Please use this identifier to cite or link to this item: https://app.uff.br/riuff/handle/1/10464
Title: Reconhecimento de modulação por redes neurais artificiais utilizando dados experimentais
Authors: Couto, Thaı́s d’Angelis do
metadata.dc.contributor.advisor: Ferreira, Tadeu Nagashima
metadata.dc.contributor.advisorco: Silva, João Marcos Meirelles da
metadata.dc.contributor.members: Carrano, Ricardo Campanha
Castellanos, Pedro Vladimir Gonzalez
Issue Date: 2019
Publisher: Universidade Federal Fluminense
Abstract: No 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 modula- ção Binary Phase Shift Keying, Quadrature Phase Shift Keying e 16 Quadrature Amplitude Modulation. Usaremos sinais medidos como entrada e saı́da 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 especı́fico, 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.
metadata.dc.description.abstractother: In 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.
URI: https://app.uff.br/riuff/handle/1/10464
Appears in Collections:TGT - Trabalhos de Conclusão de Curso

Files in This Item:
File Description SizeFormat 
TCC - Thais vfinal.pdf1.63 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons