Modulations-Expert — аналогдук жана санариптик байланыш сигналдарынын модуляциясын автоматтык таануу үчүн иштелип чыккан модулдук MATLAB GUI инструменттер топтому. Программа ASK, FSK, PSK, DPSK, OQPSK, QAM, MSK, GMSK, AM, DSB, USB, LSB, ISB, FM жана PM сыяктуу көптөгөн модуляция түзүлүштөрүн колдойт; колдонуучуга синтетикалык I/Q burst маалымат топтомдорун түзүүгө, сырттан жазылган I/Q сигналдарын импорттоого, алты өзүнчө статистикалык өзгөчөлүк үй-бүлөсүн чыгарууга, ар кандай машина үйрөнүүсүнүн классификаторлорун окутууга жана натыйжаларды confusion matrix, PCA, t-SNE, histogram жана box-plot сыяктуу ыкмалар менен изилдөөгө мүмкүндүк берет. Булактагы мисалда сегиз санариптик модуляция классы үчүн 80.000 үлгүдөн жана 454 өзгөчөлүктөн турган маалымат топтому түзүлүп, чечим дарагы менен орточо %81,16 валидациялык тактык алынган. FSK–GMSK экилик маселесинде embedded өзгөчөлүк тандоодон кийин жети үстөмдүк кылган өзгөчөлүк менен окутулган SVM 5-fold cross-validation натыйжасында белгилүү гиперпараметр орнотуусунда орточо %100 тактык берген. Өзүнчө 16-QAM экспериментинде 15 dB AWGN шартындагы белгисиз сигнал %98'ден жогору QAM ыктымалдыгы менен таанылып; чыныгы 4,1 samples/symbol маанисине каршы 4,158 samples/symbol символ узактыгы бааланып, сокур демодуляциянын аягында болжол менен 0,01 BER билдирилген. Бул натыйжалар макаладагы белгилүү синтетикалык маалымат түзүү шарттары жана үлгүлүк эксперименттер үчүн гана жарактуу экенин эстен чыгарбоо керек.

Модуляцияны автоматтык таануу маселеси эмне?

Изилдөө караган негизги маселе Automatic Modulation Recognition — AMR'dır. Бул жерде кабыл алуучу тарап, өзүнө жеткен сигналдын кайсы модуляция формасын колдонорун алдын ала билбейт.

Булак AMR өзгөчө:

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

колдонмолорунда маанилүү экенин белгилейт.

Демек, маселе бир сигналды гана көрүү эмес. Кабыл алуучу белгисиз сигналдан жетиштүү маалымат алып мисалы bunun:

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

экенин аныкташы керек.

Эмне үчүн MATLAB GUI ыкмасы колдонулган?

Булактын жүйөсүнө ылайык AMR боюнча көптөгөн машина үйрөнүү жана терең үйрөнүү ыкмалары иштелип чыккандыгына карабастан көптөгөн колдонмолор белгилүү маалымат топтомдоруна же белгилүү эксперименттик сценарийлерге көз каранды. Мындан тышкары, жеткиликтүү графикалык колдонуучу интерфейсинин жоктугу, ыкмаларды кайталоону жана ар башка сценарийлерде колдонууну кыйындатышы мүмкүн.

Modulations-Expert ошондуктан бир эле AMR алгоритмин сунуштоонун ордуна ар кандай операцияларды бир графикалык интерфейстин алдында бириктирет.

Колдонуучу MATLAB кодунун ар бир майда-чүйдөсүн түз жазууга мажбур болбостон:

1. сигнал түзө алат,
2. kanal koşullarını аныктай алат,
3. dataset түзө алат,
4. өзгөчөлүк чыгара алат,
5. бир классификатор окутушу мүмкүн,
6. текшере алат,
7. өзгөчөлүк тандай алат,
8. bilinmeyen sinyali классификациялай алат,
9. жана колдоого алынган durumlarda сокур демодуляция жүргүзө алат.

