Machine Translated by Google

Mësimi i thellë për klasifikimin e sinjaleve RF në

Mjedise të panjohura dhe dinamike të spektrit
Yi Shiÿ , Kemal Davasliogluÿ , Yalin E. Sagduyuÿ , William C. Headley† , Michael Fowler† , dhe Gilbert Green‡
ÿ
Intelligent Automation, Inc., Rockville, MD, SHBA
†Virginia Tech, Blacksburg, VA,
SHBA ‡ US Army, APG,
MD, USA Email: {yshi, kdavaslioglu, ysagduyu}@iai.com, {cheadley, mifowler}@vt.edu, gilbert.s.greeen2.civ@mail.mil

Abstrakt—Qasja e spektrit dinamik (DSA) përfiton nga zbulimi Përparimet goritmike, mësimi i thellë premton nxjerrjen dhe funksionimin
dhe klasifikimi i burimeve të ndërhyrjes duke përfshirë përdoruesit e paraqitjeve latente të të dhënave të spektrit që algoritmet konvencionale
brenda rrjetit, përdoruesit jashtë rrjetit dhe bllokuesit që mund të
të mësimit të makinerive nuk kanë arritur t'i arrijnë. Në veçanti, mësimi i
bashkëjetojnë të gjithë në një rrjet pa tel. Ne paraqesim një zgjidhje
klasifikimi të sinjalit (modulimit) të bazuar në mësim të thellë në një thellë mund të klasifikojë në mënyrë efektive sinjalet bazuar në llojet e
mjedis realist të rrjetit pa tel, ku 1) llojet e sinjaleve mund të tyre të modulimit [1]-[7]. Manifestuar në grupet e të dhënave të
ndryshojnë me kalimin e kohës; 2) disa lloje sinjalesh mund të jenë disponueshme (p.sh., [1], [7]) për trajnimin e klasifikuesve të sinjaleve me
të panjohura për të cilat nuk ka të dhëna trajnimi; 3) sinjalet mund valë, një praktikë e zakonshme në studimet e mëparshme është të
të jenë të falsifikuara si p.sh. bllokuesit inteligjentë që rishikojnë
supozohet se llojet e sinjaleve janë të njohura, mbeten të pandryshuara
lloje të tjera sinjalesh; dhe 4) lloje të ndryshme sinjalesh mund të
mbivendosen për shkak të ndërhyrjes nga transmetimet e dhe shfaqen pa asnjë ndërhyrje dhe efekte mashtrimi. Megjithatë, këto
njëkohshme. Për rastin 1, ne aplikojmë të mësuarit e vazhdueshëm supozime janë zakonisht të pavlefshme në një rrjet realist pa tel, ku
dhe trajnojmë një rrjet nervor konvolucionist (CNN) duke përdorur
1) llojet e sinjaleve ndryshojnë me
një humbje të bazuar në konsolidimin e peshës elastike (EWC). Për
rastin 2, ne zbulojmë sinjale të panjohura nëpërmjet zbulimit të kalimin e kohës; 2) disa lloje sinjalesh nuk njihen apriori dhe për këtë
jashtëm të aplikuar në daljet e shtresave konvolucionale duke arsye nuk ka të dhëna trajnimi të disponueshme për ato
përdorur metodat e grupimit të Përcaktuesit Minimum të Kovariancës sinjale; 3) sinjalet janë potencialisht të falsifikuara, p.sh. një bllokues
(MCD) dhe k-means. Për rastin 3, ne zgjerojmë strukturën e CNN inteligjent mund të riprodhojë sinjalet e marra nga përdorues të
për të kapur ndërrime fazore për shkak të efekteve harduerike të
9tai1X
r]o:IvN
1v00811.9091 5hrc2
.ts0 as[

tjerë duke fshehur

radios për të identifikuar burimet e sinjalit të mashtrimit. Për rastin
4, ne aplikojmë ndarjen e burimit të verbër duke përdorur Analizën kështu identitetin e tij; dhe 4) sinjalet mbivendosen për shkak të
e Pavarur të Komponentit (ICA) për të ndarë sinjalet ndërhyrëse. Ne efekteve të ndërhyrjeve nga transmetimet e njëkohshme të llojeve të ndryshme të
përdorim rezultatet e klasifikimit të sinjalit në një protokoll planifikimi Është thelbësore të përfshihen këto katër raste realiste (të ilustruara në
të shpërndarë, ku përdoruesit brenda rrjetit (dytësorë) përdorin
Fig. 1) në ndërtimin e klasifikuesit të sinjalit RF në mënyrë që rezultatet e
rezultatet e klasifikimit të sinjalit për të marrë vendime për qasjen
në kanal dhe për të ndarë spektrin me njëri-tjetrin duke shmangur tij të mund të përdoren praktikisht në një protokoll DSA.
ndërhyrjet me përdoruesit jashtë rrjetit (primar) dhe bllokues. Ne konsiderojmë një klasifikues të sinjalit me valë që klasifikon sinjalet
Krahasuar me skemat standarde të bazuara në TDMA, ne tregojmë se planifikimi i shpërndarë
bazuar në llojet e modulimit i ndërtuar mbi rezultatet
në përdorues të papunë,ebrenda
klasifikimit
rrjetit të
(si sinjalit ofron përm
Termat e indeksit-Klasifikimi i sinjalit, mësimi i thellë, mësimi i
përdoruesit dytësorë), përdorues jashtë rrjetit (si përdoruesit kryesorë)
vazhdueshëm, zbulimi i jashtzakonshëm, zbulimi i bllokimit, ndarja
dhe bllokues. Duke përdorur rezultatet e klasifikimit të sinjalit, përdoruesit
e burimit, planifikimi i shpërndarë.
brenda rrjetit ndajnë hapësirat kohore për planifikimin pa përplasje në një
I. PARAQITJE mjedis të shpërndarë dhe ndajnë spektrin me njëri-tjetrin duke mbrojtur
Rrjetet me valë karakterizohen nga forma të ndryshme të dëmtimeve transmetimet e përdoruesve jashtë rrjetit dhe duke shmangur ndërhyrjet
në komunikim për shkak të ndërhyrjeve brenda rrjetit (nga përdorues të nga bllokuesit.
tjerë brenda rrjetit), ndërhyrjeve jashtë rrjetit (nga sistemet e tjera të Duke supozuar se lloje të ndryshme sinjalesh përdorin modulime të
komunikimit), bllokuesve, efekteve të kanalit (si humbja e rrugës, zbehja, ndryshme, ne paraqesim një rrjet nervor konvolucionist (CNN) që klasifikon
shumë rrugë dhe efektet Doppler), dhe bllokimet e trafikut. Për të mostrat e marra I/Q si sinjal boshe, sinjal brenda rrjetit, sinjal bllokues ose
mbështetur aksesin e spektrit dinamik (DSA), përdoruesit në rrjet duhet sinjal jashtë rrjetit. Fillojmë me skenarin e thjeshtë bazë që të gjitha llojet
të ndiejnë spektrin dhe të karakterizojnë burimet e ndërhyrjeve të fshehura e sinjaleve (dmth. modulimet) janë të fiksuara dhe të njohura (të tilla që të
në dinamikën e spektrit. dhënat e trajnimit janë të disponueshme) dhe nuk ka sinjale të
Mësimi i makinerisë ofron mjete të automatizuara për të klasifikuar mbivendosura (dmth. sinjalet tashmë janë të ndara). Saktësia mesatare
sinjalet e marra. Mbështetur nga llogaritjet e fundit dhe al- mbi të gjitha raportet sinjal-zhurmë (SNR) është 0,934. Më pas e zgjerojmë
klasifikuesin e sinjalit për të funksionuar në një rrjet realist pa tel si më
SHPËRNDARJA A. Miratuar për publikim: shpërndarje e pakufizuar.
c poshtë.
2019 IEEE. Përdorimi personal i këtij materiali lejohet. Leja nga IEEE duhet të
merret për të gjitha përdorimet e tjera, në çdo media aktuale ose të ardhshme, duke 1) Modulimet e reja shfaqen në rrjet me kalimin e kohës (shih rastin 1
përfshirë ribotimin/ripublikimin e këtij materiali për qëllime reklamimi ose promovimi,
krijimi i veprave të reja kolektive, për rishitje ose rishpërndarje në serverë ose lista, ose në Fig. 1) dhe duhet të klasifikohen si lloje sinjalesh të specifikuara.
ripërdorim i çdo komponenti me të drejtë autori të kësaj vepre në vepra të tjera. Në vend të ritrajnimit të klasifikuesit të sinjalit,
Machine Translated by Google

Baza bazë Rasti 1: Sinjale të reja Rasti 2: Sinjale të panjohura

Transmetues Marrësi Transmetues Marrësi Transmetues Marrësi

Llojet e sinjalit: S1 , S2 ,… Llojet ekzistuese të sinjalit: S1 , S2 ,… Llojet e njohura të sinjaleve: S1 , S2 ,…
Llojet e reja (të njohura) të sinjalit: N1 , N2 ,… Llojet e panjohura të sinjalit: U1 , U2 ,…

Rasti 3: Sulmi përsëritës Rasti 4: Sinjalet e mbivendosura

Vjedhni sinjalin: Riprodhoni sinjalin:

Transmetues Marrësi Transmetues Marrësi Transmetues Marrësi

Llojet e sinjalit: S1 , S2 ,… Llojet e sinjalit: S1 , S2 ,… Llojet e sinjalit: S1 , S2 ,…

Jammer Jammer Llojet e

Llojet e sinjaleve të riprodhuara: S1 , S2 ,… sinjalit Jammer: J1 , J2 ,…

Fig. 1. Rastet e klasifikimit të sinjaleve RF, duke përfshirë sinjale të reja, sinjale të panjohura, sulme përsëritëse nga bllokuesit dhe sinjale të mbivendosura.

ne hartojmë një algoritëm të të mësuarit të vazhdueshëm [8] besimi i klasifikimit të tij. Nëse sinjali i marrë klasifikohet si bllokues,
për të përditësuar klasifikuesin me kosto shumë më të ulët, përdoruesi në rrjet mund të transmetojë ende duke përshtatur skemën
domethënë duke përdorur një konsolidim elastik të peshës e modulimit, e cila zakonisht korrespondon me një shpejtësi më të ulët
(EWC). Kjo qasje arrin me kalimin e kohës një nivel të të të dhënave. Supozojmë se një transmetim është i suksesshëm nëse
performancës të ngjashme me rastin ideal kur nuk ka modifikime tëraporti
reja. sinjal-ndërhyrje-dhe-zhurmë (SINR) në marrës është më i
2) Disa lloje sinjalesh si modulimet e përdorura në sinjalet bllokuese madh ose i barabartë me disa pragje të kërkuara nga një skemë
janë të panjohura (shih rastin 2 në Fig. 1) kështu që nuk ka të modulimi. Nëse zbulohen sinjale jashtë rrjetit, përdoruesi brenda rrjetit
dhëna trajnimi të disponueshme për mësimin e mbikëqyrur. Ne nuk duhet të transmetojë për të shmangur ndonjë ndërhyrje, dmth.
paraqesim një zgjidhje të zbulimit të jashtëm për të arritur përdoruesit jashtë rrjetit trajtohen si përdorues kryesorë. Rezultatet
saktësi të lartë në klasifikimin e sinjaleve me sinjale bllokimi të tregojnë se kjo qasje arrin xhiros më të lartë për përdoruesit brenda
panjohura. Për këtë qëllim, ne aplikojmë metodat e grupimit të rrjetit dhe raport më të lartë suksesi për përdoruesit e rrjetit tonë
Përcaktuesit të Kovariancës Minimum (MCD) dhe k-means në krahasuar me skemat standarde (të centralizuara) TDMA.
daljet e shtresave konvolucionare të klasifikuesit të sinjalit. Pjesa tjetër e punimit është organizuar si më poshtë. Seksioni II
Kjo qasje klasifikon me sukses të gjitha inliers dhe shumicën e diskuton punën e lidhur. Seksioni III paraqet klasifikimin e sinjalit të
outliers, duke arritur 0.88 saktësi mesatare. bazuar në të mësuarit e thellë në mjedise të spektrit të panjohur dhe
3) Jammerët inteligjentë nisin sulme përsëritëse duke regjistruar dinamik. Seksioni IV prezanton protokollin e planifikimit të shpërndarë
sinjale nga përdoruesit e tjerë dhe duke i transmetuar ato si si një aplikim i analizës së spektrit të bazuar në të mësuarit e thellë.
sinjale bllokimi (shih rastin 3 në Fig. 1). Ne e zgjerojmë Pjesa V përfundon punimin.
strukturën e CNN për të kapur zhvendosjen e fazës për shkak
të efekteve harduerike të radios për të identifikuar sinjalet e II. PUNE E LIDHUR
mashtrimit dhe për t'i rietiketuar ato si bllokues. Kjo qasje arrin
Klasifikimi i sinjalit është një funksion i rëndësishëm për aplikacionet
saktësi 0,972 në klasifikimin e sinjaleve të mbivendosura.
e radios njohëse për të përmirësuar ndërgjegjësimin e situatës (si
4) Sinjalet me valë merren si të mbivendosura (shih rastin 4 në Fig.
identifikimi i burimeve të ndërhyrjes) dhe për të mbështetur DSA.
1) nëse transmetohen në të njëjtën kohë (në të njëjtën
Qasjet tradicionale për klasifikimin e sinjalit përfshijnë metoda të
frekuencë). Ne aplikojmë ndarjen e burimit të verbër duke
bazuara në gjasat ose analiza të bazuara në veçori në mostrat e marra
përdorur Analizën e Komponentit të Pavarur (ICA) [9] për të
I/Q [10]-[12]. Megjithatë, këto dy qasje kërkojnë dizajn ekspert ose
marrë çdo sinjal të vetëm që klasifikohet më tej nga mësimi i thellë.
njohuri të sinjalit. Ato gjithashtu i shtojnë kompleksitet një marrësi pasi
Kjo qasje arrin saktësinë mesatare 0,837.
të dhënat e papërpunuara I/Q duhet të manipulohen përpara klasifikimit.
Rezultatet e klasifikimit të sinjalit përdoren në protokollin DSA që
ne e projektojmë si një protokoll planifikimi të shpërndarë, ku një Duke mësuar nga të dhënat e spektrit, mësimi i makinerive ka gjetur
përdorues brenda rrjetit transmeton nëse sinjali i marrë klasifikohet si aplikime të pasura në komunikimet me valë [13], [14]. Në veçanti,
i papunë ose në rrjet (ndoshta i mbivendosur). Nëse sinjali i marrë mësimi i thellë është aplikuar për të mësuar mjedise komplekse të
klasifikohet si në rrjet, përdoruesi në rrjet duhet të ndajë spektrin me spektrit, duke përfshirë ndjeshmërinë e spektrit nga një CNN [15],
përdoruesit e tjerë brenda rrjetit bazuar në shtimin e të dhënave të spektrit nga kundërshtarët gjenerues
Machine Translated by Google
rrjeti (GAN) [16], [17], vlerësimi i kanalit nga një rrjet nervor feedfor-
ward (FNN) [18], dhe bllokimi/anti-bllokimi me FNN në kohë trajnimi
dhe testimi [19]–[21]. Klasifikimi i modulimit është studiuar gjerësisht
me rrjetet nervore të thella [1]–[6], ku qëllimi është të klasifikojë një
sinjal të caktuar të izoluar në një lloj modulimi të njohur. Në [7],
performanca e klasifikimit të modulimit u vlerësua me matje në ajër.
[22] tregon se në performancën e sistemeve të botës reale varet
nëse grupi i të dhënave të trajnimit kap plotësisht shumëllojshmërinë
e ndërhyrjeve dhe llojeve të harduerit në mjedisin real të radios.
