Modulations-Expert ni kifurushi cha MATLAB GUI chenye moduli kilichotengenezwa kwa utambuzi wa kiotomatiki wa modulationi ya ishara za mawasiliano za analogi na dijitali. Programu hii huunga mkono miundo mingi ya modulationi, ikiwemo ASK, FSK, PSK, DPSK, OQPSK, QAM, MSK, GMSK, AM, DSB, USB, LSB, ISB, FM na PM; humpa mtumiaji uwezo wa kuunda seti za data za I/Q burst za sintetiki, kuleta ishara za I/Q zilizorekodiwa kutoka nje, kutoa familia sita tofauti za sifa za kitakwimu, kufundisha waainishaji mbalimbali wa ujifunzaji wa mashine, na kuchunguza matokeo kwa mbinu kama confusion matrix, PCA, t-SNE, histogram na box-plot. Katika mfano wa chanzo, seti ya data yenye sampuli 80.000 na sifa 454 iliundwa kwa ajili ya madarasa manane ya modulationi ya dijitali, na usahihi wa wastani wa uthibitishaji wa %81,16 ulipatikana kwa mti wa uamuzi. Kwa tatizo pacha la FSK–GMSK, SVM iliyofundishwa kwa sifa saba kuu baada ya uteuzi wa sifa wa embedded ilitoa usahihi wa wastani wa %100 katika 5-fold cross-validation kwa mpangilio fulani wa vigezo vya juu. Katika jaribio tofauti la 16-QAM, ishara isiyojulikana katika hali ya 15 dB AWGN ilitambuliwa kuwa QAM kwa uwezekano wa zaidi ya %98; muda wa ishara wa 4,158 samples/symbol ulikadiriwa dhidi ya thamani halisi ya 4,1 samples/symbol, na takriban 0,01 BER iliripotiwa mwishoni mwa demodulationi bila taarifa. Ikumbukwe kwamba matokeo haya yanahusu masharti mahususi ya uundaji wa data za sintetiki na majaribio ya mfano katika makala.

Tatizo la utambuzi wa kiotomatiki wa modulationi ni nini?

Tatizo kuu linaloshughulikiwa na utafiti Automatic Modulation Recognition — AMR'dır. Hapa upande wa mpokeaji, hajui mapema ishara iliyomfikia inatumia umbo gani la modulationi.

Chanzo kinaeleza kwamba AMR ni muhimu hasa katika:

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

ni muhimu katika matumizi ya.

Kwa hiyo, tatizo si kuona ishara moja tu. Mpokeaji hutoa taarifa ya kutosha kutoka kwenye ishara isiyojulikana na kwa mfano bunun:

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

kuamua kwamba ni.

Kwa nini mkabala wa MATLAB GUI umetumiwa?

Kulingana na motisha ya chanzo AMR ingawa mbinu nyingi za ujifunzaji wa mashine na ujifunzaji wa kina zimetengenezwa matumizi mengi hutegemea seti mahususi za data au matukio mahususi ya majaribio. Aidha, kutokuwepo kwa kiolesura cha picha kinachofikika, inaweza kufanya urudiaji wa mbinu na matumizi katika matukio tofauti kuwa magumu.

Modulations-Expert kwa hiyo badala ya kutoa algoriti moja ya AMR huunganisha shughuli mbalimbali chini ya kiolesura kimoja cha picha.

Bila mtumiaji kulazimika kuandika kila undani wa msimbo wa MATLAB moja kwa moja:

1. ishara anaweza kuunda,
2. kanal koşullarını anaweza kubainisha,
3. dataset anaweza kuunda,
4. sifa anaweza kutoa,
5. moja mwainishaji anaweza kufundisha,
6. anaweza kuthibitisha,
7. sifa anaweza kuchagua,
8. bilinmeyen sinyali anaweza kuainisha,
9. na inayoungwa mkono durumlarda bila taarifa demodulationi anaweza kutekeleza.

