Spectrum sensing and modulation recognition using a novel CNN Deep Learning model and Learning transfer technique

• Autorzy: Mohammed Mahieddine Mohamed Ben , Bassou Abdesselam , Chouakri Sid Ahmed , Mellah Nesrine , Khelifi Mustapha

Identyfikatory

DOI

10.15199/48.2023.05.17

Warianty tytułu

PL

Wykrywanie widma i rozpoznawanie modulacji przy użyciu nowatorskiego modelu CNN Deep Learning i techniki transferu uczenia

• Języki publikacji: EN

Abstrakty

EN

The misuse of frequency bands leads to a spectrum shortage. The cognitive radio appears as a natural solution to this problem. A good exploitation of the frequency spectrum starts with a good detection through various techniques, each with its advantages and limitations. In this paper we worked on improving the accuracy of spectrum sensing by developing a new cnn model and the transfer learning of data, also we used the automatic modulation recognition technique to insure the previous knowledge of data witch helped in improving the quality of detection and the performance of the cnn model. our method is based on three aspects entitled aspect1, aspect2 and aspect3. In aspect1 we trained the model to preform the modulation recognition with 11 classes. In aspect2 the model was trained with tow classes an performed the spectrum sensing. In aspect 3 we used the pre-trained model from aspect1 to perform the spectrum sensing with data from aspect2.We trained the model with many types of signals from the dataset RadioML2016.10a as well as noise data that we generated. We also use transfer learning strategies to improve the performance of the sensing model. The results show that we were able to achieve maximum accuracy of 97.22% for the sensing and 99 % for the modulation classification as best accuracy which is very competitive and better than many other proposed techniques

PL

Niewłaściwe wykorzystanie pasm częstotliwości prowadzi do niedoboru widma. Radio kognitywne jawi się jako naturalne rozwiązanie tego problemu. Dobra eksploatacja widma częstotliwości zaczyna się od dobrego wykrywania za pomocą różnych technik, z których każda ma swoje zalety i ograniczenia. W tym artykule pracowaliśmy nad poprawą dokładności detekcji widma poprzez opracowanie nowego modelu cnn i transferu uczenia się danych, a także wykorzystaliśmy technikę automatycznego rozpoznawania modulacji, aby upewnić się, że wcześniejsza wiedza o danych pomogła w poprawie jakości detekcji i wydajność modelu cnn. nasza metoda opiera się na trzech aspektach zatytułowanych aspekt1, aspekt2 i aspekt3. W aspekcie 1 wyszkoliliśmy model do wstępnego rozpoznawania modulacji z 11 klasami. W aspekcie 2 model został przeszkolony z klasami holowniczymi i wykonał wykrywanie widma. W aspekcie 3 wykorzystaliśmy wstępnie wytrenowany model z aspektu 1, aby przeprowadzić wykrywanie widma z danymi z aspektu 2. Wytrenowaliśmy model z wieloma typami sygnałów z zestawu danych RadioML2016.10a, a także wygenerowanymi przez nas danymi szumu. Używamy również strategii uczenia się transferu, aby poprawić wydajność modelu wykrywania. Wyniki pokazują, że byliśmy w stanie osiągnąć maksymalną dokładność 97,22% dla wykrywania i 99% dla klasyfikacji modulacji jako najlepszą dokładność, która jest bardzo konkurencyjna i lepsza niż wiele innych proponowanych technik.

Słowa kluczowe

EN

cognitive radio; deep learning; spectrum sensing

PL

głębokie uczenie; radio kognitywne

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 5
• Strony: 93--97
• Opis fizyczny: Bibliogr. 22 poz., rys., tab.

