsusiyyət çıkarıyoruz” demekle kalmaz; xüsusiyyət çıxarış fonksiyonlarının GUI vasitəsilə hansı parametrelerle kontrol edildiyini de göstərir.

Görselde açıq şəkildə oxuna bilən nümunə ayarlardan bazıları bunlardır:

Bu ekran MATLAB təhsili baxımından mühüm bir anlayışı göstərir: xüsiyyət çıxarma üsulu təkbaşına kifayət deyil; yöntemin kendi parametrləri de dataset'in strukturunu değiştiren deney değişkenleridir.

Xüsusiyyətlər çıxarıldıqdan sonra nə baş verir?

Kaynak, çıxarılan özelliklerin otomatik şəkildə MATLAB dataset'lerine dönüştürüldüğünü qeyd edir. Böylece her burst bir nümunə, her çıkarılmış statistik ölçüt isə təsnifatlandırıcıya verilen bir xüsusiyyət hâline gelmektedir.

Nümunə işdə səkkiz rəqəmsal sinifdən istifadə edilmişdir:

• ASK,
• FSK,
• GMSK,
• MSK,
• OQPSK,
• PSK,
• DPSK,
• QAM.

Dataset tam olaraq necə yaradılmışdır?

Hər bir modulyasiya növü üçün:

\[ 10.000\ \text{burst} \]

istehsal edilmişdir.

Her burst:

\[ 4096\ \text{sample} \]

uzunluğundadır.

Sekiz sinif olduğuna uyğun olaraq mənbə toplam məlumat kümesini birbaşa:

\[ 80.000\ \text{sample} \]

olarak hesabat verir.

Altı xüsusiyyət çıxarış yönteminin birlikte uygulanmasının sonra her nümunə:

\[ 454\ \text{statistik xüsusiyyət} \]

ilə temsil edilmişdir.

Dataset yalnız bir şərt altında yaradılmışdır?

Hayır. Kaynak, burst'lerin değişken:

• SNR,
• modulation order,
• samples per symbol,
• pulse-shaping roll-off factor

şəraitində üretildiğini qeyd edir.

Bu fərq vacibdir; çünkü təsnifatlandırıcıya bütün nümunələrin eyni ideal parametreden gelmesi yerine müxtəlif siqnal şərtləri göstərilir.

Hansı maşın öyrənməsi alqoritmləri dəstəklənir?

Mənbə Modulations-Expert üçün aşağıdakı təsnifatlandırıcıları açıq şəkildə sadalayır:

İstifadəçi GUI vasitəsilə modelləri yalnız öyrətməklə kifayətlənməyib:

• train,
• validate,
• test,
• cross-validate

əməliyyatlarını da həyata keçirə bilir.

Daha hansı maşın öyrənməsi əməliyyatları mövcuddur?

Mənbə proqram təminatının əlavə olaraq aşağıdakı imkanlara malik olduğunu bildirir:

• feature selection,
• dimensionality reduction,
• dataset scaling,
• weighting strategies,
• confusion matrix analysis,
• PCA visualization,
• t-SNE visualization,
• histograms,
• box plots.

İlk təsnifat eksperimenti: qərar ağacı

80.000 nümunə və 454 xüsusiyyətdən ibarət olan verilənlər dəsti istifadə edilərək GUI daxilindəki Train Decision Machine seçimi ilə bir qərar ağacı eğitilmiştir.

Mənbə tərəfindən hesabat verilən orta validation accuracy:

[ 81.16% ]

qiymətidir.

Confusion matrix nə üçün tək dəqiqlik göstəricisindən daha izahlıdır?

%81,16 orta dəqiqlik bizə modelin ümumi uğurunu bildirir; lakin hansı siniflərin bir-biri ilə qarışdırıldığını göstərmir.

Mənbənin sayfa 8 / Şəkil 2'deki confusion matrix'i bunu ayrıntılı şəkildə göstərir.

Değerler yüzde olarak mənbə Şəkil 2'den aktarılmıştır.

Confusion matrix-in bizə söylədiyi ən mühüm şey nədir?