Sehemu tatu kuu za programu

Kaynak Modulations-Expert'in hugawanya usanifu wake wa ndani katika maeneo matatu makuu ya kazi:

Mgawanyo huu ni muhimu kwa muundo wa programu ya MATLAB. Mtumiaji arayüzünde tek program görülse bile uzalishaji wa ishara, data mühendisliği, ujifunzaji wa mashine na halisi ishara isiyojulikana analizi mantıksal olarak tofauti modüllerde tutulmaktadır.

Programu inaunga mkono modulationi zipi?

Kaynak Modulations-Expert v2.1 kwa zifuatazo analog na dijital modulationi ailelerini wazi inaorodhesha:

Kaynak, her modulationi ailesinin ҳама kihisabati fomula zake hii programu makalesinde haielezi. Kwa hiyo hii Verianla yazısında kaynakta bulunmayan modülatör denklemleri haijaongezwa.

Mtumiaji anaweza kubadilisha vigezo gani vya ishara?

Grafik kiolesura kupitia kaynakta wazi iliyotajwa ayarlanabilir değişkenler kati ya:

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

ipo.

Dataset uzalishaji wakati wa pia:

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

inaweza kubadilishwa.

I/Q burst ni nini na inatumikaje katika utafiti huu?

Kaynak data muundo wa complex I/Q bursts olarak inafafanua. Modulations-Expert sintetiki I/Q burst'leri kendi ndani ya oluşturabildiği kama dışarıdan iliyorekodiwa I/Q waveform kutoka kwenye faili da burst huweza kutoa.

Önemli tofauti ni hii:

AMR sınıflandırıcısı moja kwa moja pekee modulationi etiketiyle çalıştırılmamakta; kabla ghafi I/Q burst'lerden sifa za kitakwimu çıkarılmaktadır.

Hii nedenle utafiti klasik feature-engineering wa msingi moja AMR mfano wa inatoa.

Kuna mbinu ngapi tofauti za kutoa sifa?

Kaynak sita sifa ailesini wazi inasema:

Hii sifa ghafi burst'ten çıkarıldıktan baada MATLAB uainishaji data ya seti sütunlarını oluşturmaktadır.

Kwa nini skrini ya kutoa sifa kwenye ukurasa wa 7 ni muhimu?

Kaynak Kielelezo 1'de teorik olarak “sifa çıkarıyoruz” demekle kalmaz; sifa utoaji fonksiyonlarının GUI kupitia ipi parametrelerle kontrol kwamba ilifanywa de huonyesha.

Görselde wazi inayoweza kusomeka mfano ayarlardan bazıları ni zifuatazo:

Skrini hii inaonyesha dhana muhimu kwa elimu ya MATLAB: kutoa sifa mbinu ya haitoshi peke yake; yöntemin kendi vigezo de dataset'in muundo wa değiştiren deney değişkenleridir.

Nini hutokea baada ya sifa kutolewa?

Kaynak, iliyotolewa özelliklerin otomatik kwa namna MATLAB dataset'lerine dönüştürüldüğünü inasema. Böylece her burst moja mfano, her çıkarılmış kitakwimu ölçüt ikiwa kwa mwainishaji verilen moja sifa hâline gelmektedir.

Madarasa manane ya dijitali yametumiwa katika utafiti wa mfano:

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

Seti ya data iliundwaje hasa?

Kwa kila aina ya modulationi:

\[ 10.000\ \text{burst} \]

imetengenezwa.

Her burst:

\[ 4096\ \text{sample} \]

urefu wa.

Sekiz darasa olduğuna kulingana na chanzo toplam data kümesini moja kwa moja:

\[ 80.000\ \text{sample} \]

olarak inaripoti.

Sita sifa utoaji yönteminin birlikte uygulanmasının baada yake her mfano:

\[ 454\ \text{sifa ya kitakwimu} \]

na temsil imefanywa.

Je, seti ya data iliundwa chini ya hali moja tu?

