ترجمه فارسی مقاله یادگیری ماشین تشخیص مدولاسیون را برای سیگنال های مبتنی بر OFDM توانمند کرد

چکیده

We propose a blind ML-based modulation detection for OFDM-based technologies. Unlike previous works that assume an ideal environment with precise knowledge of subcarrier count and cyclic prefix location, we consider blind modulation detection while accounting for realistic environmental parameters and imperfections. Our approach employs a ResNet network to simultaneously detect the modulation type and accurately locate the cyclic prefix. Specifically, after eliminating the environmental impact from the signal and accurately extracting the OFDM symbols, we convert these symbols into scatter plots. Due to their unique shapes, these scatter plots are then classified using ResNet. As a result, our proposed modulation classification method can be applied to any OFDM-based technology without prior knowledge of the transmitted signal. We evaluate its performance across various modulation schemes and subcarrier numbers. Simulation results show that our method achieves a modulation detection accuracy exceeding $80\%$ at an SNR of $10$ dB and $95\%$ at an SNR of $25$ dB.

چکیده به فارسی (ترجمه ماشینی)

ما یک تشخیص مدولاسیون مبتنی بر ML برای فناوری های مبتنی بر OFDM پیشنهاد می کنیم.بر خلاف آثار قبلی که یک محیط ایده آل را با دانش دقیق از تعداد فرعی و محل پیشوند چرخه ای فرض می کنند ، ما تشخیص مدولاسیون کور را در حالی که حساب پارامترهای واقع گرایانه محیطی و نواقص را در نظر می گیریم ، در نظر می گیریم.رویکرد ما از یک شبکه RESNET استفاده می کند تا همزمان نوع مدولاسیون را تشخیص داده و پیشوند چرخه ای را به طور دقیق پیدا کند.به طور خاص ، پس از از بین بردن اثرات محیطی از سیگنال و استخراج دقیق نمادهای OFDM ، این نمادها را به توطئه های پراکنده تبدیل می کنیم.با توجه به شکل های منحصر به فرد آنها ، این توطئه های پراکنده با استفاده از RESNET طبقه بندی می شوند.در نتیجه ، روش طبقه بندی مدولاسیون پیشنهادی ما می تواند برای هر فناوری مبتنی بر OFDM بدون اطلاع قبلی از سیگنال منتقل شده اعمال شود.ما عملکرد آن را در طرح های مختلف مدولاسیون و شماره های فرعی ارزیابی می کنیم.نتایج شبیه سازی نشان می دهد که روش ما به دقت تشخیص مدولاسیون بیش از 80 \ ٪ $ با SNR 10 $ DB و 95 $ \ $ با SNR 25 دلار DB دست می یابد.