Modulations-Expert — analog va raqamli aloqa signallarining avtomatik modulyatsiyasini aniqlash uchun ishlab chiqilgan modulli MATLAB GUI asboblar to‘plamidir. Dastur ASK, FSK, PSK, DPSK, OQPSK, QAM, MSK, GMSK, AM, DSB, USB, LSB, ISB, FM va PM kabi ko‘plab modulyatsiya tuzilmalarini qo‘llab-quvvatlaydi; foydalanuvchiga sintetik I/Q burst ma’lumotlar to‘plamlarini yaratish, tashqaridan yozib olingan I/Q signallarini import qilish, oltita alohida statistik xususiyat oilasini ajratib olish, turli mashinali o‘rganish klassifikatorlarini o‘qitish va natijalarni confusion matrix, PCA, t-SNE, histogram hamda box-plot kabi usullar orqali tekshirish imkonini beradi. Manba misolida sakkizta raqamli modulyatsiya sinfi uchun 80.000 namuna va 454 xususiyatdan iborat ma’lumotlar to‘plami yaratilgan, qaror daraxti yordamida o‘rtacha %81,16 validatsiya aniqligiga erishilgan. FSK–GMSK ikkilik masalasi uchun embedded xususiyat tanlashdan so‘ng yettita ustun xususiyat bilan o‘qitilgan SVM 5-fold cross-validation natijasida muayyan giperparametr sozlamasida o‘rtacha %100 aniqlik bergan. Alohida 16-QAM tajribasida 15 dB AWGN sharoitidagi noma’lum signal %98'dan yuqori QAM ehtimoli bilan aniqlangan; haqiqiy 4,1 samples/symbol qiymatiga qarshi 4,158 samples/symbol belgilar davomiyligi baholangan va ko‘r demodulyatsiya yakunida taxminan 0,01 BER qayd etilgan. Bu natijalar maqoladagi muayyan sintetik ma’lumot yaratish shartlari va namunaviy tajribalar uchun amal qilishini unutmaslik kerak.

Avtomatik modulyatsiyani aniqlash muammosi nima?

Tadqiqot ko‘rib chiqadigan asosiy muammo Automatic Modulation Recognition — AMR'dır. Bu yerda qabul qiluvchi tomon, o‘ziga yetib kelgan signal qaysi modulyatsiya shaklidan foydalanishini oldindan bilmaydi.

Manba AMR ayniqsa:

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

qo‘llanmalarida muhimligini qayd etadi.

Demak, muammo faqat signalni ko‘rishdan iborat emas. Qabul qiluvchi noma’lum signaldan yetarli ma’lumot chiqarib masalan bunun:

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

ekanini aniqlashi kerak.

Nima uchun MATLAB GUI yondashuvi qo‘llangan?

Manba motivatsiyasiga ko‘ra AMR bo‘yicha ko‘plab mashinali va chuqur o‘rganish usullari ishlab chiqilgan bo‘lsa-da ko‘plab ilovalar muayyan ma’lumotlar to‘plamlariga yoki tajriba ssenariylariga bog‘liq. Bundan tashqari, foydalanish qulay grafik foydalanuvchi interfeysining yo‘qligi, usullarni takrorlash va turli ssenariylarga qo‘llashni qiyinlashtirishi mumkin.

Modulations-Expert shu sababli bitta AMR algoritmini taklif qilish o‘rniga turli amallarni bir grafik interfeys ostida birlashtiradi.

Foydalanuvchi MATLAB kodining har bir tafsilotini bevosita yozishga majbur bo‘lmasdan:

1. signal yarata oladi,
2. kanal koşullarını belgilay oladi,
3. dataset yarata oladi,
4. xususiyat ajratib oladi,
5. bir klassifikator o‘qita oladi,
6. tekshira oladi,
7. xususiyat tanlay oladi,
8. bilinmeyen sinyali tasniflay oladi,
9. va qo‘llab-quvvatlanadigan durumlarda ko‘r demodulyatsiya amalga oshira oladi.