Программалык камсыздоонун үч негизги бөлүгү

Kaynak Modulations-Expert'in ички архитектурасын үч негизги иш чөйрөсүнө бөлөт:

Бул бөлүштүрүү MATLAB программасын долбоорлоо жагынан маанилүү. Колдонуучу arayüzünde tek program görülse bile сигнал өндүрүү, маалымат mühendisliği, машина үйрөнүүсү жана чыныгы белгисиз сигнал analizi mantıksal olarak өзүнчө modüllerde tutulmaktadır.

Программа кайсы модуляцияларды колдойт?

Kaynak Modulations-Expert v2.1 үчүн төмөнкү analog жана dijital модуляция ailelerini ачык-айкын тизмектейт:

Kaynak, her модуляция ailesinin бардык математикалык формулаларын бул программалык камсыздоо makalesinde түшүндүрбөйт. Демек бул Verianla yazısında kaynakta bulunmayan modülatör denklemleri кошулган эмес.

Колдонуучу сигналдын кайсы параметрлерин өзгөртө алат?

Grafik интерфейс аркылуу kaynakta ачык-айкын көрсөтүлгөн ayarlanabilir değişkenler арасында:

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

бар.

Dataset өндүрүү учурунда мындан тышкары:

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

өзгөртүлүшү мүмкүн.

I/Q burst деген эмне жана бул изилдөөдө кантип колдонулат?

Kaynak маалымат түзүмүн complex I/Q bursts olarak аныктайт. Modulations-Expert синтетикалык I/Q burst'leri kendi ичинде oluşturabildiği сыяктуу dışarıdan жазылган I/Q waveform файлдарынан da burst чыгара алат.

Önemli айырма ушундай:

AMR sınıflandırıcısı түздөн-түз гана модуляция etiketiyle çalıştırılmamakta; мурун чийки I/Q burst'lerden статистикалык өзгөчөлүктөр çıkarılmaktadır.

Бул nedenle изилдөө klasik feature-engineering негизиндеги бир AMR мисалы сунуштайт.

Канча түрдүү өзгөчөлүк чыгаруу ыкмасы бар?

Kaynak алты өзгөчөлүк ailesini ачык-айкын белгилейт:

Бул өзгөчөлүктөр чийки burst'ten çıkarıldıktan кийин MATLAB классификация маалымат топтомунун sütunlarını oluşturmaktadır.

7-беттеги өзгөчөлүк чыгаруу экраны эмне үчүн маанилүү?

Kaynak Сүрөт 1'de teorik olarak “өзгөчөлүк çıkarıyoruz” demekle kalmaz; өзгөчөлүк чыгаруу fonksiyonlarının GUI аркылуу кайсы parametrelerle kontrol жасалганын de көрсөтөт.

Görselde ачык-айкын окууга боло турган мисал ayarlardan bazıları төмөнкүлөр:

Бул экран MATLABды окутуу жагынан маанилүү түшүнүктү көрсөтөт: өзгөчөлүк чыгаруу ыкмасы өз алдынча жетиштүү эмес; yöntemin kendi параметрлерди de dataset'in түзүмүн değiştiren deney değişkenleridir.

Өзгөчөлүктөр чыгарылгандан кийин эмне болот?

Kaynak, чыгарылган özelliklerin otomatik түрдө MATLAB dataset'lerine dönüştürüldüğünü белгилейт. Böylece her burst бир мисал, her çıkarılmış статистикалык ölçüt болсо классификаторго verilen бир өзгөчөлүк hâline gelmektedir.

Үлгүлүк изилдөөдө сегиз санариптик класс колдонулган:

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

Маалымат топтому так кандай түзүлгөн?

Ар бир модуляция түрү үчүн:

\[ 10.000\ \text{burst} \]

өндүрүлгөн.

Her burst:

\[ 4096\ \text{sample} \]

узундугу.

Sekiz класс olduğuna ылайык булак toplam маалымат kümesini түздөн-түз:

\[ 80.000\ \text{sample} \]

olarak билдирет.

Алты өзгөчөлүк чыгаруу yönteminin birlikte uygulanmasının андан соң her мисал:

\[ 454\ \text{статистикалык өзгөчөлүк} \]

менен temsil жасалган.

