CLASSIFICAÇÃO AUTOMÁTICA DE MODULAÇÃO BASEADA EM APRENDIZAGEM DISCRIMINATIVA
RÁDIO COGNITIVO, CLASSIFICAÇÃO DE MODULAÇÃO E MÁQUINA DE VETORES DE SUPORTE
A PRINCIPAL FINALIDADE DOS ALGORITMOS PARA CLASSIFICAÇÃO AUTOMÁTICA DE MODULAÇÃO EM UM RECEPTOR INTELIGENTE (RÁDIO COGNITIVO) É A IDENTIFICAÇÃO DE UM SINAL QUALQUER PARA QUE ESSE POSSA REALIZAR O PROCESSO DE DEMODULAÇÃO E EN SEGUIDA O PROCESSAMENTO DA INFORMAÇÃO RECEBEIDA. A FALTA DE CONHECIMENTO DA INFORMAÇÃO TRANSMITIDA E OUTROS PARÂMETROS DESCONHECIDOS, POR EXEMPLO: POTÊNCIA DON SINAL, FREQUÊNCIA DA PORTADORA, TIME OFFSET, FASE E OUTROS PARÂMETROS, SOMADOS A CENÁRIOS REAIS CARACTERIZADOS POR DESVANECIMENTO DE MULTIPERCURSO TORNAM O PROBLEMA DE CLASSIFICAÇÃO DE MODULAÇÃO DIGITAL INTERESSANTE. DESTA FORMA, A TESE APRESENTA UMA INVESTIGAÇÃO SOBRE ALGORITMOS DE CLASSIFICAÇÃO AUTOMÁTICA DE MODULAÇÃO BASEADOS NA APRENDIZAGEM DISCRIMINATIVA E AVALIAR SOBRE QUE CONDIÇÕES SÃO EFICIENTES, VISTO QUE A MAIORIA DESSES ALGORITMOS REALIZAM A TAREFA DE CLASSIFICAÇÃO COM CONHECIMENTO DE ALGUNS PARÂMETROS E EM CENÁRIOS SIMPLES. ALÉM DISSO, A TESES APRESENTA TRÊS EXTRATORES DE PARÂMETROS (FRONT ENDS) PARA CLASSIFICAÇÃO AUTOMÁTICA DE MODULAÇÃO BASEADA EM APRENDIZAGEM DISCRIMINATIVA. A CLASSIFICAÇÃO É REALIZADA SOBRE OS SÍMBOLOS RECEBIDOS DE UMA MODULAÇÃO CUJAS AS RESPECTIVAS CARACTERÍSTICAS DE MAGNITUDE E FASE SÃO MANIPULADAS. OS RESULTADOS OBTIDOS USAM OS EXTRATORES DE PARÂMETROS PROPOSTO E O ALGORITMO MÁQUINA DE VETORES DE SUPORTE, OS QUAIS SÃO COMPARADOS COM OUTRAS TÉCNICAS. EM CENÁRIOS NÃO-IDEAIS COMO PHASE JITTER E OFFSET DE FREQUÊNCIA, OS RESULTADOS MOSTRAM QUE A PROPOSTA É EFICIENTE