Dasturiy ta’minotning uchta asosiy bo‘limi

Kaynak Modulations-Expert'in ichki arxitekturasini uchta asosiy ish sohasiga ajratadi:

Bu ajratish MATLAB dasturiy ta’minotini loyihalash nuqtayi nazaridan muhimdir. Foydalanuvchi arayüzünde tek program görülse bile signal ishlab chiqarish, ma’lumot mühendisliği, mashinali o‘rganish va haqiqiy noma’lum signal analizi mantıksal olarak alohida modüllerde tutulmaktadır.

Dastur qaysi modulyatsiyalarni qo‘llab-quvvatlaydi?

Kaynak Modulations-Expert v2.1 uchun quyidagi analog va dijital modulyatsiya ailelerini aniq ravishda sanab o‘tadi:

Kaynak, her modulyatsiya ailesinin barcha matematik formulalarini bu dasturiy ta’minot makalesinde tushuntirmaydi. Shu sababli bu Verianla yazısında kaynakta bulunmayan modülatör denklemleri qo‘shilmagan.

Foydalanuvchi signalning qaysi parametrlarini o‘zgartira oladi?

Grafik interfeys orqali kaynakta aniq ravishda ko‘rsatilgan ayarlanabilir değişkenler orasida:

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

mavjud.

Dataset ishlab chiqarish davomida shuningdek:

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

o‘zgartirilishi mumkin.

I/Q burst nima va bu tadqiqotda qanday ishlatiladi?

Kaynak ma’lumot tuzilmasini complex I/Q bursts olarak ta’riflaydi. Modulations-Expert sintetik I/Q burst'leri kendi ichida oluşturabildiği kabi dışarıdan yozib olingan I/Q waveform fayllaridan da burst ajratib oladi.

Önemli farq shudir:

AMR sınıflandırıcısı bevosita faqat modulyatsiya etiketiyle çalıştırılmamakta; avval xom I/Q burst'lerden statistik xususiyatlar çıkarılmaktadır.

Bu nedenle tadqiqot klasik feature-engineering asosidagi bir AMR misoli taqdim etadi.

Nechta turli xususiyat ajratib olish usuli mavjud?

Kaynak olti xususiyat ailesini aniq ravishda qayd etadi:

Bu xususiyatlar xom burst'ten çıkarıldıktan so‘ng MATLAB tasniflash ma’lumot to‘plamining sütunlarını oluşturmaktadır.

7-sahifadagi xususiyat ajratish oynasi nima uchun muhim?

Kaynak Rasm 1'de teorik olarak “xususiyat çıkarıyoruz” demekle kalmaz; xususiyat ajratib olish fonksiyonlarının GUI orqali qaysi parametrelerle kontrol qilinganini de ko‘rsatadi.

Görselde aniq ravishda o‘qish mumkin bo‘lgan misol ayarlardan bazıları quyidagilar:

Bu oyna MATLAB ta’limi nuqtayi nazaridan muhim tushunchani ko‘rsatadi: xususiyat ajratish usuli o‘zi yetarli emas; yöntemin kendi parametrlarni de dataset'in tuzilmasini değiştiren deney değişkenleridir.

Xususiyatlar ajratib olingach nima bo‘ladi?

Kaynak, ajratib olingan özelliklerin otomatik tarzda MATLAB dataset'lerine dönüştürüldüğünü qayd etadi. Böylece her burst bir misol, her çıkarılmış statistik ölçüt esa klassifikatorga verilen bir xususiyat hâline gelmektedir.

Namunaviy tadqiqotda sakkizta raqamli sinfdan foydalanilgan:

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

Dataset aniq qanday yaratilgan?

Har bir modulyatsiya turi uchun:

\[ 10.000\ \text{burst} \]

ishlab chiqarilgan.

Her burst:

\[ 4096\ \text{sample} \]

uzunligidadir.

Sekiz sinf olduğuna ko‘ra manba toplam ma’lumot kümesini bevosita:

\[ 80.000\ \text{sample} \]

olarak hisobot beradi.

Olti xususiyat ajratib olish yönteminin birlikte uygulanmasının so‘ng her misol:

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

bilan temsil amalga oshirilgan.

Dataset faqat bitta sharoitda yaratildimi?