ASK, FSK, OQPSK və QAM sinifləri bu örnekte kifayət qədər yüksək düzgün təsnifat oranlarına sahiptir:

Buna qarşı PSK və DPSK ciddi şəkildə bir-biri ilə karışmaktadır:

• DPSK nümunələrinin %46,20'si PSK olarak təsnif edilmişdir.
• PSK nümunələrinin %50,35'i DPSK olarak təsnif edilmişdir.
• DPSK'nin kendi sinfində düzgün nisbəti %52,15'tir.
• PSK'nin kendi sinfində düzgün nisbəti %48,45'tir.

Kaynak metni bu durumu PSK və DPSK'nin signal space benzerliğiyle əlaqələndirir. Burada confusion matrix'i görmək, yalnız %81,16 ümumi dəqiqliyi okumaktan çox daha bilgilendiricidir.

Feature selection nə üçün aparılmışdır?

454 xüsusiyyətin hamısı hər təsnifat problemi üçün eyni səviyyədə məlumat daşımalı deyil. Tədqiqat bu durumu göstərmək üçün ümumi səkkiz sinifli problemi bırakıp yalnız FSK və GMSK sınıflarından ibarət olan bir sub-dataset üretmektedir.

Ardından embedded feature-selection üsulu tətbiq olunur.

9-cu səhifədəki feature-selection pəncərəsində nə görürük?

Mənbənin Şəkil 3'ünde karar ağacında əhəmiyyətli töhfə göstərən 12 xüsusiyyət listelenmiştir.

Metne uyğun olaraq bunlardan yeddi üstün xüsusiyyət seçilerek azaldılmış bir verilənlər dəsti yaradılmışdır.

Bu, MATLAB/maşın öyrənməsi eğitiminde mühüm bir fərqi göstərir:

“Modelde 454 xüsusiyyət var” ilə “model karar vermek üçün 454 xüsusiyyətin tamamına həqiqətən ihtiyaç duyuyor” eyni şey deyil.

Azaldılmış xüsusiyyətlərlə hansı modeldən istifadə edildi?

Yedi üstün xüsusiyyət istifadə edilərək bir SVM öyrədilmiş və mənbə bu azaldılmış FSK–GMSK problemi üçün:

\[ 100%\ \text{validation accuracy} \]

hesabat vermişdir.

Lakin tədqiqat bununla məhdudlaşmamış və əlavə olaraq 5-fold cross-validation aparılmışdır.

Cross-validation nə üçün həmçinin aparılmışdır?

Kaynak, Cross-Validation of Decision Machine menüsünü kullanarak modelin müxtəlif məlumat bölünmelerinde tekrar test edildiyini qeyd edir.

Beşqat doğrulamada GUI istifadəçisinə iş vəziyyətini göstərmək üçün progress bar da təqdim edir.

Mənbədə optimal kimi bildirilən SVM tənzimləmələri:

şeklindedir.

10-cu səhifədəki 3B MATLAB qrafikini necə oxumalıyıq?

Şəkil 4'te iki SVM parametresi yatay eksenler ərzində değiştirilmekte, dikey eksende isə Average Weighted Accuracy göstərilir.

Grafiğin üzərində işaretlenen optimum noktada:

• X = 1,5,
• Y = 1,
• Z = 100

görünür.

Bu şəkil, MATLAB'ın yalnız təsnifat yapmak üçün deyil, model hiperparametrelerinin məhsuldarlıq yüzeyini üç boyutlu olarak görselleştirmek üçün de kullanılabileceğini göstərir.

Ən mühüm FSK–GMSK xüsusiyyəti hansıdır?

Kaynak bu ikili fərq üçün en mühüm özelliği açıq şəkildə:

WTn_med_M_1_T_5

olarak hesabat verir.

Şəkil 5'te bu xüsusiyyətin FSK və GMSK sınıflarındaki dağılımları ayrı box-plot'larla göstərilir.

11-ci səhifədəki box-plot bizə nə deyir?