Маалымат топтому бир гана шартта түзүлгөнбү?

Hayır. Kaynak, burst'lerin değişken:

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

шарттарында üretildiğini белгилейт.

Бул айырма маанилүү; çünkü классификаторго бардык үлгүлөрдүн ошол эле ideal parametreden gelmesi yerine ар түрдүү сигнал шарттары көрсөтүлөт.

Машина үйрөнүүсүнүн кайсы алгоритмдери колдоого алынат?

Булак Modulations-Expert үчүн төмөнкү классификаторлорду ачык тизмектейт:

Колдонуучу GUI аркылуу моделдерди окутуу менен гана чектелбестен:

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

операцияларды да жүргүзө алат.

Дагы кандай машина үйрөнүү операциялары бар?

Булак программалык камсыздоо мындан тышкары төмөнкү мүмкүнчүлүктөргө ээ экенин белгилейт:

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

Биринчи классификация эксперименти: чечим дарагы

80.000 мисал жана 454 өзгөчөлүктөн турган маалымат топтому колдонуу менен GUI ичиндеги Train Decision Machine параметри менен бир чечим дарагы eğitilmiştir.

Булак билдирген орточо validation accuracy:

[ 81.16% ]

мааниси.

Эмне үчүн confusion matrix бир эле тактык санынан маалыматтуураак?

%81,16 орточо тактык моделдин жалпы ийгилигин көрсөтөт; бирок кайсы класстар бири-бири менен чаташканын билдирбейт.

Булактын sayfa 8 / Сүрөт 2'deki confusion matrix'i bunu ayrıntılı түрдө көрсөтөт.

Değerler yüzde olarak булак Сүрөт 2'den aktarılmıştır.

Confusion matrix бизге айткан эң маанилүү нерсе эмне?

ASK, FSK, OQPSK жана QAM класстарды бул örnekte абдан жогорку туура классификация oranlarına sahiptir:

Buna каршы PSK жана DPSK ciddi түрдө бири-бири менен karışmaktadır:

• DPSK үлгүлөрүнүн %46,20'si PSK olarak классификацияланган.
• PSK үлгүлөрүнүн %50,35'i DPSK olarak классификацияланган.
• DPSK'nin kendi классында туура көрсөткүчү %52,15'tir.
• PSK'nin kendi классында туура көрсөткүчү %48,45'tir.

Kaynak metni бул durumu PSK жана DPSK'nin signal space benzerliğiyle байланыштырат. Burada confusion matrix'i көрүү, гана %81,16 жалпы тактыгы okumaktan абдан көбүрөөк bilgilendiricidir.

Feature selection эмне үчүн жасалган?

454 өзгөчөлүктүн баары ар бир классификация маселеси үчүн бирдей деңгээлде маалымат алып жүрүүгө тийиш эмес. Изилдөө бул durumu көрсөтүү үчүн жалпы сегиз класстуу problemi bırakıp гана FSK жана GMSK sınıflarından турган бир sub-dataset üretmektedir.

Ardından embedded feature-selection ыкмасы колдонулууда.

9-беттеги feature-selection терезесинен эмнени көрөбүз?

Булактын Сүрөт 3'ünde karar ağacında маанилүү салым көрсөткөн 12 өзгөчөлүк listelenmiştir.

Metne ылайык булардын ичинен жети үстөмдүк кылган өзгөчөлүк seçilerek кыскартылган бир маалымат топтому түзүлгөн.

Бул, MATLAB/машина үйрөнүүсү eğitiminde маанилүү бир айырмасын көрсөтөт:

“Modelde 454 өзгөчөлүк var” менен “model karar vermek үчүн 454 өзгөчөлүктүн tamamına чындап ihtiyaç duyuyor” ошол эле şey эмес.

Кыскартылган өзгөчөлүктөр менен кайсы модель колдонулган?

Yedi үстөмдүк кылган өзгөчөлүк колдонуу менен бир SVM окутулган жана булак бул кыскартылган FSK–GMSK problemi үчүн:

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

билдирген.

Бирок изилдөө муну менен чектелбей, кошумча 5-fold cross-validation жүргүзүлгөн.