Hayır. Kaynak, burst'lerin değişken:

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

katika hali üretildiğini inasema.

Tofauti hii ni muhimu; çünkü kwa mwainishaji ҳама sampuli na na ideal parametreden gelmesi yerine tofauti ishara hali huonyeshwa.

Ni algoriti zipi za ujifunzaji wa mashine zinaoungwa mkono?

Chanzo kinaorodhesha wazi waainishaji wafuatao kwa Modulations-Expert:

Mtumiaji si tu hufundisha miundo kupitia GUI, bali pia:

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

anaweza pia kutekeleza shughuli za.

Ni shughuli zipi nyingine za ujifunzaji wa mashine zilizopo?

Chanzo kinaeleza kwamba programu pia ina uwezo ufuatao:

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

Jaribio la kwanza la uainishaji: mti wa uamuzi

80.000 mfano na 454 kutoka kwenye sifa linaloundwa na seti ya data kwa kutumia GUI iliyo ndani ya Train Decision Machine kwa chaguo la moja mti wa uamuzi eğitilmiştir.

validation accuracy ya wastani iliyoripotiwa na chanzo:

[ 81.16% ]

ni thamani yake.

Kwa nini confusion matrix inaeleza zaidi kuliko nambari moja ya usahihi?

Usahihi wa wastani wa %81,16 unatuambia mafanikio ya jumla ya modeli; hata hivyo hauonyeshi ni madarasa yapi yaliyochanganywa.

Chanzo sayfa 8 / Kielelezo 2'deki confusion matrix'i bunu ayrıntılı kwa namna huonyesha.

Değerler yüzde olarak chanzo Kielelezo 2'den aktarılmıştır.

Ni jambo gani muhimu zaidi tunaloambiwa na confusion matrix?

ASK, FSK, OQPSK na QAM madarasa hii örnekte kwa kiasi kikubwa juu sahihi uainishaji oranlarına sahiptir:

Buna dhidi ya PSK na DPSK ciddi kwa namna kwa pamoja karışmaktadır:

• DPSK sampuli %46,20'si PSK olarak imeainishwa.
• PSK sampuli %50,35'i DPSK olarak imeainishwa.
• DPSK'nin kendi katika darasa sahihi kiwango %52,15'tir.
• PSK'nin kendi katika darasa sahihi kiwango %48,45'tir.

Kaynak metni hii durumu PSK na DPSK'nin signal space benzerliğiyle inahusisha. Burada confusion matrix'i kuona, pekee %81,16 jumla usahihi wa okumaktan sana zaidi bilgilendiricidir.

Kwa nini feature selection imefanywa?

Sifa zote 454 si lazima zibebe taarifa kwa kiwango sawa kwa kila tatizo la uainishaji. Utafiti hii durumu kuonyesha kwa jumla nane wenye madarasa problemi bırakıp pekee FSK na GMSK sınıflarından linaloundwa na moja sub-dataset üretmektedir.

Ardından embedded feature-selection mbinu ya inatumika.

Tunaona nini katika dirisha la feature-selection kwenye ukurasa wa 9?

Chanzo Kielelezo 3'ünde karar ağacında yenye maana mchango inayoonyesha 12 sifa listelenmiştir.

Metne kulingana na miongoni mwa hizo saba kuu sifa seçilerek iliyopunguzwa moja seti ya data imeundwa.

Hii, MATLAB/ujifunzaji wa mashine eğitiminde muhimu moja tofauti huonyesha:

“Modelde 454 sifa var” na “model karar vermek kwa 454 sifa ya tamamına kweli ihtiyaç duyuyor” na na şey si.

Ni modeli iliyotumiwa kwa sifa zilizopunguzwa?

Yedi kuu sifa kwa kutumia moja SVM iliyofundishwa na chanzo hii iliyopunguzwa FSK–GMSK problemi kwa:

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

imeripoti.

Hata hivyo utafiti haukuishia hapo, na 5-fold cross-validation pia ilifanywa.