Qrafik sözügedən xüsusiyyətin iki sinif üçün eyni paylanmaya malik olmadığını vizual olaraq göstərir. FSK grubunun kutu və medyan bölgesi GMSK grubundan daha yüksək konumdadır.

Mənbə bu xüsusiyyəti FSK–GMSK fərqində ən mühüm xüsusiyyət kimi müəyyən edir.

Burada verilməli MATLAB dərsi budur:

Feature importance yalnız sıralama cədvəli kimi saxlanmamalı; mümkün olduqda seçilen xüsusiyyətin sınıflar arasındakı dağılımı da görselleştirilmelidir.

Ümumi qərar ağacı ilə FSK–GMSK SVM nəticəsi nə üçün müqayisə edilməməlidir?

Çünkü iki deney eyni təsnifat problemini çözmemektedir.

Deməli “SVM %100 olduğu üçün bütün AMR problemini kusursuz çözüyor” sonucu mənbə tərəfindən desteklenmemektedir.

Blind modulation recognition necə sınaqdan keçirilmişdir?

Çalışmanın son nümunəsində əvvəl:

\[ 10.000\ \text{bit} \]

uzunluğunda rastgele binary stream yaradılmışdır.

Bu bitler:

16-QAM

ilə modüle edilmişdir.

Sinyal daha sonra:

• AWGN channel,
• SNR = 15 dB,
• one-sample delay

koşullarından geçirilmiştir.

AMR modulu bu siqnalı necə emal etmişdir?

Bilinmeyen siqnal, daha əvvəl səkkiz sinif üzərində öyrədilmiş decision-tree classifier istifadə edilərək değerlendirilmiştir.

AMR bölümünde:

\[ 4096\ \text{sample} \]

uzunluğunda, overlap kullanılmayan burst'ler vasitəsilə qiymətləndirmə aparılmışdır.

Proqram təminatı siqnalın QAM olduğunu:

[ > 98% > ]

olasılıkla düzgün tanımıştır.

Tanınmadan sonra nə üçün parameter estimation tələb olunur?

Bir siqnalın “QAM” olduğunu bilmek, onu birbaşa düzgün bitlere dönüştürmek üçün gerekli bütün alıcı parametrelerinin bilindiği mənasına gelmez.

Çalışmada AMR bundan sonra ayrı parameter-estimation modülü devreye girmektedir.

Nümunədə həqiqi symbol duration:

\[ 4.1\ \text{samples/symbol} \]

iken araç:

\[ 4.158\ \text{samples/symbol} \]

tahmin etmiştir.

Kaynak bu iki qiyməti açıq şəkildə vermektedir; Verianla tərəfindən ek hata yüzdesi üretilmemiştir.

Blind demodulation mərhələsinin nəticəsi nədir?

Parametre tahmininin sonra kor demodulyasiya uygulanmış və mənbə təxminən:

\[ BER\approx0.01 \]

hesabat vermişdir.

Bu qiymət, söz konusu 16-QAM nümunəsi və qeyd edilən 15 dB AWGN / bir nümunə gecikme şərtləri içindir.

12-ci səhifədəki dörd bürc qrafiki nəyi göstərir?

Mənbənin son görseli blind demodulation işlemini tek nihai nəticə olarak deyil, dörd ara aşama vasitəsilə göstərir:

1. Matched Filter Output: 2 Samples/Symbol
2. Symbol Synchronization
3. Coarse Carrier Synchronization
4. Fine Carrier Synchronization

İlk panelde örnekler kifayət qədər yayılmış bir bulut görünümündedir. Symbol synchronization bundan sonra yapı değişir; coarse carrier synchronization aşamasında QAM takımyıldızının kümelenmeleri görünən vəziyyətə gelir; fine carrier synchronization panelinde kümeler daha düzenli konumlara yerleşir.

Bu vizual MATLAB öğrenimi baxımından mühüm bir noktayı ortaya qoyur:

Bir demodülatörün yalnız nihai BER değerini görmək yerine ara siqnal emal aşamalarını görselleştirmek, sistemde hansı düzeltmenin nə zaman gerçekleştiğini anlamayı kolaylaştırır.