Cross-validation эмне үчүн өзүнчө жасалган?

Kaynak, Cross-Validation of Decision Machine menüsünü kullanarak modelin ар түрдүү маалымат bölünmelerinde tekrar test жасалганын белгилейт.

Беш катмарлуу валидацияда GUI колдонуучусуна иштин абалын көрсөтүү үчүн progress bar да сунуштайт.

Булакта оптималдуу деп билдирилген SVM жөндөөлөрү:

şeklindedir.

10-беттеги 3D MATLAB графигин кантип окушубуз керек?

Сүрөт 4'te iki SVM parametresi yatay eksenler боюнча değiştirilmekte, dikey eksende болсо Average Weighted Accuracy көрсөтүлөт.

Grafiğin үстүндө işaretlenen optimum noktada:

• X = 1,5,
• Y = 1,
• Z = 100

көрүнөт.

Бул сүрөт, MATLAB'ın гана классификация yapmak үчүн эмес, model hiperparametrelerinin өндүрүмдүүлүк yüzeyini үч boyutlu olarak görselleştirmek үчүн de kullanılabileceğini көрсөтөт.

Эң маанилүү FSK–GMSK өзгөчөлүгү кайсы?

Kaynak бул ikili айырма үчүн en маанилүү özelliği ачык-айкын:

WTn_med_M_1_T_5

olarak билдирет.

Сүрөт 5'te бул өзгөчөлүктүн FSK жана GMSK sınıflarındaki dağılımları өзүнчө box-plot'larla көрсөтүлөт.

11-беттеги box-plot бизге эмнени билдирет?

График аталган өзгөчөлүктүн эки класс үчүн бирдей бөлүштүрүлбөгөнүн көрсөтөт. FSK grubunun kutu жана medyan bölgesi GMSK grubundan көбүрөөк жогорку konumdadır.

Булак бул өзгөчөлүктү FSK–GMSK айырмасындагы эң маанилүү өзгөчөлүк катары аныктайт.

Бул жерде алынуучу MATLAB сабагы төмөнкүдөй:

Feature importance бир гана рейтинг таблицасы катары калтырылбастан; мүмкүн болсо seçilen өзгөчөлүктүн sınıflar арасындагы dağılımı da görselleştirilmelidir.

Жалпы чечим дарагы менен FSK–GMSK SVM натыйжасын эмне үчүн салыштырбоо керек?

Çünkü iki deney ошол эле классификация problemini çözmemektedir.

Демек “SVM %100 болгондуктан бардык AMR problemini kusursuz çözüyor” sonucu булак тарабынан desteklenmemektedir.

Blind modulation recognition кантип текшерилген?

Çalışmanın son мисалында мурун:

\[ 10.000\ \text{bit} \]

uzunluğunda rastgele binary stream түзүлгөн.

Бул bitler:

16-QAM

менен modüle жасалган.

Sinyal көбүрөөк кийин:

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

koşullarından geçirilmiştir.

AMR модулу бул сигналды кантип иштеткен?

Bilinmeyen сигнал, көбүрөөк мурун сегиз класс үстүндө окутулган decision-tree classifier колдонуу менен değerlendirilmiştir.

AMR bölümünde:

\[ 4096\ \text{sample} \]

uzunluğunda, overlap kullanılmayan burst'ler аркылуу баалоо жүргүзүлгөн.

Программалык камсыздоо сигналдын QAM экенин:

[ > 98% > ]

olasılıkla туура tanımıştır.

Таануудан кийин эмне үчүн parameter estimation керек?

Бир сигналдын “QAM” экенин bilmek, onu түздөн-түз туура bitlere dönüştürmek үчүн gerekli бардык alıcı parametrelerinin bilindiği маанисине gelmez.

Çalışmada AMR андан кийин өзүнчө parameter-estimation modülü devreye girmektedir.

Мисалда чыныгы symbol duration:

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

iken araç:

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

tahmin etmiştir.

Kaynak бул iki мааниси ачык-айкын vermektedir; Verianla тарабынан ek hata yüzdesi üretilmemiştir.