Këto qasje nuk mund të aplikohen lehtësisht në një cilësim të rrjetit
pa tel, pasi ato nuk kapin tipe sinjalesh dinamike dhe të panjohura,
bllokues inteligjentë që mund të mashtrojnë llojet e sinjaleve (p.sh.,
sinjalet mund të gjenerohen përmes GAN [23]) dhe mbivendosjen e
llojeve të sinjaleve për shkak për transmetimet e njëkohshme. Në
këtë punim, ne trajtojmë këto çështje për ta bërë klasifikimin e
sinjalit të zbatueshëm për përdorim në një protokoll DSA.
III. ANALIZA E SPEKTRIT TË BAZUAR TË MËSIMIT TË THELLË
Ne konsiderojmë skema të ndryshme modulimi të përdorura nga
lloje të ndryshme përdoruesish që transmetojnë në një kanal të
vetëm. Ne fillojmë me rastin bazë ku modulimet e përdorura nga
lloje të ndryshme përdoruesish janë të njohura dhe nuk ka
mbivendosje sinjali (dmth. burimet ndërhyrëse janë tashmë të
ndara). Ne i kategorizojmë modulimet në katër lloje sinjalesh:
1) joaktive: pa sinjal
2) sinjalet e përdoruesit brenda rrjetit: QPSK, 8PSK,
CPFSK 3) sinjalet bllokuese: QAM16, QAM64, PAM4, WBFM
4) sinjalet e përdoruesit jashtë rrjetit: AM-SSB, AM-DSB, GFSK
Ka përdoruesit brenda rrjetit (përpjekjet për të hyrë në kanal në
mënyrë oportuniste), përdoruesit jashtë rrjetit (me përparësi në
aksesin në kanal) dhe bllokuesit që të gjithë bashkëjetojnë.
Përdoruesit jashtë rrjetit trajtohen si përdorues kryesorë dhe
komunikimet e tyre duhet të mbrohen. Pa njohuri paraprake për
domenin, përveç të dhënave të trajnimit, një përdorues brenda
rrjetit i klasifikon sinjalet e marra në punë boshe, brenda rrjetit,
bllokues ose jashtë rrjetit. Klasifikuesi llogarit një vektor rezultati
(p0, pin, pjam, pout) për çdo shembull, ku p0, pin, pjam dhe pout
janë rezultatet e gjasave për klasifikimin e sinjaleve si të papunë,
në rrjet, bllokues dhe jashtë rrjetit, respektivisht - në mënyrë aktive. kategorik i humbjes së entropisë së kryqëzuar përdoret për stërvitje.
Nëse një pikë është më e madhe se tre të tjerat, shembulli klasifikohet si rasti përkatës.
A. Struktura dhe performanca e klasifikuesit
Ne përdorim grupin e të dhënave në [1]. Çdo mostër në grupin e
të dhënave përbëhet nga 128 pika të dhënash me vlerë komplekse,
dmth, secila pikë e të dhënave ka dimensionet e (128, 2, 1) për të
përfaqësuar komponentët realë dhe imagjinarë. Ne përdorim 10
modulime (QPSK, 8PSK, QAM16, QAM64, CPFSK, GFSK, PAM4,
WBFM, AM-SSB dhe AM-DSB) të mbledhura në një gamë të gjerë
SNR-sh nga -20 dB në 18 dB në rritje prej 2 dB. Këto modulime
kategorizohen në lloje sinjalesh siç u diskutua më parë. Në çdo
SNR, ka 1000 mostra nga çdo lloj modulimi. Në vend që të përdorim
një nxjerrje konvencionale të veçorive ose arkitektura të rrjetit nervor
të thellë jashtë raftit, si ResNet, ne ndërtojmë një rrjet nervor të
thellë të personalizuar që merr të dhënat I/Q si hyrje.
Fut te
Prodhimi
dhenat
Konvolucionale I dendur
MaxPooling Braktisin
Fig. 2. Struktura e klasifikuesit CNN për klasifikimin e sinjalit RF.
Ne trajnojmë një klasifikues CNN që përbëhet nga disa shtresa
konvolucionale dhe shtresa plotësisht të lidhura në tre fazat e fundit.
Megjithatë, kur madhësia e filtrit në shtresat konvolucionale nuk
është e ndashme me hapat, ajo mund të krijojë efekte shahu (shih
[24] për më shumë detaje). Në strukturën e klasifikuesit CNN, të
paraqitur në Fig. 2, ne i kushtuam vëmendje për të shmangur efektet
e shahut dhe përdorëm shtresat
e mëposhtme: • Forma
hyrëse: (128, 2) • ZeroPadding 2D me
madhësi (1, 1) • Shtresa konvolucionale me 128 filtra me
madhësi prej (3, 3) • Shtresa 2D MaxPolling me madhësi (2,
1) dhe hap (2, 1) • Pesë kaskada të mëposhtme:
– Zeropadding 2D me madhësi (1, 1)
– Shtresë konvolucionale me 256 filtra me madhësi prej
(3, 3)
– Shtresa 2D MaxPolling me madhësi pishinë (2, 2) dhe hap
(2, 1)
• Shtresa plotësisht e lidhur me 256 neurone dhe funksioni i
aktivizimit të Njësisë Lineare Eksponenciale të Shkallëzuar
(SELU), që është x nëse x > 0 dhe aex ÿ a nëse x ÿ 0 për
disa konstante a • Dropout me
probabilitet 0,5 • Shtresë plotësisht e lidhur me 64 neuronet dhe
funksioni i
aktivizimit SELU • Dropout me
probabilitet 0.5 • Shtresa plotësisht e lidhur me 4 neurone dhe
funksioni i aktivizimit SELU
Klasifikuesi është trajnuar në TensorFlow [25]. Optimizuesi
ADAM [26] përdoret me një madhësi hapi 5 × 10ÿ5 dhe funksioni
Funksioni i ndër-entropisë jepet nga
L(ÿ) = ÿ ÿi log(yi), (1)
i
ku ÿ është grupi i parametrave të rrjetit nervor dhe {ÿi} m është një
tregues
i=1 binar i së vërtetës së tokës, i tillë që ÿi = 1 vetëm nëse i
është etiketa e saktë midis m klasave (etiketa). Dalja e rrjetit nervor
y ÿ Rm është një vektor m-dimensionale, ku çdo element në yi ÿ y
korrespondon me gjasat që ajo klasë të jetë e saktë.
Ne i ndajmë të dhënat në 80% për trajnim dhe 20% për testim.
Funksioni i humbjes dhe saktësia janë paraqitur në Fig. 3 si funksion
i epokave të stërvitjes. Saktësia e testimit është 0.934.
Fig. 4 tregon matricën mesatare të konfuzionit të klasifikuesit mbi të
gjitha nivelet SNR. Tabela I tregon saktësinë mesatare vs.
Machine Translated by Google

B. Mësimi i vazhdueshëm
Deri më tani, ne supozuam se të gjitha llojet e modulimit janë të
disponueshme në të dhënat e trajnimit. Tani shqyrtojmë rastin që
fillimisht pesë modulime i mësohen klasifikuesit. Me kalimin e kohës,
prezantohen tre modulime të reja. Ri-trajnimi i modelit duke përdorur
të tetë modulimet sjell disa çështje në lidhje me kujtesën, llogaritjen
dhe sigurinë si më poshtë. • Memoria: Të
dhënat e mëparshme duhet të ruhen. • Llogaritja:
Ritrajnimi duke përdorur të dhënat e plota do të zgjasë më shumë.
• Siguria:
Nëse një pajisje ose server rrezikohet, kundërshtari do të ketë të
dhënat për të trajnuar klasifikuesin e vet, pasi të dhënat e
mëparshme dhe të reja ruhen të gjitha.

