MétaCan
Menu
Retour à la cohorte
Enregistrement W2914861558 · doi:10.22215/etd/2018-13179

Automatic Radar Modulation Classification

2018· dissertation· en· W2914861558 sur OpenAlexaff
David Fahlman

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineComputer Science
ThématiqueWireless Signal Modulation Classification
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésRadarComputer scienceDecision treeMultilayer perceptronArtificial intelligenceModulation (music)Electronic warfareConvolutional neural networkArtificial neural networkFeature extractionPattern recognition (psychology)PerceptronMachine learningWaveformElectronic engineeringEngineeringTelecommunications

Résumé

récupéré en direct d'OpenAlex

Automatic modulation classication is concerned with identifying the modulation present on a radio wave.This can be any type of radar or communication signal.It is employed in elds such as cognitive radio for communications, radar analysis for electronic warfare.This thesis is dedicated to classifying a variety of modulations used in modern radar.These include unmodulated, various types of frequency modulation, and phase shift keyed waveforms.This task is accomplished through feature extraction and machine learning techniques.The objective is to determine a suitable method applicable for real-time implementation in a complex electronic warfare environment.Three techniques are proposed: a decision tree combined with Multilayer Perceptron Neural Network, a Multilayer Perceptron Neural Network, and a Convolutional Neural Network.The simulation results show that the decision tree achieves a low classication performance, the Multilayer Perceptron achieves good results in a controlled environment, while the Convolutional Neural Network achieves good generalizable results.The eects of noise, pulse width, and frequency changes are discussed.Each systems latency is also examined.me a great deal about Electrical Engineering.I couldn't have done it without you!I would also like to acknowledge DTA, specically Dr. Nijsure and Dr. Roy, for their funding and support of my project.Additionally, I would like to acknowledge the committee members who graciously took time out of their busy schedule to examine my thesis.Thank you!In addition I would like to thank everybody who helped me!This includes professors, fellow students, and the excellent Department of Electronics sta.This also includes a my friends and my family.My only hope is to bake enough sourdough banana bread for y'all as a proper thank you.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,069

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0210,013

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,032
Tête enseignante GPT0,284
Écart entre enseignants0,252 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetWireless Signal Modulation ClassificationTravaux en français237 207