Implementação e análise de classificadores automáticos de modulação usando técnicas de aprendizado de máquina

Abstract

O atual projeto tem como objetivo a implementação de classificadores automáticos de modulação, analisando-se modulações digitais identificadas por alterações nos seus parâmetros fundamentais como amplitude, fase e frequência. A proposta foi incentivada principalmente pela alta demanda do espectro de frequências que exige novas técnicas para evitar seu problema de escassez. A área de aprendizado de máquina tem se destacado muito no ambiente científico, uma vez que consegue extrair de um conjunto de dados informações valiosas e importantes muitas vezes não avaliadas por um ser humano. Métodos de aprendizado de máquina tem se mostrado bastante úteis para avaliar conjuntos de dados imensos. Para o desenvolvimento do projeto, foi necessário construir uma base de dados contendo sinais modulados em amplitude, fase e frequência. O método considerado para se aplicar o aprendizado de máquina foi o baseado em características consideradas importantes aos sinais, que pudessem discriminá-los em relação aos parâmetros determinados. O aprendizado foi do tipo supervisionado, seguindo o objetivo do projeto de se classificar dados rotulados. Modelos como KNN, SVM e Floresta Aleatória foram implementados e aplicados sob a base de dados definida. O desempenho de cada modelo foi dado através de métricas de avaliação, as quais têm por característica avaliar as classificações corretas e incorretas de cada um dos modelos.

The following project aims to implement automatic modulation classifiers, analyzing digital modulations identified by alterations in their fundamental parameters, such as amplitude, phase and frequency. The proposal was mainly encouraged by the high demand of the frequency spectrum that requires new techniques to avoid its scarcity problem. Machine Learning problems have stood out in the scientific environment, once they are able to extract valuable and important information from a dataset that, by many times, is not well evaluated by humans. Machine Learning methods have proven to be quite useful for evaluating huge data. For the development of this project, it was necessary to build a data set containing modulated signals in amplitude, phase and frequency. The considered method to apply the machine learning task was the one based on key features, which were evaluated as important to the signals, once they are able to discriminate the determined parameters. The learning was supervised, once the aim of the project is to classify labeled data. Models such as KNN, SVM and Random Forest were implemented and applied under the defined database. The performance of each model was given through a few evaluation metrics, which were responsible for evaluating correct and incorrect data of each of the models.