Kwa nini cross-validation imefanywa kando?

Kaynak, Cross-Validation of Decision Machine menüsünü kullanarak modelin tofauti data bölünmelerinde tekrar test kwamba ilifanywa inasema.

Katika uthibitishaji wa mikunjo mitano, GUI pia hutoa progress bar ili kumwonyesha mtumiaji hali ya kazi.

Mipangilio ya SVM iliyoripotiwa kuwa bora katika chanzo:

şeklindedir.

Tunapaswa kusomaje grafu ya 3D ya MATLAB kwenye ukurasa wa 10?

Kielelezo 4'te iki SVM parametresi yatay eksenler wakati wa değiştirilmekte, dikey eksende ikiwa Average Weighted Accuracy huonyeshwa.

Grafiğin juu ya işaretlenen optimum noktada:

• X = 1,5,
• Y = 1,
• Z = 100

huonekana.

Kielelezo hiki, MATLAB'ın pekee uainishaji yapmak kwa si, model hiperparametrelerinin utendaji yüzeyini tatu boyutlu olarak görselleştirmek kwa de kullanılabileceğini huonyesha.

Ni sifa ipi muhimu zaidi ya FSK–GMSK?

Kaynak hii ikili tofauti kwa en muhimu özelliği wazi:

WTn_med_M_1_T_5

olarak inaripoti.

Kielelezo 5'te hii sifa ya FSK na GMSK sınıflarındaki dağılımları tofauti box-plot'larla huonyeshwa.

Box-plot kwenye ukurasa wa 11 inatuambia nini?

Grafu inaonyesha kwa taswira kwamba sifa hiyo haina mgawanyo sawa kwa madarasa hayo mawili. FSK grubunun kutu na medyan bölgesi GMSK grubundan zaidi juu konumdadır.

Chanzo kinafafanua sifa hii kuwa sifa muhimu zaidi katika utofautishaji wa FSK–GMSK.

Somo la MATLAB linalopaswa kutolewa hapa ni hili:

Feature importance haipaswi kuachwa kama jedwali la upangaji pekee; ikiwezekana seçilen sifa ya sınıflar kati ya dağılımı da görselleştirilmelidir.

Kwa nini matokeo ya mti wa uamuzi wa jumla hayapaswi kulinganishwa na SVM ya FSK–GMSK?

Çünkü iki deney na na uainishaji problemini çözmemektedir.

Kwa hiyo “SVM %100 kwa kuwa ҳама AMR problemini kusursuz çözüyor” sonucu chanzo na desteklenmemektedir.

Blind modulation recognition ilijaribiwaje?

Çalışmanın son katika mfano kabla:

\[ 10.000\ \text{bit} \]

uzunluğunda rastgele binary stream imeundwa.

Hii bitler:

16-QAM

na modüle imefanywa.

Sinyal zaidi baada:

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

koşullarından geçirilmiştir.

Moduli ya AMR iliichakataje ishara hii?

Bilinmeyen ishara, zaidi kabla nane darasa juu ya iliyofundishwa decision-tree classifier kwa kutumia değerlendirilmiştir.

AMR bölümünde:

\[ 4096\ \text{sample} \]

uzunluğunda, overlap kullanılmayan burst'ler kupitia tathmini imefanywa.

Programu ya ishara QAM kwamba ni:

[ > 98% > ]

olasılıkla sahihi tanımıştır.

Kwa nini parameter estimation inahitajika baada ya utambuzi?

Moja ya ishara “QAM” kwamba ni bilmek, onu moja kwa moja sahihi bitlere dönüştürmek kwa gerekli ҳама alıcı parametrelerinin bilindiği maana ya gelmez.

Çalışmada AMR baadaye tofauti parameter-estimation modülü devreye girmektedir.

Katika mfano halisi symbol duration:

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

iken araç:

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

tahmin etmiştir.

Kaynak hii iki thamani wazi vermektedir; Verianla na ek hata yüzdesi üretilmemiştir.