Nga ana tjetër, nëse një model ritrajnohet duke përdorur tre modulimet
e reja me Zbritje të Gradientit Stochastic (SGD), performanca në pesë
modulimet e mëparshme bie ndjeshëm (shih Fig. 6). Kjo quhet harresa
katastrofike [27], [28]. Në figurën 6, detyra A është klasifikimi i pesë
modulimeve të para dhe detyra B është klasifikimi i tre modulimeve të
reja të ardhshme.
Fig. 3. Performanca e klasifikuesit CNN.
SGD vuan nga harresa katastrofike dhe saktësia e saj në detyrën A
bie në 0.37 kur ritrajnohet me detyrën B.
Ne aplikojmë EWC për të adresuar këtë problem. EWC ngadalëson
të mësuarit në peshat e zgjedhura të rrjetit nervor për të kujtuar detyrat
e mësuara më parë (modulimet) [28]. EWC rrit funksionin e humbjes
duke përdorur Matricën e Informacionit Fisher që kap ngjashmërinë e
detyrave të reja dhe përdor funksionin e shtuar të humbjes L(ÿ) të
dhënë nga
ÿ 2
L(ÿ) = LB(ÿ) + Fi(ÿi ÿ ÿ ÿ A,i) , (2)
2
i

ku ÿA tregon peshat e përdorura për të klasifikuar pesë modulimet e

para (Detyra A), LB(ÿ) është funksioni i humbjes për detyrën B, Fi
është matrica e informacionit Fisher që përcakton rëndësinë e detyrave
të vjetra dhe të reja dhe i tregon parametrat të një rrjeti nervor. Vlerat
më të larta në elementët diagonalë Fisher Fi tregojnë njohuri më të
sigurta, dhe për këtë arsye ata janë më pak fleksibël. Kjo qasje
ndihmon në identifikimin dhe mbrojtjen e peshave.
Në Fig. 6, mund të shohim se EWC zbut mësimin katastrofik për të
Fig. 4. Matrica e konfuzionit (mesatarisht mbi të gjitha SNR-të).
përmirësuar saktësinë në detyrën B, në mënyrë që saktësia të rritet
me kalimin e kohës në nivelin e detyrës A.

C. Klasifikuesi për llojin e panjohur të sinjaleve

SNR mbi të gjitha llojet e sinjaleve. Nivelet e SNR janë nga 0 në 18dB
Deri më tani, ne supozuam se të gjitha sinjalet duke përfshirë ato
në rritje prej 2dB. Fig. 5 tregon matricat e konfuzionit në nivelet SNR
0dB, 10dB dhe 18dB. nga bllokuesit janë të njohur (inlier) dhe kështu ato mund të përfshihen
në të dhënat e trajnimit për të ndërtuar një klasifikues. Ky supozim
është i arsyeshëm për sinjalet e përdoruesve brenda dhe jashtë rrjetit.
Megjithatë, sinjalet e bllokimit janë ndoshta të një lloji të panjohur (outlier).
TABELA I Atëherë një klasifikues i ndërtuar mbi sinjale të njohura nuk mund të
SAKTËSIA E Klasifikuesit të CNN (MESATARE PËR TË GJITHA LLOJET E SINJALIT). zbulojë me saktësi një sinjal bllokues. Një zbulim i jashtëm është i
nevojshëm si një mënyrë e fuqishme për të zbuluar nëse sinjali
SNR (dB) Saktësia SNR (dB) Saktësia
0 0,906 10 0,942
(bllokimi) është i njohur ose i panjohur. Nëse sinjali është i panjohur,
2 0,930 12 0,950 atëherë përdoruesit mund ta regjistrojnë atë dhe të shkëmbejnë
4 0,928 14 0,951 etiketën e sapo zbuluar me njëri-tjetrin. Nëse sinjali dihet, atëherë
6 0,933 16 0,933 sinjali kalon nëpër klasifikuesin që do të etiketohet. Për zbulimin e
8 0,934 18 0,934
jashtëm, pasi dimensionet e formës së valës janë të mëdha, ne ripërdorim shtresat k
Machine Translated by Google
(a) 0 dB.
Fig. 5. Matricat e konfuzionit në vlera të ndryshme SNR.
Fig. 6. Performanca e klasifikuesit me kalimin e kohës.
klasifikues për nxjerrjen e veçorive të sinjalit të marrë. Më pas ne aplikojmë
dy qasje të ndryshme për zbulimin e të jashtmeve për këto veçori.
1) Klasifikuesi i bazuar në MCD: Metoda e parë për zbulimin e jashtme
bazohet në Përcaktuesin Minimal të Kovariancës
metoda (MCD) [29], [30]. MCD përshtat një zarf eliptik me të dhënat e
provës në mënyrë që çdo pikë e të dhënave jashtë elipsit të konsiderohet
si një e jashtme. MCD përdor distancën Mahalanobis për të identifikuar
pikat e jashtme:
MD(x) = (x ÿ µx) T (Sx)ÿ1(x ÿ µx) ,
ku µx dhe Sx janë mesatarja dhe kovarianca e të dhënave x, përkatësisht.
Ne provuam dy qasje: i) të aplikojmë drejtpërdrejt zbulimin e jashtzakonshëm
duke përdorur MCD dhe ii) të nxjerrim veçoritë dhe të zbatojmë zbulimin e
jashtzakonshëm MCD në këto veçori.
Cilësimet e vlerësimit janë si më poshtë: • Sinjalet e
tjera: QPSK, 8PSK, CPFSK, AM-SSB, AM-
DSB, GFSK
• Sinjalet e jashtme: QAM16, QAM64, PAM4, WBFM
(b) 10 dB. (c) 18 dB.
Fig. 7. Saktësia e klasifikuesit të bazuar në MCD në inliers dhe outliers.
Qasja e dytë e nxjerrjes së veçorive e ndjekur nga zbulimi i jashtëzakonshëm
jep performancën më të mirë. Në hapin e nxjerrjes së veçorive, ne ngrijmë
modelin në klasifikues dhe ripërdorim shtresat konvolucionale. Dalja e
shtresave konvolucionale në modelin e ngrirë më pas futet në algoritmin
MCD. Algoritmi MCD ka një variabël të quajtur kontaminim që duhet të
akordohet. Kontaminimi përbën përqindjen e përllogaritur të të dhënave të
jashtme në grupin e të dhënave. Në hapin e trajnimit të klasifikuesit MCD,
ne paraqesim vetëm grupin e trajnimit të sinjaleve të njohura (sinjalet e
përdoruesit brenda dhe jashtë rrjetit), ndërsa në hapin e vlefshmërisë,
testojmë saktësinë e zbulimit të brendshëm me grupin e testimit të inlierëve
dhe testojmë saktësia e zbulimit të jashtzakonshëm me grupin e jashtëm
(sinjalet e bllokimit). Kur dihen disa nga karakteristikat e bllokimit,
(3) performanca e algoritmit MCD mund të përmirësohet më tej. Kështu, kjo
qasje paraqet skenarin më të keq për zbulimin e jashtëzakonshëm.
Saktësia e klasifikimit për elementët e brendshëm dhe të jashtëm si
funksion i faktorit të kontaminimit në MCD është paraqitur në Fig. 7.
Faktori më i mirë i ndotjes është 0.15, i cili maksimizon saktësinë minimale
për inliers dhe outliers.
Tabela II tregon saktësinë në funksion të SNR dhe Fig. 8 tregon matricat
e konfuzionit në nivelet SNR 0dB, 10dB dhe 18dB.
Machine Translated by Google

(a) 0 dB. (b) 10 dB. (c) 18 dB.

Fig. 8. Matricat e konfuzionit të zbulimit të jashtëm të bazuar në MCD në vlera të ndryshme SNR.

TABELA II çekuilibri, zhvendosja e kohës/frekuencës dhe efektet e amplifikatorit të fuqisë

SAKTËSIA E ZBULIMIT TË JASHTME TË BAZUAR NË MCD MBI TË GJITHA VLERAT SNR .
SNR (dB) Saktësia SNR (dB) Saktësia
0 0,822 10 0,843
2 0,814 12 0,844
4 0,824 14 0,847
6 0,832 16 0,844
8 0,845 18 0,839
bllokim. Secili prej këtyre sinjaleve ka e
Fig. 9. Matrica e konfuzionit për zbulimin e jashtme të bazuar në grupim.
2) k-means Klasifikues i bazuar në grupim: I dyti
Metoda për zbulimin e jashtëm është grupimi i mjeteve k
metodë. Kjo metodë i ndan mostrat në k = 2 grupe
duke gjetur në mënyrë iterative k qendra grupore. Ne përsëri kemi sinjale të
përdoruesve brenda dhe jashtë rrjetit si të brendshme dhe bllokuese
sinjalet si të jashtme. Ne fillimisht përdorim CNN për të nxjerrë veçori dhe më pas
përdorni grupimin k-means për të ndarë mostrat në dy grupime, një
për inlier dhe tjetra për jashtë. Matrica e konfuzionit është
treguar në figurën 9. Saktësia e identifikimit të saktë të inlierëve
është përmirësuar me k-means në krahasim me metodën MCD.
Metoda k-means mund të klasifikojë me sukses të gjithë inliers dhe shumicën
e outliers, duke arritur saktësinë mesatare 0.88.
D. Zbulimi i një bllokimi inteligjent
Më pas, ne konsiderojmë një bllokues inteligjent që regjistron një sinjal të
përdoruesit në rrjet, dhe më pas e amplifikon dhe e përcjell atë si një
përsëritja e sulmit (në vend të transmetimit të një sinjali të veçantë bllokimi,
siç supozohej më parë). Defektet e harduerit të radios si p.sh. I/Q
mund të përdoret si një "gjurmë gishti radio" për të identifikuar
radio specifike që transmeton një sinjal të caktuar nën vëzhgim.
Në veçanti, ne synojmë të dizajnojmë një klasifikues duke përdorur të dhënat I/Q me
dëmtime harduerike për të identifikuar llojin e një transmetuesi (përdorues në
rrjet ose bllokues).
Supozoni se bllokuesi merr sinjalin e përdoruesit brenda rrjetit,
e cila është QAM64 në 18 dB SNR, dhe mbledh 1000 mostra.
Më pas bllokuesi e përforcon dhe e përcjell atë për bllokim. ne
modeloni dëmtimin e harduerit si një rrotullim në fazë
të sinjalit origjinal. Ky kompensim do të përdoret në klasifikuesin për
zbuloni një sinjal bllokues në një sulm të përsëritur.
Jammer rrotullon 1000 mostra me kënde të ndryshme ÿ =
kÿ
16
për k = 0, 1, · · · 16. Jammer
, përdor këto sinjale për
jÿ rrotullimi.
Ne hartojmë një klasifikues për të zbuluar ndryshimin midis tyre
sinjale. Duke përdorur 1000 mostra për secilin nga 17 këndet e rrotullimit,
ne kemi 17K mostra. Ne i ndajmë të dhënat në 80% për trajnim
dhe 20% për testim. Ne përdorim durimin e 8 epokave (dmth, nëse humbim
në epokën t nuk u përmirësua për 8 epoka, ndalemi dhe marrim
rezultati më i mirë (t ÿ 8)) dhe stërvituni për 200 përsëritje. Një CNN
përdoret struktura e ngjashme me atë në seksionin III-A. I vetmi
Ndryshimi është se shtresa e fundit e lidhur plotësisht ka 17 dalje
neuronet për 17 raste që korrespondojnë me kënde të ndryshme rrotullimi
(në vend të 4 neuroneve dalëse). Ky klasifikues arrin 0.972
saktësia (shih Fig. 10-(a) për humbjen e vlefshmërisë dhe Fig. 10-(b)
për saktësinë e vërtetimit). Matrica e konfuzionit është paraqitur në
Fig. 11.
E. Klasifikues për sinjalet e mbivendosura
Tani marrim parasysh klasifikimin e sinjalit për rastin që
sinjali i marrë është potencialisht një mbivendosje e dy sinjaleve
llojet. Ne jemi veçanërisht të interesuar për dy rastet e mëposhtme
që më vonë i përdorim në hartimin e protokollit DSA:
• Mbivendosje e sinjaleve të përdoruesve në rrjet dhe bllokimit.
• Mbivendosje e bllokimit dhe sinjaleve të përdoruesit jashtë rrjetit.
Ne fillimisht aplikojmë ndarjen e burimit të verbër duke përdorur ICA. Sinjali
ndahet si dy sinjale dhe më pas këto sinjale të ndara janë
futur në klasifikuesin CNN për klasifikim në rrjet
Machine Translated by Google

(a) Vlera e humbjes.

Fig. 11. Matrica e konfuzionit për 17 lloje sinjalesh.

A. Struktura e superkornizës

Ne konsiderojmë strukturën e superkornizës (treguar në Fig. 13)

që përbëhet nga katër periudha:

1) Sensimi i spektrit mbledh të dhëna I&Q në një kanal mbi

një periudhë ndijore.

(b) Saktësia. 2) Klasifikuesi i sinjalit i bazuar në mësim të thellë përcakton kanalin

statusi i bazuar në rezultatet e ndjeshmërisë. Statusi mund të jetë i papunë,
Fig. 10. Performanca e klasifikuesit për të zbuluar 17 lloje sinjalesh.
brenda rrjetit, bllokues ose jashtë rrjetit.
3) Paketat e kontrollit të shkëmbimeve të planeve të shpërndara dhe
TABELA III
cakton hapësira kohore për transmetuesit në një mënyrë të shpërndarë.
SAKTËSIA PËR SINJALET E MBYNDUR (MESATARE PËR TË GJITHË SINJALIN
LLOJET). 4) Periudha e transmetimit të të dhënave ndahet në slota kohore dhe
çdo transmetues dërgon të dhëna në hapësirat kohore të caktuara.
SNR (dB) Saktësia SNR (dB) Saktësia
0 0,851 10 0,824 Tre periudhat e para marrin një pjesë fikse dhe të vogël të
2 0,820 12 0,834 superkornizë. Caktimi i hapësirave kohore ndryshon nga korniza
4 0,857 14 0,843 në kornizë, bazuar në trafikun dhe statusin e kanalit.
6 0,843 16 0,830
8 0,827 18 0,841
B. Rregullat e shpërndara të planifikimit

Vendimet e planifikimit merren duke përdorur rezultatet e klasifikimit të mësimit

sinjalet e përdoruesit, sinjalet bllokuese ose sinjalet e përdoruesit jashtë rrjetit.
Ne morëm saktësinë siç tregohet në Tabela III dhe konfuzionin
matricat në nivelet 0dB, 10dB dhe 18dB SNR, siç tregohet në
Fig. 12, respektivisht.
F. Klasifikues për sinjalet e mbivendosura
IV. PROTOKOLLIN E SHPËRNDARJES TË DIZAJNIMIT TË ORGANIZIMIT
Rezultati i klasifikuesit të sinjalit të bazuar në të mësuarit e thellë
përdoret nga protokolli DSA i përdoruesve në rrjet. Në këtë
seksioni, ne paraqesim një protokoll planifikimi të shpërndarë që
merr vendime për qasjen në kanal për t'iu përshtatur dinamikës së
burimet e ndërhyrjes së bashku me efektet e kanalit dhe trafikut.
të thellë. Të mësuarit e thellë jep një rezultat në
besimi i klasifikimit në katër lloje sinjalesh: boshe, brenda rrjetit, bllokues dhe
jashtë rrjetit. Ne përdorim pro-tokollin e planifikimit të përshkruar në Algoritmin 1
për të planifikuar kohën për transmetim
të paketave duke përfshirë sensorin, kontrollin dhe të dhënat e përdoruesit. Nëse
përdoruesi brenda rrjetit i klasifikon sinjalet e marra si jashtë rrjetit, ai
nuk hyn në kanal. Nga më e mira tek më e keqja, lloje të tjera
sinjalet e marra renditen si boshe, brenda rrjetit dhe bllokues.
Përdoruesit në rrjet që klasifikojnë sinjalet e marra në sinjal më të mirë
llojet fitojnë akses në kanal. Nëse përdorues të shumtë në rrjet
klasifikojnë sinjalet e tyre në të njëjtin lloj, përdoruesi me një më të lartë
besimi i klasifikimit ka përparësi në aksesin në kanal.
Machine Translated by Google

(a) 0 dB. (b) 10 dB. (c) 18 dB.

Fig. 12. Matricat e konfuzionit për sinjalet e mbivendosura në vlera të ndryshme SNR.

