Implementação de um algoritmo de classificação automática de modulação em microcontrolador por meio de redes neurais artificiais

Abstract

Resumo: A utilização de algoritmos de inteligência artificial tem crescido nos últimos anos com a maior disponibilidade de poder computacional a baixo custo. Uma demanda por dispositivos que usem comunicação sem fio também cresce e esses dispositivos podem ter diversas aplicações em inúmeros ambientes diferentes, portanto, é importante que o seu hardware possa adaptar-se às condições do ambiente ao redor para que a comunicação seja otimizada. A adaptação de conexão pode ser feita alterando-se a modulação em tempo real dependendo das características do canal. Como essa mudança é feita no transmissor, o receptor precisa conseguir identificar a modulação que está sendo usada no sinal recebido para que sua demodulação seja feita, ou seja, uma classificação automática de modulação é necessária no receptor para que o sistema funcione. As soluções mais populares encontradas no estado da arte para a classificação automática de modulação são o uso de redes neurais artificiais, que são técnicas de inteligência artificial. Porém, em sua maioria elas são análises computacionais do problema buscando uma acurácia maior e sistemas robustos que tentam classificar uma grande quantidade de modulações diferentes. A proposta desta dissertação é usar uma rede neural artificial com três camadas ocultas para classificar modulações digitais em fase e amplitude e ruído branco gaussiano para que a rede possa identificar se há um sinal chegando ou não, implementá-la em um sistema embarcado e comparar seu desempenho antes e depois da implementação. Para que a classificação seja possível, a rede neural artificial recebe como entrada uma série de características extraídas matematicamente desses sinais modulados, o que é chamado no estado da arte de classificação baseada em características. Como o objetivo principal da dissertação é a implementação em sistema embarcado, a quantidade de características de sinais utilizadas para a classificação deve ser reduzida para economizar recursos e a rede neural artificial é quantizada em ponto fixo para extrair maior desempenho do hardware. Uma varredura de parâmetros é feita com o objetivo de melhorar o desempenho da rede neural artificial em sua acurácia, como por exemplo variar o tamanho das suas camadas e o número de neurônios. Os testes finais são feitos usando sinais modulados com relação sinal-ruído variando de -10 dB a 20 dB, seis características de sinais e uma rede neural artificial com 3 camadas ocultas, com 26, 29 e 30 neurônios respectivamente. Obteve-se como resultado uma rede neural capaz de classificar com acurácia próxima a 100% as modulações PSK (Phase Shift Keying) para relação sinal ruído acima de 8 dB, enquanto as modulações QAM (Quadrature Amplitude Modulation) apresentaram um resultado pior, com acurácia variando demais sem uma estabilidade. No sistema embarcado os resultados das modulações PSK se repetiram, 64QAM piorou e 16QAM melhorou. Com isso, observa-se que é possível implementar um sistema de classificação automática de modulação em um sistema embarcado com poucas características sendo usadas na rede neural artificial.

Abstract: The use of artificial intelligence algorithms has grown in recent years with the increased availability of low-cost computing power. Demand for devices that use wireless communication is also increasing. These devices can have many applications in numerous different environments, so self-adaptation is important to the surrounding environment's conditions so that the communication is optimized. Link adaptation can be made by changing the modulation in real-time depending on the channel characteristics. Since this change is made at the transmitter, the receiver needs to identify the modulation used in the received signal to demodulate it, i.e., an automatic modulation classification is required at the receiver for the system to work. The most popular solutions found in state-of-the-art automatic modulation classification are artificial neural networks, artificial intelligence techniques. However, most of them are computational analyses of the problem seeking higher accuracy and robust systems that try to classify many different modulations. This dissertation proposes to use an artificial neural network with three hidden layers to classify digital modulations in phase and amplitude and a Gaussian white noise so that the network can identify if there is an incoming signal or not. Implement it in an embedded system and compare its performance before and after implementation. For classification to be possible, the artificial neural network receives input a series of features extracted mathematically from these modulated signals called feature-based classification in state of the art. Since the dissertation's primary goal is implementation on an embedded system, the number of signal features used for classification must be reduced to save resources. Also, the artificial neural network is fixed-point quantized to extract more performance from the hardware. A sweep of parameters is done to improve the accuracy performance of the artificial neural network, varying the size of its layers and the number of neurons. The final tests are done using modulated signals with signal-to-noise ratios ranging from -10 dB to 20 dB, six signal characteristics, and a 3-layer artificial neural network with 26, 29, and 30 neurons. The result was a neural network able to classify with accuracy close to 100% the PSK (Phase Shift Keying) modulations for a signal-to-noise ratio above 8 dB. In contrast, the QAM (Quadrature Amplitude Modulation) modulations presented a worse result, with accuracy varying too much without stability. The PSK modulations' results were repeated in the embedded system, 64QAM worsened, and 16QAM improved. With this, it is observed that it is possible to implement an automatic modulation classification system in an embedded system with few features in the artificial neural network.