Ni nini matokeo ya hatua ya blind demodulation?

Parametre tahmininin baada yake bila taarifa demodulationi uygulanmış na chanzo takriban:

\[ BER\approx0.01 \]

imeripoti.

Hii thamani, söz konusu 16-QAM mfano wa na iliyotajwa 15 dB AWGN / moja mfano gecikme hali içindir.

Grafu nne za constellation kwenye ukurasa wa 12 zinaonyesha nini?

Chanzo son görseli blind demodulation işlemini tek nihai matokeo olarak si, nne ara aşama kupitia huonyesha:

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

Kwanza panelde örnekler kwa kiasi kikubwa yayılmış moja bulut görünümündedir. Symbol synchronization baadaye yapı değişir; coarse carrier synchronization aşamasında QAM takımyıldızının kümelenmeleri kuwa wazi gelir; fine carrier synchronization panelinde kümeler zaidi düzenli konumlara yerleşir.

Hii taswira MATLAB öğrenimi kwa mtazamo wa muhimu moja noktayı inaonyesha:

Moja demodülatörün pekee nihai BER değerini kuona yerine ara ishara uchakataji aşamalarını görselleştirmek, sistemde ipi düzeltmenin nini zaman gerçekleştiğini anlamayı kolaylaştırır.

Kwa nini blind demodulation inaitwa “blind”?

Kaynak hii utafiti bağlamında sistemi, bilinmeyen modulationi sinyalinin kabla AMR na utambuzi, baada yake parametrelerin tahmin edilmesi na son olarak demodulationi yapılması biçiminde düzenlemektedir.

Kwa hiyo mtumiaji verici na kullanılan ҳама vigezo baştan programa vermek yerine ishara analizi na parameter estimation aşamalarından yararlanmaktadır.

Kwa nini programu inaweza kuwa muhimu kwa upande wa elimu?

Kaynak moja kwa moja Modulations-Expert'in dijital iletişim na ujifunzaji wa mashine derslerinde elimu amacıyla kullanılabileceğini inasema.

Sababu yake ni, normalde birbirinden tofauti öğretilen birçok konunun na na deney zincirinde görülmesidir:

• mawasiliano sinyali uzalishaji,
• kanal etkisi,
• I/Q muundo wa data,
• feature engineering,
• dataset hazırlama,
• classification,
• cross-validation,
• feature importance,
• confusion matrix,
• parameter estimation,
• demodulation,
• BER.

Utafiti huu unamwonyesha anayejifunza MATLAB nidhamu gani ya kazi?

Hii kaynakta MATLAB moja matokeo hesaplayıcısı si, uçtan uca deney platformu hâline gelmektedir.

Mantiki ya kazi inayoweza kufuatwa kielimu ni hii:

1. Problemi tanımla: ipi modulationi ayırmak istiyoruz?
2. Veriyi oluştur: kaç burst, kaç sample, ipi SNR aralığı?
3. Sifa toa: ipi feature family kullanılacak?
4. Dataset'i oluştur: satırlar mfano, sütunlar sifa olacak kwa namna düzenle.
5. Model eğit: decision tree, SVM au inayoungwa mkono nyingine classifier.
6. Validation yap: pekee training accuracy'ye bakma.
7. Confusion matrix'i incele: model ipi madarasa kwa pamoja karıştırıyor?
8. Feature selection yap: kweli gerekli sifa bul.
9. Cross-validation yap: belirli moja data bölünmesine aşırı bağımlı sonucu kontrol et.
10. Özellikleri görselleştir: modelin kullandığı tofauti anlamaya çalış.
11. Bilinmeyen sinyali dene: elimu data kümesinden sonraki halisi matumizi adımına geç.
12. Parametreleri tahmin et.
13. Blind demodulation uygula.
14. BER na nihai iletişim mafanikio yake ölç.