Spektri Klasifikimi i sinjalit Orari i shpërndarë përdorni atë për klasifikimin e sinjaleve. Ne përcaktojmë profilin e trafikut të
Slotet kohore të
Duke ndjerë Parashikoni kanalin Shkëmbim paketat
përdoruesit
transmetimit të të dhënave 1,2, …, T jashtë rrjetit (i papunë kundrejt i zënë) si një model Markov me dy gjendje.
Mblidhni të dhëna I/Q statusi e kontrollit
Kjo do të thotë, nëse nuk ka transmetim të përdoruesit jashtë rrjetit, ai
është në gjendjen 0, përndryshe është në gjendjen 1. Probabiliteti i kalimit
Fig. 13. Struktura e superkornizës.
nga gjendja i në j është pij . Çdo përdorues në rrjet ndërton vlerësimin e
Algoritmi 1 Planifikimi i bazuar në rezultatet e klasifikimit. tij mbi këtë model Markov duke mësuar në internet si më poshtë.

1: Çdo marrës dërgon statusin e kanalit (lloji, rezultati) te transmetuesi i tij nëse 1) Inicializoni numrin e ndryshimeve të gjendjes si
lloji nuk është jashtë rrjetit. Nëse statusi i kanalit është jashtë rrjetit, nuk n00 = 1, n01 = 1, n10 = 1, n11 = 1. (4)
duhet të ketë transmetim për të mbrojtur transmetimet e përdoruesve jashtë
2) Përditësoni këta numra bazuar në gjendjen e kaluar i dhe gjendjen
rrjetit.
2: Nëse një transmetues merr statusin e kanalit nga marrësi i tij dhe nuk zbulon aktuale të parashikuar j, dmth, nij = nij + 1.
3) Probabiliteti i tranzicionit të gjendjes llogaritet si pij = nij/(ni0 + ni1).
një përdorues jashtë rrjetit, ai transmeton një kërkesë (lloji, përparësitë).
Prioritetet janë numrat T të gjeneruar bazuar në rezultatin e marrë dhe
Pas mësimit të profilit të trafikut të përdoruesve jashtë rrjetit, rezultatet
përdoren për të konkurruar me transmetuesit e tjerë për slotet kohore T.
e klasifikimit të sinjaleve bazuar në mësimin e thellë përditësohen si më
3: Një marrës gjeneron dhe transmeton një përgjigje si: 4: nëse poshtë. Supozoni se statusi i fundit është stÿ1, ku stÿ1 është ose 0 ose 1.
lloji i kërkesës nga transmetuesi i tij është më i vogël se lloji i kërkesës Pastaj bazuar në pij , ne mund të klasifikojmë statusin aktual
T T me besim c
nga të gjithë transmetuesit e tjerë, atëherë si s t t. Për shembull, nëse stÿ1 = 0 dhe = p00.
T T = 0 dhe c
5: transmetuesi i tij do të transmetojë në të gjitha slotet kohore T. p00 > p01, pastaj s t t Supozoni me besim
D
6: fundi Klasifikimi aktual sipas mësimit të thellë është s
D
ct, ku s ështëDose 0 ose 1 dhe c D t
nëse 7: nëse lloji i kërkesës nga transmetuesi i tij është i njëjtë me llojin t t është në [0.5, 1].
e kërkesës nga disa transmetues të tjerë, atëherë Klasifikimi i papunësisë, në rrjet dhe bllokues korrespondon me gjendjen
8: transmetuesi i tij do të transmetojë në një slot kohor t nëse prioriteti i 0 në këtë studim. Kemi tre rastet e mëposhtme.
T D
tij në këtë slot kohor është më i madhi ndër prioritetet e këtyre •st =st.= Nuk ka nevojë të ndryshohet klasifikimi.
T D
•st 0 dhe s t T = 1. Pastaj bazuar në profilin e trafikut, = 0
besimi i s t besimi T
është c ndërsa
transmetuesve. 9: fund nëse bazuar në të mësuarit e thellë,
is D t = 1 është 1 ÿ c Dt . Ne përdorim një
10: Një transmetues do të transmetojë në slot kohore t nëse përgjigja nga marrësi t
parametër peshë w ÿ [0, 1] për të kombinuar këto dy konfidenca si
i tij e aprovon që ai të jetë aktiv në hapësirën kohore t dhe përgjigjet nga
wcT ). Nëse D
+ (1kyÿ besim
t w) (1 ÿi ckombinuar është më i vogël se 0.5, ne
t
marrës të tjerë nuk specifikojnë një transmetues tjetër në këtë slot kohor.
pretendojmë se gjendja aktuale është 1, përndryshe gjendja aktuale
është 0.
T = 1 dhe s D
•st t = 0. Pastaj bazuar në profilin e trafikut, ndërsa
T besimi i s T = 0 është 1 - c në bazë të thellë
Ky protokoll shpërndahet dhe kërkon vetëm që përdoruesit në rrjet të t t
D = 0 është c D
shkëmbejnë informacion me fqinjët e tyre. duke mësuar, besimi i këtyre dy t t . Bashkojmë Nëse
T D
besimeve si w(1 ÿ c besimi i kombinuar t ) + (1 ÿ w)c t . kjo
C. Profili i trafikut në klasifikimin e sinjaleve është më i vogël se 0,5, ne pretendojmë se gjendja aktuale është 1,
Profilet e trafikut mund të përdoren për të përmirësuar klasifikimin e përndryshe gjendja aktuale është 0.
sinjaleve pasi sinjalet e marra mund të lidhen me kalimin e kohës. Në vijim Vini re se gjendja 0 duhet të klasifikohet si joaktive, brenda rrjetit ose
ju paraqesim se si të mësoni profilin e trafikut të përdoruesve jashtë rrjetit dhe bllokues bazuar në mësimin e thellë. Kjo qasje përdor të dyja
Machine Translated by Google

parashikimi nga profili i trafikut dhe klasifikimi i sinjaleve nga mësimi i thellë, dhe do TABELA IV

të ofronte një klasifikim më të mirë për statusin e kanalit. PERFORMANCA E SISTEMIT ME Klasifikues të ndryshëm.

Klasifikues Përdoruesi në rrjet Raporti i suksesit

të xhiros së përdoruesit jashtë rrjetit
D. Rezultatet e simulimit
Klasifikuesi ideal (pa gabim) 40,578 100%
Në seksionin III, sinjalet e provës merren një nga një nga një SNR e dhënë. Tani, Klasifikues i rastësishëm 14,563 80.48%
Një klasifikues për të gjitha SNR-të 38,477 100%
ne simulojmë një rrjet me valë, ku SNR ndryshon në varësi të fitimit të kanalit, sinjalet
Një klasifikues për çdo SNR 39,153 99.80%
mund të merren si të mbivendosura, llojet e sinjaleve mund të ndryshojnë me kalimin
e kohës, të mbeten të panjohura ose mund të mashtrohen nga bllokuesit inteligjentë.
TABELA V
PERFORMANCA SISTEMIT ME Klasifikues TE NDRYSHEM DHE NR
Ne marrim parasysh cilësimin e mëposhtëm të simulimit. • 100 BLOJET.
përdorues brenda rrjetit shpërndahen rastësisht në një rajon 50m ×50m.
Klasifikues Përdoruesi në rrjet Raporti i suksesit
të xhiros së përdoruesit jashtë rrjetit
• 2 përdorues jashtë rrjetit dhe 2 bllokues shpërndahen rastësisht në të njëjtin Klasifikuesi ideal (pa gabim) 43,316 100% 17,552 80,70%
rajon. • Gama e transmetimit/ Klasifikues i rastësishëm Një klasifikues për të gjitha
ndërhyrjes është 10 m. • Janë krijuar 1000 superkorniza. SNR-të 41,780 100% Një klasifikues për çdo SNR 42,614 99,92%

Ka 10 lidhje të rastësishme për t'u aktivizuar për çdo superkornizë. Një

superkornizë ka 10 lojëra kohore për transmetimin e të dhënave.