Hayır. Kaynak, burst'lerin değişken:

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

sharoitida üretildiğini qayd etadi.

Bu farq muhimdir; çünkü klassifikatorga barcha namunalarning bir xil ideal parametreden gelmesi yerine turli signal sharoitlari ko‘rsatiladi.

Qaysi mashinali o‘rganish algoritmlari qo‘llab-quvvatlanadi?

Manba Modulations-Expert uchun quyidagi klassifikatorlarni aniq sanab o‘tadi:

Foydalanuvchi GUI orqali modellarni faqat o‘qitibgina qolmay:

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

amallarni xom bajara oladi.

Yana qanday mashinali o‘rganish amallari mavjud?

Manba dasturiy ta’minot qo‘shimcha ravishda quyidagi imkoniyatlarga ega ekanini qayd etadi:

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

Birinchi tasniflash tajribasi: qaror daraxti

80.000 misol va 454 xususiyatdan iborat bo‘lgan ma’lumotlar to‘plami foydalanib GUI ichidagi Train Decision Machine opsiyasi bilan bir qaror daraxti eğitilmiştir.

Manba tomonidan qayd etilgan o‘rtacha validation accuracy:

[ 81.16% ]

qiymatidir.

Nima uchun confusion matrix bitta aniqlik sonidan ko‘ra tushunarliroq?

%81,16 o‘rtacha aniqlik modelning umumiy muvaffaqiyatini bildiradi, biroq qaysi sinflar bir-biri bilan aralashtirilganini ko‘rsatmaydi.

Manbaning sayfa 8 / Rasm 2'deki confusion matrix'i bunu ayrıntılı tarzda ko‘rsatadi.

Değerler yüzde olarak manba Rasm 2'den aktarılmıştır.

Confusion matrix bizga aytadigan eng muhim narsa nima?

ASK, FSK, OQPSK va QAM sinflarni bu örnekte ancha yuqori to‘g‘ri tasniflash oranlarına sahiptir:

Buna qarshi PSK va DPSK ciddi tarzda bir-biri bilan karışmaktadır:

• DPSK namunalarining %46,20'si PSK olarak tasniflangan.
• PSK namunalarining %50,35'i DPSK olarak tasniflangan.
• DPSK'nin kendi sinfida to‘g‘ri darajasi %52,15'tir.
• PSK'nin kendi sinfida to‘g‘ri darajasi %48,45'tir.

Kaynak metni bu durumu PSK va DPSK'nin signal space benzerliğiyle bog‘laydi. Burada confusion matrix'i ko‘rish, faqat %81,16 umumiy aniqligi okumaktan juda yanada bilgilendiricidir.

Feature selection nima uchun bajarilgan?

454 xususiyatning barchasi har bir tasniflash masalasi uchun bir xil darajada ma’lumot tashishi shart emas. Tadqiqot bu durumu ko‘rsatish uchun umumiy sakkiz sinfli problemi bırakıp faqat FSK va GMSK sınıflarından iborat bo‘lgan bir sub-dataset üretmektedir.

Ardından embedded feature-selection usuli qo‘llanmoqda.

9-sahifadagi feature-selection oynasida nimani ko‘ramiz?

Manbaning Rasm 3'ünde karar ağacında mazmunli hissa ko‘rsatuvchi 12 xususiyat listelenmiştir.

Metne ko‘ra ulardan yetti ustun xususiyat seçilerek kamaytirilgan bir ma’lumotlar to‘plami yaratilgan.

Bu, MATLAB/mashinali o‘rganish eğitiminde muhim bir farqini ko‘rsatadi:

“Modelde 454 xususiyat var” bilan “model karar vermek uchun 454 xususiyatning tamamına haqiqatan ihtiyaç duyuyor” bir xil şey emas.

Kamaytirilgan xususiyatlar bilan qaysi model ishlatilgan?

Yedi ustun xususiyat foydalanib bir SVM o‘qitilgan va manba bu kamaytirilgan FSK–GMSK problemi uchun:

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

hisobot bergan.

Biroq tadqiqot buning bilan cheklanmagan va qo‘shimcha ravishda 5-fold cross-validation bajarilgan.