Blind demodulation баскычынын натыйжасы кандай?

Parametre tahmininin андан соң сокур демодуляция uygulanmış жана булак болжол менен:

\[ BER\approx0.01 \]

билдирген.

Бул маани, söz konusu 16-QAM мисалы жана көрсөтүлгөн 15 dB AWGN / бир мисал gecikme шарттары içindir.

12-беттеги төрт constellation графиги эмнени көрсөтөт?

Булактын son görseli blind demodulation işlemini tek nihai натыйжа olarak эмес, төрт ara aşama аркылуу көрсөтөт:

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

Биринчи panelde örnekler абдан yayılmış бир bulut görünümündedir. Symbol synchronization андан кийин yapı değişir; coarse carrier synchronization aşamasında QAM takımyıldızının kümelenmeleri көрүнүктүү абалга gelir; fine carrier synchronization panelinde kümeler көбүрөөк düzenli konumlara yerleşir.

Бул көрсөтмө MATLAB öğrenimi жагынан маанилүү бир noktayı көрсөтөт:

Бир demodülatörün гана nihai BER değerini көрүү yerine ara сигнал иштетүү aşamalarını görselleştirmek, sistemde кайсы düzeltmenin эмне zaman gerçekleştiğini anlamayı kolaylaştırır.

Blind demodulation эмне үчүн “blind” деп аталат?

Kaynak бул изилдөө bağlamında sistemi, bilinmeyen модуляция sinyalinin мурун AMR менен таанылышы, андан соң parametrelerin tahmin edilmesi жана son olarak демодуляция yapılması biçiminde düzenlemektedir.

Демек колдонуучу verici тарабынан kullanılan бардык параметрлерди baştan programa vermek yerine сигнал analizi жана parameter estimation aşamalarından yararlanmaktadır.

Программалык камсыздоо билим берүү жагынан эмне үчүн маанилүү болушу мүмкүн?

Kaynak түздөн-түз Modulations-Expert'in dijital iletişim жана машина үйрөнүүсү derslerinde билим берүү amacıyla kullanılabileceğini белгилейт.

Мунун себеби, normalde birbirinden өзүнчө öğretilen birçok konunun ошол эле deney zincirinde görülmesidir:

• байланыш sinyali өндүрүү,
• kanal etkisi,
• I/Q маалымат түзүмү,
• feature engineering,
• dataset hazırlama,
• classification,
• cross-validation,
• feature importance,
• confusion matrix,
• parameter estimation,
• demodulation,
• BER.

Бул изилдөө MATLAB үйрөнүп жаткан адамга кандай иш тартибин көрсөтөт?

Бул kaynakta MATLAB бир натыйжа hesaplayıcısı эмес, uçtan uca deney platformu hâline gelmektedir.

Окутуу үчүн ээрчүүгө боло турган иш логикасы төмөнкүдөй:

1. Problemi tanımla: кайсы модуляцияларды ayırmak istiyoruz?
2. Veriyi oluştur: kaç burst, kaç sample, кайсы SNR aralığı?
3. Өзгөчөлүк чыгар: кайсы feature family kullanılacak?
4. Dataset'i oluştur: satırlar мисал, sütunlar өзгөчөлүк olacak түрдө düzenle.
5. Model eğit: decision tree, SVM же колдоого алынган башка classifier.
6. Validation yap: гана training accuracy'ye bakma.
7. Confusion matrix'i incele: model кайсы класстарды бири-бири менен karıştırıyor?
8. Feature selection yap: чындап gerekli өзгөчөлүктөрүн bul.
9. Cross-validation yap: belirli бир маалымат bölünmesine aşırı bağımlı sonucu kontrol et.
10. Özellikleri görselleştir: modelin kullandığı айырмасын anlamaya çalış.
11. Bilinmeyen sinyali dene: билим берүү маалымат kümesinden sonraki чыныгы колдонуу adımına geç.
12. Parametreleri tahmin et.
13. Blind demodulation uygula.
14. BER менен nihai iletişim ийгилигин ölç.

