Arquiteturas de classificação automática de modulações em ambientes impulsivos baseadas em características cicloestacionárias

Silveira, Luiz Felipe de Queiroz

Universidade Federal do Rio Grande do Norte

2020-10-23

Ruído aditivo alfa-estável

Função de correntropia cíclica

Função de autocorrelação cíclica fracionária de ordem inferior

Ruído impulsivo

Reconhecimento automático de modulação

Aprendizagem de máquina

Regressão logística

O rápido crescimento de aplicações de sistemas de comunicações sem-fio impulsiona a busca por novas estratégias de exploração eficiente do espectro, tal como o uso de rádios cognitivos: um sistema de comunicações inteligente, capaz de se adaptar autonomamente ao canal de comunicação por meio da reconfiguração dos seus parâmetros de operação. Uma importante propriedade dos rádios cognitivos é a capacidade de reconhecer automaticamente o tipo de modulação empregada em um sinal de radiofrequência (RF), o que possibilita a interoperabilidade entre sistemas, a melhoria da eficiência espectral, e viabiliza a vigilância eletrônica. Esse atributo é conhecido como classificação automática de modulações (AMC). Dentre as técnicas de AMC que caracterizam o estado-da-arte, estão as que se baseiam em detecção de padrões obtidos a partir da análise de características cicloestacionárias de segunda ordem. Embora muito difundidas, essas técnicas não são capazes de reconhecer alguns tipos modulações digitais, tais como a modulação de amplitude em quadratura m-ária (MQAM) e modulação por chaveamento de fase mária (MPSK) de alta ordem. Em contra partida, as técnicas de análise cicloestacionárias de ordem superior, usadas para extração de descritores singulares dessas modulações são adequadas apenas para ambientes de comunicação com ruído gaussiano branco aditivo (AWGN). Embora o modelo AWGN seja amplamente empregado para caracterizar canais de comunicação sem-fio, diversos cenários práticos são melhor representados por outros modelos. Um exemplo disso é a comunicação em alta frequência (HF), cujo ambiente apresenta contaminação por ruídos impulsivos. Nesse contexto, duas funções de análise cicloestacionária, a função de autocorrelação cíclica fracionária de ordem inferior (FLOCAF), e a função de correntropia cíclica (CCF), foram eficientemente aplicadas em ambientes impulsivos de comunicações. Contudo, elas foram empregadas para o sensoriamento de um canal impulsivo, um problema de menor complexidade em relação à classificação automática de modulações. Uma vez que na literatura não existe uma solução satisfatória para a classificação automática de modulações de alta ordem em canais com ruído impulsivo, neste trabalho são propostas arquiteturas de AMC baseadas na FLOCAF e na CCF, combinadas com técnicas de classificação por árvore de decisão e por regressão logística. As arquiteturas foram desenvolvidas para o reconhecimento das modulações digitais BPSK, QPSK, 8-QAM, 16-QAM, e 32-QAM, e avaliadas em diferentes contextos de contaminação por ruído aditivo impulsivo, descrito através de uma distribuição alfaestável. Os resultados mostraram que todas as arquiteturas foram capazes de operar em ambientes impulsivos, sendo as arquiteturas baseadas na CCF as mais eficientes.

The rapid growth of wireless communications systems’ applications drives new strategies for efficient exploration of the frequency spectrum, such as cognitive radios. The cognitive radio is an intelligent communications system capable of autonomously adapting to the communication channel by reconfiguring its operating parameters. An essential property of cognitive radios is automatically recognizing the type of modulation employed in a Radio Frequency (RF) signal, thus enabling interoperability between systems, improving spectral efficiency, or even enabling electronic surveillance. This attribute is known as automatic modulation classification (AMC). Techniques based on the detection of patterns obtained from the analysis of cyclostationary characteristics of the second-order compose the state-of-the-art of AMC applications. Although very widespread, these techniques cannot recognize some types of digital high-order modulations, such as M-ary quadrature amplitude modulation (MQAM) and M-ary phase-shift keying (MPSK) modulations. On the other hand, the higher-order cyclostationary analysis techniques used to extract particular descriptors of these modulations have a very high computational cost. Besides, they are only suitable for communication environments with additive white gaussian noise (AWGN). Although the AWGN model is widely used to characterize wireless communication channels, several practical scenarios are better modeled by non-gaussian distributions, such as high frequency (HF) communication, whose environment presents substantial contamination by impulsive noise. In this scenario, two emerging cyclostationary analysis functions, the fractional lower-order cyclic autocorrelation function (FLOCAF) and the cyclic correntropy function (CCF), were efficiently employed in impulsive communications environments. However, these functions were evaluated on the impulsive channel’s spectral sensing, a less complicated problem to the automatic modulation classification. Since there is no satisfactory solution in the literature for the automatic classification of high-order modulations in channels with impulsive noise, this work proposes automatic modulation classification architectures based on FLOCAF and CCF, combined with the decision tree classification and logistic regression techniques. The architectures were developed to recognize digital modulations Binary PSK (BPSK), Quadrature PSK (QPSK), 8-QAM, 16-QAM, and 32-QAM, and evaluated in different contexts of contamination by additive impulsive noise, modeled by alpha-stable distribution. The results showed that all architectures could operate in impulsive environments, with CCF-based architectures being the most efficient.