Cross-validation nima uchun alohida bajarilgan?

Kaynak, Cross-Validation of Decision Machine menüsünü kullanarak modelin turli ma’lumot bölünmelerinde tekrar test qilinganini qayd etadi.

Besh karrali validatsiyada GUI foydalanuvchiga ish holatini ko‘rsatish uchun progress bar xom taqdim etadi.

Manbada optimal deb xabar qilingan SVM sozlamalari:

şeklindedir.

10-sahifadagi 3D MATLAB grafigini qanday o‘qish kerak?

Rasm 4'te iki SVM parametresi yatay eksenler davomida değiştirilmekte, dikey eksende esa Average Weighted Accuracy ko‘rsatiladi.

Grafiğin ustida işaretlenen optimum noktada:

• X = 1,5,
• Y = 1,
• Z = 100

ko‘rinadi.

Bu rasm, MATLAB'ın faqat tasniflash yapmak uchun emas, model hiperparametrelerinin unumdorlik yüzeyini uch boyutlu olarak görselleştirmek uchun de kullanılabileceğini ko‘rsatadi.

Eng muhim FSK–GMSK xususiyati qaysi?

Kaynak bu ikili farq uchun en muhim özelliği aniq ravishda:

WTn_med_M_1_T_5

olarak hisobot beradi.

Rasm 5'te bu xususiyatning FSK va GMSK sınıflarındaki dağılımları alohida box-plot'larla ko‘rsatiladi.

11-sahifadagi box-plot bizga nimani anglatadi?

Grafik ushbu xususiyat ikki sinf uchun bir xil taqsimotga ega emasligini vizual tarzda ko‘rsatadi. FSK grubunun kutu va medyan bölgesi GMSK grubundan yanada yuqori konumdadır.

Manba bu xususiyatni FSK–GMSK farqidagi eng muhim xususiyat sifatida belgilaydi.

Bu yerdan olinadigan MATLAB sabog‘i shudir:

Feature importance faqat tartiblash jadvali sifatida qoldirilmasligi; iloji bo‘lsa seçilen xususiyatning sınıflar o‘rtasidagi dağılımı da görselleştirilmelidir.

Umumiy qaror daraxti bilan FSK–GMSK SVM natijasini nima uchun taqqoslamaslik kerak?

Çünkü iki deney bir xil tasniflash problemini çözmemektedir.

Shu sababli “SVM %100 bo‘lgani uchun barcha AMR problemini kusursuz çözüyor” sonucu manba tomonidan desteklenmemektedir.

Blind modulation recognition qanday sinovdan o‘tkazilgan?

Çalışmanın son misolida avval:

\[ 10.000\ \text{bit} \]

uzunluğunda rastgele binary stream yaratilgan.

Bu bitler:

16-QAM

bilan modüle amalga oshirilgan.

Sinyal yanada so‘ng:

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

koşullarından geçirilmiştir.

AMR moduli bu signalni qanday qayta ishlagan?

Bilinmeyen signal, yanada avval sakkiz sinf ustida o‘qitilgan decision-tree classifier foydalanib değerlendirilmiştir.

AMR bölümünde:

\[ 4096\ \text{sample} \]

uzunluğunda, overlap kullanılmayan burst'ler orqali baholash amalga oshirilgan.

Dasturiy ta’minot signalning QAM ekanini:

[ > 98% > ]

olasılıkla to‘g‘ri tanımıştır.

Aniqlashdan keyin nima uchun parameter estimation kerak?

Bir signalning “QAM” ekanini bilmek, onu bevosita to‘g‘ri bitlere dönüştürmek uchun gerekli barcha alıcı parametrelerinin bilindiği ma’nosiga gelmez.

Çalışmada AMR shundan so‘ng alohida parameter-estimation modülü devreye girmektedir.

Misolda haqiqiy symbol duration:

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

iken araç:

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

tahmin etmiştir.

Kaynak bu iki qiymati aniq ravishda vermektedir; Verianla tomonidan ek hata yüzdesi üretilmemiştir.

Blind demodulation bosqichining natijasi nima?