Бул sıralama булак makalenin мисал изилдөө düzeninden чыгарылган öğretici бир organizasyondur; жаңы AMR алгоритми катары сунушталбайт.

Изилдөө колдогон натыйжалар

• Modulations-Expert v2.1, MATLAB негизиндеги grafik интерфейс астында AMR жана blind demodulation операцияларын birleştirmektedir.
• Analog жана dijital абдан sayıda модуляция türünü колдойт.
• Sentetik complex I/Q burst dataset түзө алат жана dış I/Q файлдарынан burst чыгара алат.
• Алты өзүнчө feature-extraction ailesi бар.
• Birden fazla klasik machine-learning classifier desteklenmektedir.
• GUI аркылуу training, validation, testing жана cross-validation gerçekleştirilebilir.
• Feature selection, dimensionality reduction, scaling жана visualization araçları бар.
• Мисал сегиз класстуу dataset 80.000 мисал жана 454 өзгөчөлүктөн oluşmaktadır.
• Karar дарагын мисалы %81,16 орточо validation accuracy üretmiştir.
• FSK–GMSK alt probleminde жети seçili айрыкча SVM %100 тактык üretmiştir.
• 5-fold cross-validation'da көрсөтүлгөн SVM ayarlarıyla %100 орточо accuracy билдирилген.
• 16-QAM мисалы %98'in үстүндө QAM olasılığıyla tanınmıştır.
• 4,1 samples/symbol чыныгы değere karşı 4,158 samples/symbol tahmin жасалган.
• Kör демодуляция мисалында болжол менен 0,01 BER алынган.

Изилдөө колдобогон же көрсөтпөгөн натыйжалар

• %100 SVM sonucu бардык modülasyonların жалпы классификация тактыгы эмес.
• Kaynak бардык чыныгы RF ortamlarında %81,16 же %100 тактык кепилдик бербейт.
• Мисал маалымат seti синтетикалык olarak өндүрүлгөн; бардык натыйжалар bağımsız geniş saha RF kayıtları үстүндө doğrulanmış эмес.
• Deep learning ыкмалары mevcut үлгүлөрдүн негизги валидация системасы эмес; булак bunların gelecekte modüler mimariye eklenebileceğini белгилейт.
• Kaynak бардык колдоого алынган analog жана dijital modülasyonlar үчүн өзүнчө performance benchmark бербейт.
• Kör демодуляция sonucu бардык модуляция tipleri үчүн ошол эле BER performansını kanıtlamamaktadır.
• PSK жана DPSK үчүн чечим дарагы örneğindeki жогорку karışma çözülmüş эмес.
• Yazılımın Windows сыртындагы işletim sistemleri үчүн destek durumu kaynakta belirtilmemektedir; gereksinim alanı Windows үчүн берилген.
• Makalede tam çalıştırma zamanı же CPU/GPU өндүрүмдүүлүк benchmark'ı жок.
• 80.000 örneklik deney маалымат топтомунун өзүнчө туруктуу маалымат deposu kaynakta берилген эмес.

Түркия үчүн эмне жагынан кызыктуу болушу мүмкүн?

Изилдөө İran'daki University of Tehran kaynaklıdır жана Türkiye'ye таандык бир байланыш sistemi үстүндө текшерилген эмес. Bununla birlikte AMR; akademik байланыш araştırmaları, spektrum izleme, bilişsel radyo жана сигнал analizi жагынан ülkeye таандык olmayan жалпы бир mühendislik problemidir.

Türkiye'deki бир araştırma же билим берүү uygulamasında ошол эле программалык камсыздоо kullanılacaksa yerel RF kayıtları, канал шарттары, чыныгы donanımdan alınan I/Q маалыматтарды жана hedeflenen модуляция класстары мындан тышкары test edilmelidir. Kaynaktaki синтетикалык deney performansının yerel чыныгы RF ortamına түздөн-түз которулган деп болжолдонбошу керек.

Изилдөөнүн ыкмасы жана натыйжалары

1-эксперимент — сегиз класстуу AMR маалымат топтомун түзүү

Çalışmanın негизги deneyinde төмөнкү dijital модуляция класстары колдонулган:

Her burst 4096 үлгүнүн узундугу. SNR, modulation order, samples per symbol жана pulse-shaping roll-off factor değiştirilmektedir.

