ترجمه فارسی مقاله BiLSTM و طبقه‌بندی مدولاسیون مبتنی بر توجه سیگنال‌های بی‌سیم واقعی

چکیده

This work proposes a novel and efficient quadstream BiLSTM-Attention network, abbreviated as QSLA network, for robust automatic modulation classification (AMC) of wireless signals. The proposed model exploits multiple representations of the wireless signal as inputs to the network and the feature extraction process combines convolutional and BiLSTM layers for processing the spatial and temporal features of the signal, respectively. An attention layer is used after the BiLSTM layer to emphasize the important temporal features. The experimental results on the recent and realistic RML22 dataset demonstrate the superior performance of the proposed model with an accuracy up to around 99%. The model is compared with other benchmark models in the literature in terms of classification accuracy, computational complexity, memory usage, and training time to show the effectiveness of our proposed approach.

چکیده به فارسی (ترجمه ماشینی)

این کار برای طبقه بندی مدولاسیون اتوماتیک قوی (AMC) از سیگنال های بی سیم ، یک شبکه جدید و کارآمد با توجه به BILSTM quadstream ، به اختصار شبکه QSLA ارائه می دهد.مدل پیشنهادی از نمایش های متعدد سیگنال بی سیم به عنوان ورودی به شبکه بهره می برد و فرآیند استخراج ویژگی به ترتیب لایه های حلقوی و BILSTM را برای پردازش ویژگی های مکانی و زمانی سیگنال ترکیب می کند.برای تأکید بر ویژگی های مهم زمانی ، یک لایه توجه پس از لایه bilstm استفاده می شود.نتایج تجربی در مجموعه داده RML22 اخیر و واقع گرایانه عملکرد برتر مدل پیشنهادی را با دقت در حدود 99 ٪ نشان می دهد.این مدل با سایر مدلهای معیار در ادبیات از نظر دقت طبقه بندی ، پیچیدگی محاسباتی ، استفاده از حافظه و زمان آموزش مقایسه می شود تا اثربخشی رویکرد پیشنهادی ما را نشان دهد.