Parametre tahmininin so‘ng ko‘r demodulyatsiya uygulanmış va manba taxminan:

\[ BER\approx0.01 \]

hisobot bergan.

Bu qiymat, söz konusu 16-QAM misoli va ko‘rsatilgan 15 dB AWGN / bir misol gecikme sharoitlari içindir.

12-sahifadagi to‘rtta yulduz turkumi grafigi nimani ko‘rsatadi?

Manbaning son görseli blind demodulation işlemini tek nihai natija olarak emas, to‘rt ara aşama orqali ko‘rsatadi:

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

Birinchi panelde örnekler ancha yayılmış bir bulut görünümündedir. Symbol synchronization shundan so‘ng yapı değişir; coarse carrier synchronization aşamasında QAM takımyıldızının kümelenmeleri ko‘rinadigan holatga gelir; fine carrier synchronization panelinde kümeler yanada düzenli konumlara yerleşir.

Bu tasviriy MATLAB öğrenimi nuqtayi nazaridan muhim bir noktayı namoyon etadi:

Bir demodülatörün faqat nihai BER değerini ko‘rish yerine ara signal qayta ishlash aşamalarını görselleştirmek, sistemde qaysi düzeltmenin nima zaman gerçekleştiğini anlamayı kolaylaştırır.

Blind demodulation nima uchun “blind” deb ataladi?

Kaynak bu tadqiqot bağlamında sistemi, bilinmeyen modulyatsiya sinyalinin avval AMR bilan aniqlanishi, so‘ng parametrelerin tahmin edilmesi va son olarak demodulyatsiya yapılması biçiminde düzenlemektedir.

Shu sababli foydalanuvchi verici tomonidan kullanılan barcha parametrlarni baştan programa vermek yerine signal analizi va parameter estimation aşamalarından yararlanmaktadır.

Dasturiy ta’minot ta’lim nuqtayi nazaridan nima uchun muhim bo‘lishi mumkin?

Kaynak bevosita Modulations-Expert'in dijital iletişim va mashinali o‘rganish derslerinde ta’lim amacıyla kullanılabileceğini qayd etadi.

Buning sababi, normalde birbirinden alohida öğretilen birçok konunun bir xil deney zincirinde görülmesidir:

• aloqa sinyali ishlab chiqarish,
• kanal etkisi,
• I/Q ma’lumotlar tuzilmasi,
• feature engineering,
• dataset hazırlama,
• classification,
• cross-validation,
• feature importance,
• confusion matrix,
• parameter estimation,
• demodulation,
• BER.

Bu tadqiqot MATLAB o‘rganayotgan kishiga qanday ish intizomini ko‘rsatadi?

Bu kaynakta MATLAB bir natija hesaplayıcısı emas, uçtan uca deney platformu hâline gelmektedir.

Ta’lim nuqtayi nazaridan kuzatilishi mumkin bo‘lgan ish mantig‘i quyidagicha:

1. Problemi tanımla: qaysi modulyatsiyalarni ayırmak istiyoruz?
2. Veriyi oluştur: kaç burst, kaç sample, qaysi SNR aralığı?
3. Xususiyat chiqar: qaysi feature family kullanılacak?
4. Dataset'i oluştur: satırlar misol, sütunlar xususiyat olacak tarzda düzenle.
5. Model eğit: decision tree, SVM yoki qo‘llab-quvvatlanadigan boshqa classifier.
6. Validation yap: faqat training accuracy'ye bakma.
7. Confusion matrix'i incele: model qaysi sinflarni bir-biri bilan karıştırıyor?
8. Feature selection yap: haqiqatan gerekli xususiyatlarini bul.
9. Cross-validation yap: belirli bir ma’lumot bölünmesine aşırı bağımlı sonucu kontrol et.
10. Özellikleri görselleştir: modelin kullandığı farqini anlamaya çalış.
11. Bilinmeyen sinyali dene: ta’lim ma’lumot kümesinden sonraki haqiqiy foydalanish adımına geç.
12. Parametreleri tahmin et.
13. Blind demodulation uygula.
14. BER bilan nihai iletişim muvaffaqiyatini ölç.