Blind demodulation nə üçün “blind” adlandırılır?

Kaynak bu tədqiqat bağlamında sistemi, bilinmeyen modulyasiya sinyalinin əvvəl AMR ilə tanınması, sonra parametrelerin tahmin edilmesi və son olarak demodulyasiya yapılması biçiminde düzenlemektedir.

Deməli istifadəçi verici tərəfindən kullanılan bütün parametrləri baştan programa vermek yerine siqnal analizi və parameter estimation aşamalarından yararlanmaktadır.

Proqram təminatı təhsil baxımından nə üçün əhəmiyyətli ola bilər?

Kaynak birbaşa Modulations-Expert'in dijital iletişim və maşın öyrənməsi derslerinde təhsil amacıyla kullanılabileceğini qeyd edir.

Bunun səbəbi, normalde birbirinden ayrı öğretilen birçok konunun eyni deney zincirinde görülmesidir:

• rabitə sinyali istehsalı,
• kanal etkisi,
• I/Q verilənlər strukturu,
• feature engineering,
• dataset hazırlama,
• classification,
• cross-validation,
• feature importance,
• confusion matrix,
• parameter estimation,
• demodulation,
• BER.

Bu tədqiqat MATLAB öyrənən şəxsə hansı iş intizamını göstərir?

Bu kaynakta MATLAB bir nəticə hesaplayıcısı deyil, uçtan uca deney platformu hâline gelmektedir.

Tədris baxımından izlənə bilən iş məntiqi belədir:

1. Problemi tanımla: hansı modulyasiyaları ayırmak istiyoruz?
2. Veriyi oluştur: kaç burst, kaç sample, hansı SNR aralığı?
3. Xüsusiyyət çıxar: hansı feature family kullanılacak?
4. Dataset'i oluştur: satırlar nümunə, sütunlar xüsusiyyət olacak şəkildə düzenle.
5. Model eğit: decision tree, SVM və ya dəstəklənən başqa classifier.
6. Validation yap: yalnız training accuracy'ye bakma.
7. Confusion matrix'i incele: model hansı sinifləri bir-biri ilə karıştırıyor?
8. Feature selection yap: həqiqətən gerekli xüsusiyyətləri bul.
9. Cross-validation yap: belirli bir məlumat bölünmesine aşırı bağımlı sonucu kontrol et.
10. Özellikleri görselleştir: modelin kullandığı fərqi anlamaya çalış.
11. Bilinmeyen sinyali dene: təhsil məlumat kümesinden sonraki həqiqi istifadə adımına geç.
12. Parametreleri tahmin et.
13. Blind demodulation uygula.
14. BER ilə nihai iletişim uğurunu ölç.

Bu sıralama mənbə makalenin nümunə tədqiqat düzeninden çıxarılan öğretici bir organizasyondur; yeni AMR alqoritmi kimi təqdim edilmir.

Tədqiqatın dəstəklədiyi nəticələr

• Modulations-Expert v2.1, MATLAB əsaslı grafik interfeys altında AMR və blind demodulation əməliyyatlarını birleştirmektedir.
• Analog və dijital çox sayıda modulyasiya türünü dəstəkləyir.
• Sentetik complex I/Q burst dataset yarada bilər və dış I/Q fayllarından burst çıxara bilər.
• Altı ayrı feature-extraction ailesi mövcuddur.
• Birden fazla klasik machine-learning classifier desteklenmektedir.
• GUI vasitəsilə training, validation, testing və cross-validation gerçekleştirilebilir.
• Feature selection, dimensionality reduction, scaling və visualization araçları mövcuddur.
• Nümunə səkkiz sinifli dataset 80.000 nümunə və 454 xüsusiyyətdən oluşmaktadır.
• Karar ağacı nümunəsi %81,16 orta validation accuracy üretmiştir.
• FSK–GMSK alt probleminde yeddi seçili xüsusilə SVM %100 dəqiqlik üretmiştir.
• 5-fold cross-validation'da qeyd edilən SVM ayarlarıyla %100 orta accuracy hesabat verilmişdir.
• 16-QAM nümunəsi %98'in üzərində QAM olasılığıyla tanınmıştır.
• 4,1 samples/symbol həqiqi değere karşı 4,158 samples/symbol tahmin edilmişdir.
• Kör demodulyasiya nümunəsində təxminən 0,01 BER əldə edilmişdir.