• Supozohet modeli i kanalit Gaussian. • Nëse një • Skema e standardit 2: Produkti brenda rrjetit është 4196.
Suksesi i përdoruesit jashtë rrjetit është 47,57%.
transmetim është i suksesshëm, xhiroja e arritur në një slot të caktuar kohor është
Performanca e planifikimit të shpërndarë me klasifikues të ndryshëm është
1 (paketë/slot).
paraqitur në Tabelën V.
Masat e performancës janë xhiroja e përdoruesit brenda rrjetit (paketë/slot) dhe
3) Profili i trafikut i integruar me klasifikimin e sinjalit: Ne krahasojmë rezultatet me
raporti i suksesit të përdoruesit jashtë rrjetit (%). Qëllimi është përmirësimi i të dyja
dhe pa marrë parasysh profilin e trafikut dhe standardet. Ne gjenerojmë një shembull
masave.
tjetër me p00 = p11 = 0,8 dhe p01 = p10 = 0,2. Pesha (w) për të kombinuar rezultatet
1) Skemat e standardeve: Për qëllime krahasimi, ne konsiderojmë dy skema të
e mësimit të thellë dhe rezultatet e profilit të trafikut është vendosur si 0,2. Ne kemi
centralizuara të standardeve duke ndarë një superkornizë në një numër të
performancën e mëposhtme të standardit.
mjaftueshëm slotash kohore dhe duke i caktuar ato transmetuesve për të shmangur
përplasjen.
• Skema e standardit 1: Shfrytëzimi i përdoruesit brenda rrjetit është 829.
• Skema e standardeve 1. Një slot i veçantë kohor i caktohet çdo përdoruesi në
Suksesi i përdoruesve jashtë rrjetit është 16%.
rrjet për të transmetuar të dhënat e tij. Kjo skemë ka nevojë për 100 lojëra
• Skema e standardit 2: Rrjedha e përdoruesit brenda rrjetit është
kohore pasi ka 100 përdorues në rrjet. • Skema e standardeve 2. Ne caktojmë
4145. Suksesi i përdoruesve jashtë rrjetit është 16%.
në mënyrë optimale lojëra elektronike kohore për të gjitha nyjet për të minimizuar
numrin e lojërave kohore. Ne mund të ndërtojmë një grafik interferencash, ku Performanca me dhe pa profilin e trafikut të përfshirë
e vlerësuar në klasifikimin e sinjalit është paraqitur në tabelën VI.
çdo nyje përfaqëson një lidhje dhe çdo skaj midis dy nyjeve përfaqëson
4) Klasifikimi me shenjat e jashtme dhe sinjalet e mbivendosura: Ne krahasojmë
ndërhyrjen midis dy lidhjeve nëse ato aktivizohen në të njëjtën kohë. Nëse
rezultatet e standardeve me marrjen në konsideratë të pikave të jashtme dhe
shkalla maksimale e këtij grafiku të interferencës është D, numri minimal i
mbivendosjes së sinjalit. Performanca e standardit është e njëjtë si më parë, pasi
hapësirave kohore për të shmangur të gjitha ndërhyrjet është D + 1.
nuk varet nga klasifikimi: • Skema e standardit 1: Shfrytëzimi i përdoruesit brenda

rrjetit është 829.

Suksesi i përdoruesve jashtë rrjetit është 16%.
2) Performanca e Sistemit: Ne fillimisht marrim parasysh cilësimin bazë që nuk ka
• Skema e standardit 2: Rrjedha e përdoruesit brenda rrjetit është
pika të jashtme (lloje sinjalesh të panjohura) dhe sinjale të mbivendosura, dhe profili
4145. Suksesi i përdoruesve jashtë rrjetit është 16%.
i trafikut nuk merret parasysh. Performancat standarde janë dhënë si më poshtë. •
Skema e standardit 1: Produkti brenda rrjetit është 760. Shkalla Performanca me pikat e jashtme dhe mbivendosjen e sinjalit të përfshirë është
paraqitur në Tabelën VII.
e suksesit të përdoruesit jashtë rrjetit është 47,57%. • Skema e standardit 2:
Në të gjitha rastet e shqyrtuara, integrimi i klasifikuesit të bazuar në mësim të
Produkti brenda rrjetit është 3619.
thellë me planifikimin e shpërndarë performon gjithmonë shumë më mirë se
standardet.
Shkalla e suksesit të përdoruesve jashtë rrjetit është 47,57%.

Ecuria e planifikimit të shpërndarë me klasifikues të ndryshëm tregohet në tabelën V. KONKLUZION