Bu sıralama manba makalenin misol tadqiqot düzeninden ajratib olingan öğretici bir organizasyondur; yangi AMR algoritmi sifatida taqdim etilmaydi.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• Modulations-Expert v2.1, MATLAB asosidagi grafik interfeys ostida AMR va blind demodulation amallarini birleştirmektedir.
• Analog va dijital juda sayıda modulyatsiya türünü qo‘llab-quvvatlaydi.
• Sentetik complex I/Q burst dataset yarata oladi va dış I/Q fayllaridan burst ajratib oladi.
• Olti alohida feature-extraction ailesi mavjud.
• Birden fazla klasik machine-learning classifier desteklenmektedir.
• GUI orqali training, validation, testing va cross-validation gerçekleştirilebilir.
• Feature selection, dimensionality reduction, scaling va visualization araçları mavjud.
• Misol sakkiz sinfli dataset 80.000 misol va 454 xususiyatdan oluşmaktadır.
• Karar daraxti misoli %81,16 o‘rtacha validation accuracy üretmiştir.
• FSK–GMSK alt probleminde yetti seçili ayniqsa SVM %100 aniqlik üretmiştir.
• 5-fold cross-validation'da ko‘rsatilgan SVM ayarlarıyla %100 o‘rtacha accuracy hisobot berilgan.
• 16-QAM misoli %98'in ustida QAM olasılığıyla tanınmıştır.
• 4,1 samples/symbol haqiqiy değere karşı 4,158 samples/symbol tahmin amalga oshirilgan.
• Kör demodulyatsiya misolida taxminan 0,01 BER qo‘lga kiritilgan.

Tadqiqot qo‘llab-quvvatlamaydigan yoki ko‘rsatmaydigan natijalar

• %100 SVM sonucu barcha modülasyonların umumiy tasniflash aniqligi emas.
• Kaynak barcha haqiqiy RF ortamlarında %81,16 yoki %100 aniqlik kafolatlamaydi.
• Misol ma’lumot seti sintetik olarak ishlab chiqarilgan; barcha natijalar bağımsız geniş saha RF kayıtları ustida doğrulanmış emas.
• Deep learning usullari mevcut namunalarning asosiy validatsiya tizimi emas; manba bunların gelecekte modüler mimariye eklenebileceğini qayd etadi.
• Kaynak barcha qo‘llab-quvvatlanadigan analog va dijital modülasyonlar uchun alohida performance benchmark bermaydi.
• Kör demodulyatsiya sonucu barcha modulyatsiya tipleri uchun bir xil BER performansını kanıtlamamaktadır.
• PSK va DPSK uchun qaror daraxti örneğindeki yuqori karışma çözülmüş emas.
• Yazılımın Windows tashqarisidagi işletim sistemleri uchun destek durumu kaynakta belirtilmemektedir; gereksinim alanı Windows uchun berilgan.
• Makalede tam çalıştırma zamanı yoki CPU/GPU unumdorlik benchmark'ı mavjud emas.
• 80.000 örneklik deney ma’lumot to‘plamining alohida doimiy ma’lumot deposu kaynakta taqdim etilmagan.

Turkiya nuqtayi nazaridan nima uchun qiziq bo‘lishi mumkin?

Tadqiqot İran'daki University of Tehran kaynaklıdır va Türkiye'ye xos bir aloqa sistemi ustida sinovdan o‘tkazilmagan. Bununla birlikte AMR; akademik aloqa araştırmaları, spektrum izleme, bilişsel radyo va signal analizi nuqtayi nazaridan ülkeye xos olmayan umumiy bir mühendislik problemidir.

Türkiye'deki bir araştırma yoki ta’lim uygulamasında bir xil dasturiy ta’minot kullanılacaksa yerel RF kayıtları, kanal sharoitlari, haqiqiy donanımdan alınan I/Q ma’lumotlarni va hedeflenen modulyatsiya sinflari shuningdek test edilmelidir. Kaynaktaki sintetik deney performansının yerel haqiqiy RF ortamına bevosita ko‘chirilgani deb qaralmasligi kerak.