Hii sıralama chanzo makalenin mfano utafiti düzeninden iliyotolewa öğretici moja organizasyondur; haiwasilishwi kama algoriti mpya ya AMR.

Matokeo yanayoungwa mkono na utafiti

• Modulations-Expert v2.1, MATLAB wa msingi grafik kiolesura chini ya AMR na blind demodulation shughuli zake birleştirmektedir.
• Analog na dijital sana sayıda modulationi türünü huunga mkono.
• Sentetik complex I/Q burst dataset anaweza kuunda na dış I/Q kutoka kwenye faili burst anaweza kutoa.
• Sita tofauti feature-extraction ailesi ipo.
• Birden fazla klasik machine-learning classifier desteklenmektedir.
• GUI kupitia training, validation, testing na cross-validation gerçekleştirilebilir.
• Feature selection, dimensionality reduction, scaling na visualization araçları ipo.
• Mfano nane wenye madarasa dataset 80.000 mfano na 454 kutoka kwenye sifa oluşmaktadır.
• Karar mti mfano wa %81,16 wastani validation accuracy üretmiştir.
• FSK–GMSK alt probleminde saba seçili hasa SVM %100 usahihi üretmiştir.
• 5-fold cross-validation'da iliyotajwa SVM ayarlarıyla %100 wastani accuracy imeripotiwa.
• 16-QAM mfano wa %98'in juu ya QAM olasılığıyla tanınmıştır.
• 4,1 samples/symbol halisi değere karşı 4,158 samples/symbol tahmin imefanywa.
• Kör demodulationi katika mfano takriban 0,01 BER imepatikana.

Matokeo ambayo utafiti hauungi mkono au hauyaonyeshi

• %100 SVM sonucu ҳама modülasyonların jumla uainishaji usahihi wa si.
• Kaynak ҳама halisi RF ortamlarında %81,16 au %100 usahihi haitoi dhamana.
• Mfano data seti sintetiki olarak imetengenezwa; ҳама matokeo bağımsız geniş saha RF kayıtları juu ya doğrulanmış si.
• Deep learning mbinu mevcut sampuli si mfumo mkuu wa uthibitishaji; chanzo bunların gelecekte modüler mimariye eklenebileceğini inasema.
• Kaynak ҳама inayoungwa mkono analog na dijital modülasyonlar kwa haitoi benchmark ya utendaji tofauti.
• Kör demodulationi sonucu zote modulationi tipleri kwa na na BER performansını kanıtlamamaktadır.
• PSK na DPSK kwa mti wa uamuzi örneğindeki juu karışma çözülmüş si.
• Yazılımın Windows wa nje ya işletim sistemleri kwa destek durumu kaynakta belirtilmemektedir; gereksinim alanı Windows kwa imetolewa.
• Makalede tam çalıştırma zamanı au CPU/GPU utendaji benchmark'ı haipo.
• 80.000 örneklik deney data ya seti tofauti ya kudumu data deposu kaynakta haijatolewa.

Kwa nini jambo hili linaweza kuvutia kwa mtazamo wa Türkiye?

Utafiti İran'daki University of Tehran kaynaklıdır na Türkiye'ye maalum kwa moja mawasiliano sistemi haijajaribiwa juu yake. Bununla birlikte AMR; akademik mawasiliano araştırmaları, spektrum izleme, bilişsel radyo na ishara analizi kwa mtazamo wa ülkeye maalum kwa olmayan jumla moja mühendislik problemidir.

Türkiye'deki moja araştırma au elimu uygulamasında na na programu kullanılacaksa yerel RF kayıtları, hali za kanali, halisi donanımdan alınan I/Q data na hedeflenen madarasa ya modulationi pia test edilmelidir. Kaynaktaki sintetiki deney performansının yerel halisi RF ortamına kuhamishwa moja kwa moja haipaswi kudhaniwa.