2-эксперимент — алты feature-extraction үй-бүлөсүн бирге колдонуу

Bütün burst'lere:

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

өзгөчөлүктөрүн колдонулган.

Sonuç:

3-эксперимент — сегиз класстуу decision-tree classifier

Kaynak modeli Train Decision Machine параметри менен eğitmektedir.

Raporlanan орточо validation accuracy:

[ 81.16%. ]

Confusion matrix, performansın sınıflar арасында homojen эмес экенин көрсөтөт.

4-эксперимент — FSK жана GMSK үчүн feature selection

Önce гана FSK жана GMSK sınıflarını içeren sub-dataset түзүлгөн.

Embedded feature-selection натыйжасында:

• karar ağacına маанилүү katkısı bulunan 12 өзгөчөлүк görüntülenmiş,
• булардын ичинен жети үстөмдүк кылган өзгөчөлүк seçilmiştir.

Эң маанилүү өзгөчөлүк:

WTn_med_M_1_T_5

olarak билдирилген.

5-эксперимент — SVM жана беш катмарлуу кайчылаш валидация

Yedi özellikli кыскартылган dataset үстүндө SVM окутулган жана %100 validation accuracy алынган.

Daha кийин 5-fold cross-validation колдонулган.

6-эксперимент — 16-QAM AMR жана blind demodulation

Blind-demodulation сүрөтүндөгү төрт иштетүү баскычы

Булактын Сүрөт 6'sında tek бир nihai QAM takımyıldızı yerine ardışık төрт aşama берилген:

Бул көрсөтмө, сокур demodülasyonun гана “QAM экенин bul жана bitleri чыгар” түрүндө tek aşamalı бир işlem эмес экенин; сигналдын alıcı tarafında kademeli olarak düzenlendiğini булак мисал аркылуу көрүнөт kılmaktadır.

Натыйжалардын илимий мааниси

Makale, Modulations-Expert'in tek бир машина үйрөнүүсү algoritmasında жогорку тактык elde etmesinden көбүрөөк geniş бир салым iddia кылат. Asıl салым, AMR araştırmalarındaki бири-бири менен bağlı deney aşamalarının ошол эле MATLAB GUI ortamında tekrar kullanılabilir түрдө birleştirilmesidir.

Özellikle булак мисалы бул gerçeği ачык түрдө көрсөтөт:

İyi бир AMR çalışması гана classifier accuracy sayısından oluşmaz.

Dataset'in кантип üretildiği, burst узундугу, kanal/SNR шарттары, чыгарылган өзгөчөлүктөр, класстардын confusion matrix ичиндеги davranışı, feature selection, cross-validation, белгисиз сигнал testi жана nihai демодуляция өндүрүмдүүлүгү birlikte incelenmelidir.

Методологиялык чектөөлөр

• Мисал ana маалымат топтому синтетикалык olarak түзүлгөн.
• Genel сегиз класстуу classifier өндүрүмдүүлүгү %81,16'dır жана PSK–DPSK айырмасын айкын түрдө zayıftır.
• %100 натыйжа гана iki класстуу FSK–GMSK deneyine aittir.
• Makale бардык колдоого алынган modulation schemes үчүн өзүнчө benchmark vermemektedir.
• Blind-demodulation мисалы 16-QAM жана көрсөтүлгөн kanal шарттарына aittir.
• Derin öğrenme ыкмалары gelecekte eklenebilecek yapı olarak belirtilmekte, mevcut үлгүлөрдүн негизги sistemi эмес.
• Makale geniş кеңири чыныгы талаа RF маалымат топтомдорун салыштыруу sunmamaktadır.
• Kaynakta hesaplama süresi, bellek gereksinimi же donanım ölçeklenmesi benchmark'ı берилген эмес.
• Программалык камсыздоо gereksinimi 64-bit MATLAB R2015b+ for Windows түрүндө берилген; diğer işletim sistemleri үчүн kaynakta doğrulanmış uyumluluk iddiası жок.