Tadqiqot usuli va natijalari

1-tajriba — sakkiz sinfli AMR ma’lumotlar to‘plamini yaratish

Çalışmanın asosiy deneyinde quyidagi dijital modulyatsiya sinflari ishlatilgan:

Her burst 4096 namuna uzunligidadir. SNR, modulation order, samples per symbol va pulse-shaping roll-off factor değiştirilmektedir.

2-tajriba — oltita feature-extraction oilasidan birgalikda foydalanish

Bütün burst'lere:

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

xususiyatlarini qo‘llangan.

Sonuç:

3-tajriba — sakkiz sinfli decision-tree classifier

Kaynak modeli Train Decision Machine opsiyasi bilan eğitmektedir.

Raporlanan o‘rtacha validation accuracy:

[ 81.16%. ]

Confusion matrix, performansın sınıflar orasida homojen emasligini ko‘rsatadi.

4-tajriba — FSK va GMSK uchun feature selection

Önce faqat FSK va GMSK sınıflarını içeren sub-dataset yaratilgan.

Embedded feature-selection natijasida:

• karar ağacına mazmunli katkısı bulunan 12 xususiyat görüntülenmiş,
• ulardan yetti ustun xususiyat seçilmiştir.

Eng muhim xususiyat:

WTn_med_M_1_T_5

olarak hisobot berilgan.

5-tajriba — SVM va besh karrali o‘zaro validatsiya

Yedi özellikli kamaytirilgan dataset ustida SVM o‘qitilgan va %100 validation accuracy qo‘lga kiritilgan.

Daha so‘ng 5-fold cross-validation qo‘llangan.

6-tajriba — 16-QAM AMR va blind demodulation

Blind-demodulation tasviridagi to‘rtta ishlov bosqichi

Manbaning Rasm 6'sında tek bir nihai QAM takımyıldızı yerine ardışık to‘rt aşama berilgan:

Bu tasviriy, ko‘r demodülasyonun faqat “QAM ekanini bul va bitleri chiqar” shaklida tek aşamalı bir işlem emasligini; signalning alıcı tarafında kademeli olarak düzenlendiğini manba misol orqali ko‘rinadi kılmaktadır.

Natijalarning ilmiy ma’nosi

Makale, Modulations-Expert'in tek bir mashinali o‘rganish algoritmasında yuqori aniqlik elde etmesinden yanada geniş bir hissa iddia etadi. Asıl hissa, AMR araştırmalarındaki bir-biri bilan bağlı deney aşamalarının bir xil MATLAB GUI ortamında tekrar kullanılabilir tarzda birleştirilmesidir.

Özellikle manba misoli shu gerçeği ochiq tarzda ko‘rsatadi:

İyi bir AMR çalışması faqat classifier accuracy sayısından oluşmaz.

Dataset'in qanday üretildiği, burst uzunligi, kanal/SNR sharoitlari, ajratib olingan xususiyatlar, sinflarning confusion matrix ichidagi davranışı, feature selection, cross-validation, noma’lum signal testi va nihai demodulyatsiya unumdorligi birlikte incelenmelidir.

Uslubiy cheklovlar

• Misol ana ma’lumotlar to‘plami sintetik olarak yaratilgan.
• Genel sakkiz sinfli classifier unumdorligi %81,16'dır va PSK–DPSK farqini yaqqol tarzda zayıftır.
• %100 natija faqat iki sinfli FSK–GMSK deneyine aittir.
• Makale barcha qo‘llab-quvvatlanadigan modulation schemes uchun alohida benchmark vermemektedir.
• Blind-demodulation misoli 16-QAM va ko‘rsatilgan kanal sharoitlariga aittir.
• Derin öğrenme usullari gelecekte eklenebilecek yapı olarak belirtilmekte, mevcut namunalarning asosiy sistemi emas.
• Makale geniş keng qamrovli haqiqiy RF maydon datasetlarini taqqoslash sunmamaktadır.
• Kaynakta hesaplama süresi, bellek gereksinimi yoki donanım ölçeklenmesi benchmark'ı taqdim etilmagan.
• Dasturiy ta’minot gereksinimi 64-bit MATLAB R2015b+ for Windows shaklida berilgan; diğer işletim sistemleri uchun kaynakta doğrulanmış uyumluluk iddiası mavjud emas.

