Sistema de classificação automática de modulação para rádio cognitivo baseado em redes neurais artificiais e implementado em FPGA

Abstract

Resumo: Nos últimos anos, os sistemas de comunicação sem fio têm passado por um rápido crescimento, impulsionados principalmente pelos avanços de novas tecnologias como o 5G, combinadas com o progresso de dispositivos eletrônicos, que demandam cada vez um maior fluxo de dados. Embora essas tecnologias representem um avanço para os sistemas de comunicação, elas enfrentam um problema físico: a escassez de frequências do espectro eletromagnético. Devido a essa limitação, cada vez mais são necessários sistemas capazes de aperfeiçoar o uso do espectro, entregando um ambiente capaz de fornecer uma comunicação rápida, segura e eficiente onde os equipamentos sem fio possam operar. Desta forma, esta pesquisa desenvolveu um sistema de classificação automática de modulação que pode ser aplicado em ambientes de radio cognitivo, baseado em redes neurais artificiais e implementado em uma FPGA. A classificação de modulação e uma das tarefas executadas em um ambiente que aplica radio cognitivo, que tem por objetivo identificar, de maneira automática, a modulação utilizada pelo sinal que chega no receptor, aplicada principalmente em ambientes em que dois usuários desejam compartilhar a mesma banda do espectro, sem que haja interferência nas suas comunicações. Esta pesquisa implementou um algoritmo de classificação automática de modulação baseado em um conjunto de dados sintético contendo cinco classes: BPSK, QPSK, 8-PSK, 16-QAM e ruído. A partir dos dados das modulações e do ruído, foram extraídos alguns parâmetros, os quais foram utilizados para treinar uma rede neural com arquitetura perceptron multi-camada, desenvolvida e treinada utilizando a API do Tensorflow/Keras. A rede neural desenvolvida foi exaustivamente testada com diferentes configurações, variando-se a quantidade de camadas, o numero de neurônios, funções de ativação, entre outros parâmetros, resultando em mais de 2000 modelos possíveis, testados em mais de 200 horas. O melhor modelo destes testes foi escolhido para ser implementado em uma FPGA, demandando que ele fosse atualizado para atender as limitações do circuito. Para esta aplicação, o numero de parâmetros utilizado para a classificação foi reduzido e diferentes arquitetura de redes neurais foram testadas, tendo em vista as limitações do hardware, como o limite de precisão para os cálculos e a quantidade finita de elementos lógicos disponíveis. O desenvolvimento da rede para a FPGA recorreu ao VHDL como linguagem de descrição e foi testada utilizando-se os mesmos dados da implementação no software. A implementação no hardware, entretanto, não contempla o cálculo das features, demandando que ele seja alimentado com estes dados já calculados em suas entradas. Tanto a aplicação em software, bem como a do hardware, foram capazes de classificar corretamente aproximadamente 90% das amostras, quando o SNR era >4 dB. Entretanto, a implementação na FPGA apresentou um rápido decréscimo na sua precisão quando os níveis de SNR chegam a valores negativos, haja vista as limitações impostas nessa aplicação. Todavia, as arquiteturas implementadas nesta pesquisa superam os trabalhos similares disponíveis ate o momento, tendo em vista que utiliza um conjunto de parâmetros de entrada selecionados para a classificação que requerem menos tempo para serem processados e consomem menos recursos para a sua execução. As melhorias aplicadas na rede neural resultaram, ainda, em uma rede menor, capaz de ser implementada em uma FPGA com recursos limitados, sem que a sua precisão final fosse comprometida.

Abstract: The wireless communication systems face rapid growth over the past few years, driven by the advances in new technologies such as 5G, combined with the progress of electronic devices that demand a high data flow. Although these technologies represent a breakthrough to the telecommunication area, they face a physical limitation: the scarcity of electromagnetic spectrum frequencies. This limitation demands creating mechanisms capable of improving the spectrum utilization efficiency and delivering a fast, reliable, and secure environment in which the wireless equipment may operate. This research developed a modulation classification algorithm that shall be applied to cognitive radio environments based on neural networks and implemented in an FPGA to address this subject. The modulation classification is one of the tasks performed in a cognitive radio environment, which aims to identify the incoming signal's modulation, primarily applied where two users want to share a frequency band without interfering in each other communication. This research implemented a modulation classification algorithm based on a synthetic dataset containing five classes: BPSK, QPSK, 8-PSK, 16-QAM, and a Noise dataset. A few parameters are extracted from these classes and then used to train a multi-layer perceptron neural network, developed and trained using the Keras/Tensorflow API. The neural network model developed was exhaustively tested with multiple configurations, varying its layers, the number of neurons, activation functions, among other parameters, resulting in more than 2000 possible models tested in more than 200 hours. The best architecture was chosen from the resulting model to be implemented to an FPGA, demanding new improvements to suit the hardware limitations. The input features used for the classification were reduced, and the network itself adapted to the hardware constraints, such as limited precision and a finite number of available logical resources. The hardware implementation used the VHDL language to its conception and was tested using the same software-based implementation data. However, the hardware implementation does not calculate the input features, requiring that the implemented neural network receive the already calculated data. The software and the hardware-based implementations of the modulation classification achieved approximated 90% of accuracy when the SNR is equals to >4 dB. However, the hardware implementation shows a rapid decrease in its precision as the noise levels attain negative levels. Nonetheless, the architecture implemented in this research outperforms similar works developed so far, as it utilizes a set of selected input features for the classification that require less computational time and resources for its execution. The optimizations performed in the neural network architecture resulted in a tinier network, which can be implemented in a limited hardware resource FPGA without compromising the final classification capability.