Mbinu na Matokeo ya Utafiti

Jaribio la 1 — kuunda seti ya data ya AMR yenye madarasa manane

Çalışmanın msingi deneyinde zifuatazo dijital madarasa ya modulationi imetumiwa:

Her burst 4096 ina urefu wa sampuli. SNR, modulation order, samples per symbol na pulse-shaping roll-off factor değiştirilmektedir.

Jaribio la 2 — matumizi ya pamoja ya familia sita za feature-extraction

Bütün burst'lere:

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

sifa imetumika.

Sonuç:

Jaribio la 3 — decision-tree classifier yenye madarasa manane

Kaynak modeli Train Decision Machine kwa chaguo la eğitmektedir.

Raporlanan wastani validation accuracy:

[ 81.16%. ]

Confusion matrix, performansın sınıflar kati ya homojen kutokuwepo kwake huonyesha.

Jaribio la 4 — feature selection kwa FSK na GMSK

Önce pekee FSK na GMSK sınıflarını içeren sub-dataset imeundwa.

Embedded feature-selection kutokana na:

• karar ağacına yenye maana katkısı bulunan 12 sifa görüntülenmiş,
• miongoni mwa hizo saba kuu sifa seçilmiştir.

Sifa muhimu zaidi:

WTn_med_M_1_T_5

olarak imeripotiwa.

Jaribio la 5 — SVM na uthibitishaji mtambuka wa mikunjo mitano

Yedi özellikli iliyopunguzwa dataset juu ya SVM iliyofundishwa na %100 validation accuracy imepatikana.

Daha baada 5-fold cross-validation imetumika.

Jaribio la 6 — 16-QAM AMR na blind demodulation

Hatua nne za uchakataji katika taswira ya blind-demodulation

Chanzo Kielelezo 6'sında tek moja nihai QAM takımyıldızı yerine ardışık nne aşama imetolewa:

Hii taswira, bila taarifa demodülasyonun pekee “QAM kwamba ni bul na bitleri toa” kwa umbo la tek aşamalı moja işlem kutokuwepo kwake; ya ishara alıcı tarafında kademeli olarak düzenlendiğini chanzo mfano kupitia huonekana kılmaktadır.

Maana ya kisayansi ya matokeo

Makale, Modulations-Expert'in tek moja ujifunzaji wa mashine algoritmasında usahihi wa juu elde etmesinden zaidi geniş moja mchango iddia hufanya. Asıl mchango, AMR araştırmalarındaki kwa pamoja bağlı deney aşamalarının na na MATLAB GUI ortamında tekrar kullanılabilir kwa namna birleştirilmesidir.

Özellikle chanzo mfano wa hii gerçeği wazi kwa namna huonyesha:

İyi moja AMR çalışması pekee classifier accuracy sayısından oluşmaz.

Dataset'in jinsi gani üretildiği, urefu wa burst, kanal/SNR hali, iliyotolewa sifa, madarasa confusion matrix iliyo ndani ya davranışı, feature selection, cross-validation, ishara isiyojulikana testi na nihai demodulationi utendaji wake birlikte incelenmelidir.

Vikwazo vya kimethodolojia

• Mfano ana seti ya data sintetiki olarak imeundwa.
• Genel nane wenye madarasa classifier utendaji wake %81,16'dır na PSK–DPSK tofauti kwa namna dhahiri zayıftır.
• %100 matokeo pekee iki wenye madarasa FSK–GMSK deneyine aittir.
• Makale ҳама inayoungwa mkono modulation schemes kwa tofauti benchmark vermemektedir.
• Blind-demodulation mfano wa 16-QAM na iliyotajwa kanal kwenye masharti aittir.
• Derin öğrenme mbinu gelecekte eklenebilecek yapı olarak belirtilmekte, mevcut sampuli msingi sistemi si.
• Makale geniş ulinganisho mpana wa seti za data halisi za RF za uwanjani sunmamaktadır.
• Kaynakta hesaplama süresi, bellek gereksinimi au donanım ölçeklenmesi benchmark'ı haijatolewa.
• Programu gereksinimi 64-bit MATLAB R2015b+ for Windows kwa umbo la imetolewa; diğer işletim sistemleri kwa kaynakta doğrulanmış uyumluluk iddiası haipo.