IV, ku klasifikuesi i rastësishëm klasifikon në mënyrë të rastësishme kanalin me Ne studiuam klasifikimin e sinjalit të bazuar në mësim të thellë për rrjetet pa tel në
probabilitet 25%. prani të përdoruesve jashtë rrjetit dhe bllokuesve. Përveç modulimeve fikse dhe të
Ne morëm parasysh efektin e mungesës së bllokimit dhe përftuam performancën njohura për çdo lloj sinjali, trajtuam edhe rastet praktike ku 1) modulimet ndryshojnë
e standardit: • Skema e standardit me kalimin e kohës; 2) disa modulime janë të panjohura për të cilat nuk ka të dhëna
1: Produkti brenda rrjetit është 881. Jashtë- trajnimi; 3) sinjalet janë
suksesi i përdoruesve të rrjetit është 47,57%.
Machine Translated by Google
TABELA VI
PERFORMANCA E SISTEMIT ME DHE PA PËRDORIM PROFILI TRAFIKUT
DHE JO BLOJET.
Klasifikues Përdoruesi në rrjet Raporti i
suksesit të xhiros së përdoruesit
Pa profil trafiku jashtë rrjetit 40,714 69%
Me profilin e trafikut 40,616 70%
TABELA VII
PERFORMANCA E SISTEMIT ME SUPERPOZICIONE SINJALE DHE PA NGJYRJE.
Klasifikues Përdoruesi në rrjet Raporti i
suksesit të xhiros së përdoruesit
Pa ekstrakt
jashtë rrjetit 40,616 70%
Me të jashtëm 34,236 69%
Me sinjale të mbivendosura 34,503 68%
i falsifikuar nga bllokuesit inteligjentë që rishikojnë lloje të tjera
sinjalesh; dhe 4) sinjalet mbivendosen me sinjale të tjera
ndërhyrëse. Në rastin 1, ne aplikuam të mësuarit e vazhdueshëm
për të zbutur harresën katastrofike. Në rastin 2, ne aplikuam
zbulimin e jashtëm në rezultatet e shtresave konvolucionale duke
përdorur metodat e grupimit MCD dhe k-means. Në rastin 3, ne
identifikuam sinjalet e mashtrimit duke zgjeruar strukturën e CNN
për të kapur zhvendosjen e fazës për shkak të efekteve harduerike
të radios. Në rastin 4, ne aplikuam ICA për të ndarë sinjalet
ndërhyrëse dhe i klasifikuam ato veçmas nga mësimi i thellë.
Rezultatet demonstrojnë mundësinë e përdorimit të mësimit të
thellë për të klasifikuar sinjalet RF me saktësi të lartë në mjedise
me spektër të panjohur dhe dinamik. Duke shfrytëzuar rezultatet e
klasifikimit të sinjaleve, ne ndërtuam një protokoll planifikimi të
shpërndarë, ku përdoruesit në rrjet (dytësorë) ndajnë spektrin me
njëri-tjetrin duke shmangur ndërhyrjet e vendosura ndaj përdoruesve
Krahasuar me skemat standarde TDMA, ne treguam se planifikimi
i shpërndarë i ndërtuar mbi rezultatet e klasifikimit të sinjalit ofron
përmirësime të mëdha në xhiron e përdoruesve brenda rrjetit dhe
raportin e suksesit të përdoruesve jashtë rrjetit.
REFERENCAT
[1] T. O'Shea, J. Corgan dhe C. Clancy, “Rrjetet e njohjes së modulimit të radios
konvolucioniste”, në Proc. Konferenca Ndërkombëtare për Aplikimet Inxhinierike
të Rrjeteve Neurale, 2016.
[2] B. Kim, JK dhe H. Chae abd D. Yoon dhe JW Choi, "Teknika e klasifikimit
automatik të modulimit të bazuar në rrjetin nervor të thellë", në Proc.
Konferenca Ndërkombëtare e IEEE mbi Konvergjencën e Teknologjisë së
Informacionit dhe Komunikimit (ICTC), 2016.
[3] GJ Mendis, J. Wei dhe A. Madanayake, “Klasifikimi i modulimit automatik i bazuar
në mësim të thellë për radion njohëse”, në Proc. Konferenca Ndërkombëtare e
IEEE mbi Sistemet e Komunikimit (ICCS), 2016.
[4] S. Peng, H. Jiang, H. Wang, H. Alwageed dhe YD Yao, "Klasifikimi i modulimit
duke përdorur modelin e të mësuarit të thellë të bazuar në rrjetin nervor
konvolucionist", në Proc. Konferenca IEEE Wireless dhe Optical Communication
(WOCC), 2017.
[5] A. Ali dhe Y. Fan, "Mësimi i pambikëqyrur i veçorive dhe klasifikimi automatik i
modulimit duke përdorur modelin e të mësuarit të thellë", Physical
Communication, vëll. 25, fq. 75–84, 2017.
[6] Y. Tu, Y. Lin, J. Wang dhe JU Kim, "Mësimi gjysëm i mbikëqyrur me rrjete
kundërshtare gjeneruese në klasifikimin e modulimit të sinjalit dixhital", Comput.
Mater. Vazhdim, nr. 2, fq. 243–254, 2018.
[7] T. O'Shea, T. Roy, dhe TC Clancy, "Klasifikimi i sinjaleve të radios bazuar në të
mësuarit e thellë përmes ajrit", IEEE Journal of Selected Temas in Signal
Processing, vëll. 12, nr. 1, f. 168–179, 2018.
[8] M. Ring, “Të mësuarit e vazhdueshëm në mjedise përforcuese”, Ph.D.
disertacion, Universiteti i Teksasit në Austin, 1994.
[9] S. i. Amari, A. Cichocki dhe HH Yang, "Një algoritëm i ri mësimor për ndarjen e
sinjaleve të verbër", në Përparimet në sistemet e përpunimit të informacionit
nervor, 1996, f. 757-763.
[10] OA Dobre, A. Abdi, Y. Bar-Ness dhe W. Su, “Survey of auto-matic modulation
classification tekniks: classical approaches and new trends”, IET Communications,
vëll. 1, nr. 2, fq. 137–156, 2007. [11] ——, “Klasifikimi i modulimit të
verbër: një koncept, koha e të cilit ka ardhur”, në Simpoziumin IEEE/Sarnoff mbi
Përparimet në Komunikimin Wired dhe Wireless, 2005.
[12] WC Headley dhe CR da Silva, "Klasifikimi asinkron i sinjaleve dixhitale të
moduluara me amplitudë-fazë në kanalet e zbehjes së sheshtë", IEEE
Transactions on Communications, vëll. 59, nr. 1, f. 7–12, 2011.
[13] M. Alsheikh, S. Lin, D. Niyato dhe H. Tan, "Mësimi i makinerisë në rrjetet e
sensorëve pa tel: Algoritmet, strategjitë dhe aplikacionet",
IEEE Communications Surveys & Tutorials, vëll. 16, nr. 4, fq. 1996– 2018, 2014.
[14] M. Chen, U. Challita, W. Saad, C. Yin dhe M. Debbah, "Mësimi i makinerisë për
rrjetet pa tel me inteligjencë artificiale: Një tutorial mbi rrjetet nervore", arXiv
preprint arXiv:1710.02913, 2017.
[15] W. Lee, M. Kim, D. Cho dhe R. Schober, "Ndjeshmëria e thellë: Ndjeshmëria e
spektrit bashkëpunues bazuar në rrjetet nervore konvolucioniste", arXiv
paraprintimi arXiv:1705.08164, 2017.
[16] K. Davaslioglu dhe YE Sagduyu, "Mësimi gjenerativ kundërshtar për ndjeshmërinë
e spektrit", në Proc. Konferenca Ndërkombëtare e IEEE mbi Komunikimet
(ICC), 2018.
[17] T. Erpek, YE Sagduyu dhe Y. Shi, "Të mësuarit e thellë për nisjen dhe zbutjen e
sulmeve të bllokimit me valë", IEEE Transactions on Cognitive Communications
and Networking, vëll. 5, nr. 1, f. 2–14, mars 2019.
[18] H. Ye, GY Li dhe BH Juang, “Fuqia e të mësuarit të thellë për vlerësimin e kanalit
dhe zbulimin e sinjalit në sistemet ofdm”, IEEE Wireless Communications
Letters, vëll. 7, nr. 1, fq. 114–117, 2018.
[19] Y. Shi, T. Erpek, YE Sagduyu dhe J. Li, “Spectrum data poisoning with adversarial
deep learning”, në Proc. Konferenca e Komunikimeve Ushtarake IEEE
(MILCOM), 2018.
[20] Y. Shi, YE Sagduyu, T. Erpek, K. Davaslioglu, Z. Lu dhe J. Li, “Adversarial the
deep learning for cognitive radio security: Jamming attack and Defense
Strategics”, në Proc. Workshop i IEEE ICC mbi Premtimet dhe Sfidat e Mësimit
të Makinerisë në Rrjetet e Komunikimit, 2018.
[21] YE Sagduyu, Y. Shi dhe T. Erpek, “Siguria e rrjetit IoT nga perspektiva e të
mësuarit të thellë kundërshtar”, në Proc. Seminari IEEE SECON mbi Mësimin e
jashtë Makinerisë
rrjetit (primar) dhe të marra nga bllokuesit.
për Komunikim dhe Rrjetëzimin në IoT, 2019.
[22] C. de Vrieze, L. Simic dhe P. Mahonen, "Rëndësia e të qenit serioz: Performanca
e klasifikimit të modulimit për sinjalet reale RF", në Proc. Simpoziumi
Ndërkombëtar i IEEE mbi Rrjetet e Qasjes së Spektrit Dinamik (DySPAN), 2018.
[23] Y. Shi, K. Davaslioglu, dhe YE Sagduyu, "Rrjeti kundërshtar gjenerues për
mashtrimin e sinjalit me valë", në Proc. Workshop ACM mbi Sigurinë me valë
dhe mësimin e makinerisë, 2019.
[24] A. Odena, V. Dumoulin dhe C. Olah, “Deconvolution and checkerboard artefacts”,
2016. [Online]. Në dispozicion : http://distil.pub/2016/deconv-checkerboard/
[25] M. Abadi, P. Barham, JC abnd Z. Chen, A. Davis, J. Dean, M. Devin, S.
Ghemawat, G. Irving, M. Isard dhe M. Kudlur, “Tensorflow: A sistemi për
mësimin e makinerive në shkallë të gjerë”, në Proc. Simpoziumi i 12-të i USENIX
mbi Projektimin dhe Zbatimin e Sistemeve Operative (OSDI 16), 2016. [Online].
Në dispozicion: tensorflow.org [26] D. Kingma dhe
J. Ba, "Adam: Një metodë për optimizimin stokastik",
CorR, abs/1412.6980, 2014.
[27] IJ Goodfellow, M. Mirza, D. Xiao, A. Courville dhe Y. Bengio, "Një hetim empirik i
harresës katastrofike në rrjetet nervore të bazuara në gradient", në
arXiv:1312.6211, 2015.
[28] J. Kirkpatrick, R. Pascanu, N. Rabinowitz, J. Veness, G. Desjardins, AA Rusu, K.
Milan, J. Quan, T. Ramalho, T. Grabska-Barwinska, dhe D. Hassabis, “ Tejkalimi
i harresës katastrofike në rrjetet nervore, "
Procedurat e Akademisë Kombëtare të Shkencave, fq. 3521–3526, 2017.
[29] M. Hubert dhe M. Debruyne, "Përcaktuesi minimal i kovariancës",
Rishikim i Avancuar, f. 36–43, 2010.
[30] PJ Rousseeuw dhe KV Driessen, "Një algoritëm i shpejtë për vlerësuesin e
përcaktuesit të kovariancës minimale", Technometrics, vëll. 41, 1999.