Tədqiqatın dəstəkləmədiyi və ya göstərmədiyi nəticələr

• %100 SVM sonucu bütün modülasyonların ümumi təsnifat dəqiqliyi deyil.
• Kaynak bütün həqiqi RF ortamlarında %81,16 və ya %100 dəqiqlik zəmanət vermir.
• Nümunə məlumat seti sintetik olarak istehsal edilmişdir; bütün nəticələr bağımsız geniş saha RF kayıtları üzərində doğrulanmış deyil.
• Deep learning üsulları mevcut nümunələrin əsas validasiya sistemi deyil; mənbə bunların gelecekte modüler mimariye eklenebileceğini qeyd edir.
• Kaynak bütün dəstəklənən analog və dijital modülasyonlar üçün həmçinin məhsuldarlıq benchmark-ı təqdim etmir.
• Kör demodulyasiya sonucu bütün modulyasiya tipleri üçün eyni BER performansını kanıtlamamaktadır.
• PSK və DPSK üçün qərar ağacı örneğindeki yüksək karışma çözülmüş deyil.
• Yazılımın Windows xaricindəki işletim sistemleri üçün destek durumu kaynakta belirtilmemektedir; gereksinim alanı Windows üçün verilmişdir.
• Makalede tam çalıştırma zamanı və ya CPU/GPU məhsuldarlıq benchmark'ı mövcud deyil.
• 80.000 örneklik deney məlumat dəstinin ayrı daimi məlumat deposu kaynakta təqdim edilməmişdir.

Türkiyə baxımından nə üçün maraqlı ola bilər?

Tədqiqat İran'daki University of Tehran kaynaklıdır və Türkiye'ye məxsus bir rabitə sistemi üzərində sınaqdan keçirilməmişdir. Bununla birlikte AMR; akademik rabitə araştırmaları, spektrum izleme, bilişsel radyo və siqnal analizi baxımından ülkeye məxsus olmayan ümumi bir mühendislik problemidir.

Türkiye'deki bir araştırma və ya təhsil uygulamasında eyni proqram təminatı kullanılacaksa yerel RF kayıtları, kanal şərtləri, həqiqi donanımdan alınan I/Q məlumatları və hedeflenen modulyasiya sinifləri həmçinin test edilmelidir. Kaynaktaki sintetik deney performansının yerel həqiqi RF ortamına birbaşa keçirildiyi fərz edilməməlidir.

Tədqiqatın Metodu və Nəticələri

Təcrübə 1 — səkkiz sinifli AMR verilənlər dəstinin yaradılması

Çalışmanın əsas deneyinde aşağıdakı dijital modulyasiya sinifləri istifadə edilmişdir:

Her burst 4096 nümunə uzunluğundadır. SNR, modulation order, samples per symbol və pulse-shaping roll-off factor değiştirilmektedir.

Təcrübə 2 — altı feature-extraction ailəsinin birlikdə istifadəsi

Bütün burst'lere:

1. spectral-based,
2. wavelet transform-based,
3. high-order cumulant,
4. cyclostationary,
5. high-order moment,
6. amplitude histogram

xüsusiyyətləri tətbiq edilmişdir.

Sonuç:

Təcrübə 3 — səkkiz sinifli decision-tree classifier

Kaynak modeli Train Decision Machine seçimi ilə eğitmektedir.

Raporlanan orta validation accuracy:

[ 81.16%. ]

Confusion matrix, performansın sınıflar arasında homojen olmadığını göstərir.

Təcrübə 4 — FSK və GMSK üçün feature selection

Önce yalnız FSK və GMSK sınıflarını içeren sub-dataset yaradılmışdır.