MATLABды окутуу жагынан алынуучу эң маанилүү иш принциби

Бул araştırma, MATLAB'da makine öğrenmesini гана:

model = fit(...)

benzeri tek бир билим берүү çağrısına indirgememek gerektiğini көрсөткөн iyi бир örnektir.

Чыныгы problem zinciri:

Fiziksel сигнал → маалымат → өзгөчөлүк → model → валидация → hata analizi → өзгөчөлүк тандоо → yeniden modelleme → bilinmeyen маалымат → параметрлерди баалоо → fiziksel çıktı

biçimindedir.

Modulations-Expert'in илимий жана eğitimsel мааниси, бул zincirin tamamını ошол эле MATLAB изилдөө ortamında көрүнүктүү абалга getirmesidir.

Булак жана ыкма боюнча эскертүү

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

Yazar: Mehdi Teimouri.

Yazar sırası: Tek yazarlı изилдөө.

Eş салым/eş birinci yazar: Uygulanabilir эмес.

Temas yazarı: Mehdi Teimouri.

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

Kaynak türü: MATLAB негизиндеги илимий программалык камсыздоо / AMR жана blind-demodulation preprint'i.

Platform: SSRN.

SSRN kimliği: 6864984.

DOI: 10.2139/ssrn.6864984.

SSRN yayın tarihi: 1 Haziran 2026.

Hakemlik durumu: Бул изилдөө hakem değerlendirmesinden geçmemiş бир preprinttir; sonuçları бул yayın баскычы dikkate alınarak değerlendirilmelidir.

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

Программалык камсыздоо adı: Modulations-Expert.

Kod sürümü: V2.1.

Программалык камсыздоо ortamı: MATLAB, MATLAB GUI, Machine Learning Toolbox, Signal Processing Toolbox.

Изилдөө gereksinimi: Kaynakta 64-bit MATLAB R2015b же көбүрөөк yeni Windows sürümü белгиленген.

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 менен makalenin көрсөтмө/telif durumu birbirinden өзүнчө değerlendirilmiştir. Булактын özgün GUI экран görüntüleri ошондуктан Verianla HTML'sine birebir aktarılmamıştır.

Finansman: Yüklenen preprintte ачык finansman билдирүүсү жок.

Çıkar çatışması: Yüklenen preprintte өзүнчө чыгар çatışması билдирүүсү жок.

CRediT/yazar katkıları: Ayrı CRediT билдирүүсү жок.

Veri erişimi: Araç синтетикалык dataset oluşturabilmekte жана dış I/Q waveform файлдарынан burst чыгара алат. Makaledeki 80.000 örneklik deney маалымат топтому үчүн өзүнчө туруктуу ачык маалымат кампасы belirtilmemiştir.

Bilimsel içerik kaynağı: Бул Verianla makalesindeki программалык камсыздоо mimarisi, колдоого алынган modülasyonlar, feature extraction aileleri, dataset түзүмү, classifier listesi, confusion matrix маанилери, feature-selection sonuçları, SVM ayarları, 16-QAM deneyi, parameter estimation маанилери жана BER sonucu yüklenen 12 sayfalık kaynağa dayanmaktadır. Dış булак гана başlık, yazar, DOI, SSRN tarihi, temas yazarı жана makale telif durumunu bibliyografik olarak doğrulamak үчүн колдонулган.

Görsel inceleme notu: Kaynak PDF'nin 7–12. sayfalarındaki бардык көрүнөт şekiller incelenmiştir. Sayısal olarak ачык түрдө окууга боло турган confusion matrix жана deney маанилери tablolaştırılmış; булак экран görüntüleri yeniden yayımlanmamıştır.

Temel илимий sınır: Изилдөө программалык камсыздоонун işlevselliğini синтетикалык AMR örnekleriyle көрсөтөт. Raporlanan өндүрүмдүүлүк маанилери бардык байланыш ortamları, RF cihazları, kanal türleri же модуляция класстары үчүн evrensel өндүрүмдүүлүк garantisi эмес.