Kanuni kuu ya kazi inayoweza kutolewa kwa elimu ya MATLAB

Hii araştırma, MATLAB'da makine öğrenmesini pekee:

model = fit(...)

benzeri tek moja elimu çağrısına indirgememek gerektiğini inayoonyesha iyi moja örnektir.

Halisi problem zinciri:

Fiziksel ishara → data → sifa → model → uthibitishaji → hata analizi → uteuzi wa sifa → yeniden modelleme → bilinmeyen data → makadirio ya vigezo → fiziksel çıktı

biçimindedir.

Modulations-Expert'in kisayansi na eğitimsel thamani, hii zincirin tamamını na na MATLAB utafiti ortamında kuwa wazi getirmesidir.

Dokezo la Chanzo na Mbinu

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

Yazar: Mehdi Teimouri.

Yazar sırası: Tek yazarlı utafiti.

Eş mchango/eş birinci yazar: Uygulanabilir si.

Temas yazarı: Mehdi Teimouri.

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

Kaynak türü: MATLAB wa msingi kisayansi programu / AMR na blind-demodulation preprint'i.

Platform: SSRN.

SSRN kimliği: 6864984.

DOI: 10.2139/ssrn.6864984.

SSRN yayın tarihi: 1 Haziran 2026.

Hakemlik durumu: Hii utafiti hakem değerlendirmesinden geçmemiş moja preprinttir; sonuçları hii yayın hatua dikkate alınarak değerlendirilmelidir.

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

Programu adı: Modulations-Expert.

Kod sürümü: V2.1.

Programu ortamı: MATLAB, MATLAB GUI, Machine Learning Toolbox, Signal Processing Toolbox.

Utafiti gereksinimi: Kaynakta 64-bit MATLAB R2015b au zaidi yeni Windows sürümü imebainishwa.

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 na makalenin taswira/telif durumu birbirinden tofauti değerlendirilmiştir. Chanzo özgün GUI skrini görüntüleri kwa hiyo Verianla HTML'sine birebir aktarılmamıştır.

Finansman: Yüklenen preprintte wazi finansman taarifa haipo.

Çıkar çatışması: Yüklenen preprintte tofauti toa çatışması taarifa haipo.

CRediT/yazar katkıları: Ayrı CRediT taarifa haipo.

Veri erişimi: Araç sintetiki dataset oluşturabilmekte na dış I/Q waveform kutoka kwenye faili burst huweza kutoa. Makaledeki 80.000 örneklik deney seti ya data kwa hifadhi ya kudumu ya data wazi belirtilmemiştir.

Bilimsel içerik kaynağı: Hii Verianla makalesindeki programu mimarisi, inayoungwa mkono modülasyonlar, feature extraction aileleri, dataset muundo, classifier listesi, confusion matrix thamani, feature-selection sonuçları, SVM ayarları, 16-QAM deneyi, parameter estimation thamani na BER sonucu yüklenen 12 sayfalık kaynağa dayanmaktadır. Dış chanzo pekee başlık, yazar, DOI, SSRN tarihi, temas yazarı na makale telif durumunu bibliyografik olarak doğrulamak kwa imetumiwa.

Görsel inceleme notu: Kaynak PDF'nin 7–12. sayfalarındaki ҳама huonekana şekiller incelenmiştir. Sayısal olarak wazi kwa namna inayoweza kusomeka confusion matrix na deney thamani tablolaştırılmış; chanzo skrini görüntüleri yeniden yayımlanmamıştır.

Temel kisayansi sınır: Utafiti ya programu işlevselliğini sintetiki AMR örnekleriyle huonyesha. Raporlanan utendaji thamani ҳама mawasiliano ortamları, RF cihazları, kanal türleri au madarasa ya modulationi kwa evrensel utendaji garantisi si.