Embedded feature-selection nəticəsində:

• karar ağacına əhəmiyyətli katkısı bulunan 12 xüsusiyyət görüntülenmiş,
• bunlardan yeddi üstün xüsusiyyət seçilmiştir.

Ən mühüm xüsusiyyət:

WTn_med_M_1_T_5

olarak hesabat verilmişdir.

Təcrübə 5 — SVM və beşqat çarpaz validasiya

Yedi özellikli azaldılmış dataset üzərində SVM öyrədilmiş və %100 validation accuracy əldə edilmişdir.

Daha sonra 5-fold cross-validation tətbiq edilmişdir.

Təcrübə 6 — 16-QAM AMR və blind demodulation

Blind-demodulation təsvirindəki dörd emal mərhələsi

Mənbənin Şəkil 6'sında tek bir nihai QAM takımyıldızı yerine ardışık dörd aşama verilmişdir:

Bu vizual, kor demodülasyonun yalnız “QAM olduğunu bul və bitleri çıxar” şəklində tek aşamalı bir işlem olmadığını; siqnalın alıcı tarafında kademeli olarak düzenlendiğini mənbə nümunə vasitəsilə görünür kılmaktadır.

Nəticələrin elmi mənası

Makale, Modulations-Expert'in tek bir maşın öyrənməsi algoritmasında yüksək dəqiqlik elde etmesinden daha geniş bir töhfə iddia edir. Asıl töhfə, AMR araştırmalarındaki bir-biri ilə bağlı deney aşamalarının eyni MATLAB GUI ortamında tekrar kullanılabilir şəkildə birleştirilmesidir.

Özellikle mənbə nümunəsi bu gerçeği açıq şəkildə göstərir:

İyi bir AMR çalışması yalnız classifier accuracy sayısından oluşmaz.

Dataset'in necə üretildiği, burst uzunluğu, kanal/SNR şərtləri, çıxarılan xüsusiyyətlər, siniflərin confusion matrix daxilindəki davranışı, feature selection, cross-validation, naməlum siqnal testi və nihai demodulyasiya məhsuldarlığı birlikte incelenmelidir.

Metodoloji məhdudiyyətlər

• Nümunə ana verilənlər dəsti sintetik olarak yaradılmışdır.
• Genel səkkiz sinifli classifier məhsuldarlığı %81,16'dır və PSK–DPSK fərqi aydın şəkildə zayıftır.
• %100 nəticə yalnız iki sinifli FSK–GMSK deneyine aittir.
• Makale bütün dəstəklənən modulation schemes üçün ayrı benchmark vermemektedir.
• Blind-demodulation nümunəsi 16-QAM və qeyd edilən kanal şərtlərinə aittir.
• Derin öğrenme üsulları gelecekte eklenebilecek yapı olarak belirtilmekte, mevcut nümunələrin əsas sistemi deyil.
• Makale geniş əhatəli real sahə RF dataset müqayisəsi sunmamaktadır.
• Kaynakta hesaplama süresi, bellek gereksinimi və ya donanım ölçeklenmesi benchmark'ı təqdim edilməmişdir.
• Proqram təminatı gereksinimi 64-bit MATLAB R2015b+ for Windows şəklində verilmişdir; diğer işletim sistemleri üçün kaynakta doğrulanmış uyumluluk iddiası mövcud deyil.

MATLAB təhsili baxımından çıxarıla bilən ən mühüm iş prinsipi

Bu araştırma, MATLAB'da makine öğrenmesini yalnız:

model = fit(...)

benzeri tek bir təhsil çağrısına indirgememek gerektiğini göstərən iyi bir örnektir.

Həqiqi problem zinciri:

Fiziksel siqnal → məlumat → xüsusiyyət → model → validasiya → hata analizi → xüsusiyyət seçimi → yeniden modelleme → bilinmeyen məlumat → parametrlərin qiymətləndirilməsi → fiziksel çıktı

biçimindedir.

Modulations-Expert'in elmi və eğitimsel qiyməti, bu zincirin tamamını eyni MATLAB tədqiqat ortamında görünən vəziyyətə getirmesidir.

