Reconhecimento de modulação por redes neurais artificiais utilizando dados experimentais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorFerreira, Tadeu Nagashima-
Autor(es): dc.contributorCarrano, Ricardo Campanha-
Autor(es): dc.contributorCastellanos, Pedro Vladimir Gonzalez-
Autor(es): dc.contributorSilva, João Marcos Meirelles da-
Autor(es): dc.creatorCouto, Thaı́s d’Angelis do-
Data de aceite: dc.date.accessioned2024-07-11T18:04:07Z-
Data de disponibilização: dc.date.available2024-07-11T18:04:07Z-
Data de envio: dc.date.issued2019-07-18-
Data de envio: dc.date.issued2019-07-18-
Data de envio: dc.date.issued2019-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/10464-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/762883-
Descrição: dc.descriptionNo presente estudo se faz uso de uma rede neural artificial conhecida como feed-forward para analisar a capacidade da mesma de fazer a classificação correta dos tipos de modulação Binary Phase Shift Keying, Quadrature Phase Shift Keying e 16 Quadrature Amplitude Modulation. Usaremos sinais medidos como entrada e saída da rede. Diversos cenários foram testados para verificar a sua eficácia, que neste caso é a capacidade de classificar corretamente a modulação utilizada, pois temos variados parâmetros a serem passados para aplicação que fará a construção da rede. Os testes demonstraram que para esta rede, em especifico, a melhor classificação é dois a dois, ou seja, em pares. Na classificação com todas as modulações obtém-se uma eficácia de 66,7% contra os 100% da classificação em pares-
Descrição: dc.descriptionIn the present study, an artificial neural network known as feed-forward is used to analyze the ability of the network to correctly classify the types of modulation Binary Phase Shift Keying, Quadrature Phase Shift Keying and 16 Quadrature Amplitude Modulation. We will use measured signals as inputs and targets of the network. Several scenarios have been tested to verify their effectiveness, in this case is the capacity of correclty classify the used modulation, since we have multiple parameters to be passed to the application that will build the network. The tests have shown that, for this network, specifically, the best classification is done in pairs. In the classification using all modulations, we have an efficiency of 66,7% against 100% of the classification in pairs-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal Fluminense-
Publicador: dc.publisherNiterói-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/br/-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectModulação-
Palavras-chave: dc.subjectRedes neurais artificiais-
Palavras-chave: dc.subjectRede neural artificial-
Palavras-chave: dc.subjectPropagação de sinais (Engenharia de Telecomunicações)-
Palavras-chave: dc.subjectRadiofrequência-
Palavras-chave: dc.subjectModulation-
Palavras-chave: dc.subjectArtificial neural networks-
Título: dc.titleReconhecimento de modulação por redes neurais artificiais utilizando dados experimentais-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.