MATLAB ta’limi nuqtayi nazaridan chiqariladigan eng muhim ish tamoyili

Bu araştırma, MATLAB'da makine öğrenmesini faqat:

model = fit(...)

benzeri tek bir ta’lim çağrısına indirgememek gerektiğini ko‘rsatuvchi iyi bir örnektir.

Haqiqiy problem zinciri:

Fiziksel signal → ma’lumot → xususiyat → model → validatsiya → hata analizi → xususiyat tanlash → yeniden modelleme → bilinmeyen ma’lumot → parametrlarni baholash → fiziksel çıktı

biçimindedir.

Modulations-Expert'in ilmiy va eğitimsel qiymati, bu zincirin tamamını bir xil MATLAB tadqiqot ortamında ko‘rinadigan holatga getirmesidir.

Manba va usul haqida izoh

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

Yazar: Mehdi Teimouri.

Yazar sırası: Tek yazarlı tadqiqot.

Eş hissa/eş birinci yazar: Uygulanabilir emas.

Temas yazarı: Mehdi Teimouri.

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

Kaynak türü: MATLAB asosidagi ilmiy dasturiy ta’minot / AMR va blind-demodulation preprint'i.

Platform: SSRN.

SSRN kimliği: 6864984.

DOI: 10.2139/ssrn.6864984.

SSRN yayın tarihi: 1 Haziran 2026.

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

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

Dasturiy ta’minot adı: Modulations-Expert.

Kod sürümü: V2.1.

Dasturiy ta’minot ortamı: MATLAB, MATLAB GUI, Machine Learning Toolbox, Signal Processing Toolbox.

Tadqiqot gereksinimi: Kaynakta 64-bit MATLAB R2015b yoki yanada yeni Windows sürümü qayd etilgan.

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 bilan makalenin tasviriy/telif durumu birbirinden alohida değerlendirilmiştir. Manbaning özgün GUI oyna görüntüleri shu sababli Verianla HTML'sine birebir aktarılmamıştır.

Finansman: Yüklenen preprintte ochiq finansman bayonoti mavjud emas.

Çıkar çatışması: Yüklenen preprintte alohida chiqar çatışması bayonoti mavjud emas.

CRediT/yazar katkıları: Ayrı CRediT bayonoti mavjud emas.

Veri erişimi: Araç sintetik dataset oluşturabilmekte va dış I/Q waveform fayllaridan burst ajratib oladi. Makaledeki 80.000 örneklik deney ma’lumotlar to‘plami uchun alohida doimiy ochiq ma’lumotlar ombori belirtilmemiştir.

Bilimsel içerik kaynağı: Bu Verianla makalesindeki dasturiy ta’minot mimarisi, qo‘llab-quvvatlanadigan modülasyonlar, feature extraction aileleri, dataset tuzilmasi, classifier listesi, confusion matrix qiymatlari, feature-selection sonuçları, SVM ayarları, 16-QAM deneyi, parameter estimation qiymatlari va BER sonucu yüklenen 12 sayfalık kaynağa dayanmaktadır. Dış manba faqat başlık, yazar, DOI, SSRN tarihi, temas yazarı va makale telif durumunu bibliyografik olarak doğrulamak uchun ishlatilgan.

Görsel inceleme notu: Kaynak PDF'nin 7–12. sayfalarındaki barcha ko‘rinadi şekiller incelenmiştir. Sayısal olarak ochiq tarzda o‘qish mumkin bo‘lgan confusion matrix va deney qiymatlari tablolaştırılmış; manba oyna görüntüleri yeniden yayımlanmamıştır.

Temel ilmiy sınır: Tadqiqot dasturiy ta’minotning işlevselliğini sintetik AMR örnekleriyle ko‘rsatadi. Raporlanan unumdorlik qiymatlari barcha aloqa ortamları, RF cihazları, kanal türleri yoki modulyatsiya sinflari uchun evrensel unumdorlik garantisi emas.