Mənbə və Metod Qeydi

Tam özgün tədqiqat adı: Modulations-Expert: A MATLAB GUI Toolbox for Automatic Modulation Recognition and Blind Demodulation

Yazar: Mehdi Teimouri.

Yazar sırası: Tek yazarlı tədqiqat.

Eş töhfə/eş birinci yazar: Uygulanabilir deyil.

Temas yazarı: Mehdi Teimouri.

Kurum: Faculty of Intelligent Systems, University of Tehran, Tehran, Iran.

Kaynak türü: MATLAB əsaslı elmi proqram təminatı / AMR və blind-demodulation preprint'i.

Platform: SSRN.

SSRN kimliği: 6864984.

DOI: 10.2139/ssrn.6864984.

SSRN yayın tarihi: 1 Haziran 2026.

Hakemlik durumu: Bu tədqiqat hakem değerlendirmesinden geçmemiş bir preprinttir; sonuçları bu yayın mərhələsi dikkate alınarak değerlendirilmelidir.

Resmî kayıt: https://ssrn.com/abstract=6864984

Proqram təminatı adı: Modulations-Expert.

Kod sürümü: V2.1.

Proqram təminatı ortamı: MATLAB, MATLAB GUI, Machine Learning Toolbox, Signal Processing Toolbox.

Tədqiqat gereksinimi: Kaynakta 64-bit MATLAB R2015b və ya daha yeni Windows sürümü qeyd edilmişdir.

Kod lisansı: GNU General Public License v3.0 — GPL-3.0.

Kod sürümleme sistemi: Git.

Kod deposu: https://github.com/mehditeimouri-UT/Modulations-Expert

Geliştirici dokümantasyonu: Kaynak metaverisinde N/A.

Destek e-postası: mehditeimouri@ut.ac.ir

Makale telifi: SSRN bibliyografik kaydı “All rights reserved. No reuse allowed without permission” bilgisini vermektedir. Kodun GPL-3.0 lisansı ilə makalenin vizual/telif durumu birbirinden ayrı değerlendirilmiştir. Mənbənin özgün GUI ekran görüntüleri bu səbəbdən Verianla HTML'sine birebir aktarılmamıştır.

Finansman: Yüklenen preprintte açıq finansman bəyanatı mövcud deyil.

Çıkar çatışması: Yüklenen preprintte ayrı çıxar çatışması bəyanatı mövcud deyil.

CRediT/yazar katkıları: Ayrı CRediT bəyanatı mövcud deyil.

Veri erişimi: Araç sintetik dataset oluşturabilmekte və dış I/Q waveform fayllarından burst çıxara bilir. Makaledeki 80.000 örneklik deney verilənlər dəsti üçün həmçinin daimi açıq məlumat anbarı belirtilmemiştir.

Bilimsel içerik kaynağı: Bu Verianla makalesindeki proqram təminatı mimarisi, dəstəklənən modülasyonlar, feature extraction aileleri, dataset strukturu, classifier listesi, confusion matrix qiymətləri, feature-selection sonuçları, SVM ayarları, 16-QAM deneyi, parameter estimation qiymətləri və BER sonucu yüklenen 12 sayfalık kaynağa dayanmaktadır. Dış mənbə yalnız başlık, yazar, DOI, SSRN tarihi, temas yazarı və makale telif durumunu bibliyografik olarak doğrulamak üçün istifadə edilmişdir.

Görsel inceleme notu: Kaynak PDF'nin 7–12. sayfalarındaki bütün görünür şekiller incelenmiştir. Sayısal olarak açıq şəkildə oxuna bilən confusion matrix və deney qiymətləri tablolaştırılmış; mənbə ekran görüntüleri yeniden yayımlanmamıştır.

Temel elmi sınır: Tədqiqat proqram təminatının işlevselliğini sintetik AMR örnekleriyle göstərir. Raporlanan məhsuldarlıq qiymətləri bütün rabitə ortamları, RF cihazları, kanal türleri və ya modulyasiya sinifləri üçün evrensel məhsuldarlıq garantisi deyil.