Twórcy

autor

Mohammed Mahieddine Mohamed Ben

• University TAHRI Mohammed Bechar, Algeria

autor

Bassou Abdesselam

• University TAHRI Mohammed Bechar, Algeria

autor

Chouakri Sid Ahmed

• University of Sidi Bel Abbes, Algeria

autor

Mellah Nesrine

• University of Boumerdes,Algeria

autor

Khelifi Mustapha

• University TAHRI Mohammed Bechar, Algeri

Bibliografia

• [1] Mitola, J. et G.Q. Maguire (1999). “Cognitive radio : making software radios more personal”. In : IEEE Personal Communi cations 6.4, p. 13-18.
• [2] M. Nekovee, “Dynamic spectrum access—concepts and fu ture architectures,” BT Technology Journal, vol. 24, pp. 111–116, May 2006.
• [3] A.Khattab, D.Perkins, M.Bayoumi,’Cognitive Radio Networks From Theory to Practice ‘Springer Science+Business Media New York 2013.
• [4] Yucek, T., and H. Arslan, “A Survey of Spectrum Sensing Al gorithms for Cognitive Radio Applications,” IEEE Communica tions Surveys and Tutorials, Vol. 11, No. 1, 2009, pp.116–130.
• [5] Mansi Subhedar et Gajanan B, «Spectrum Sensing Tech niques in cognitive radio network: A survey », International Journal of Next Generation Network Vol.3, No.2, June 2011.
• [6] Li, Xiaofan et al. (2019). “A Survey on Deep Learning Tech niques in Wireless SignalRecognition”. In :Wireless Commu nications and Mobile Computing2019.1, p. 1-12.
• [7] Khalaf, Ziad (fév. 2013). “Contributions à l’étude de détection des bandes libres dans le contexte de la radio intelligente.” Theses. Supélec.
• [8] Hussain, Sattar et Xavier Fernando (oct. 2009). “Spectrum sensing in cognitive radio networks : Up-to-date techniques and future challenges”. In : p. 736-741.
• [9] Azzouz, Elsayed Elsayed et Asoke K. Nandi (1995). “Auto matic identification of digital modulation types”. In : Signal Pro cess. 47, p. 55-69.
• [10] Li, Xiaofan et al. (2019). “A Survey on Deep Learning Tech niques in Wireless Signal Recognition”. In : Wireless Commu nications and Mobile Computing 2019.1, p. 1-12.
• [11] Dong Deng, Li et Yu. Deep learning : méthodes et applica tions. Fondements et tendances du traitement du signal, 7 :197–387, 2014.
• [12] Sejnowski, Terrence J. (2018). The Deep Learning Revolu tion. https://mitpress.mit. edu/books/deep-learning-revolution. MIT Press.
• [13] Tekbiyik, Kürsat et al. (2019). “Robust and Fast AutomaticModulation Classification with CNN under Multipath Fading Channels”. In : CoRR abs/1911.04970.
• [14] Chandhok, Shivam et al. (2019). “SenseNet : Deep Learning based Wideband spectrum sensing and modulation classifica tion network”. In : ArXiv abs/1912.05255.
• [15] Ke, Da et al. (2019). “Blind Detection Techniques for Non Cooperative Communication Signals Based on Deep Learn ing”. In : IEEE Access 7, p. 89218-89225.
• [16] Solanki, Surendra, Vasudev Dehalwar et Jaytrilok Choudhary(2021). “Deep Lear- ning for Spectrum Sensing in Cognitive Radio”. In : Symmetry 13.1.
• [17] Ben mohammed mahieddine, Mohamed et al. (2022). “Imple mentation of CNN-Inception Deep Learning for Cognitive Ra dio Based on Modulation Classifications”. In : 2022 2nd Inter national Conference on Innovative Research in Applied Sci ence, Engineering and Technology (IRASET), p. 1-5.
• [18] Tekbıyık, Kurs¸at et al. (2021). “Spectrum Sensing and Sig nal Identi- ¨ fication with DeepLearning based on Spectral Correlation Function”. In :Urkowitz, H. (1967). “Energy detec tion of unknown deterministic signals”. In :Procee-dings of the IEEE 55.4, p. 523-531.
• [19] A. Gorcin and H. Arslan, “Signal identification for adaptive spectrum hyperspace access in wireless communications sys tems,” IEEE Commun. Mag., vol. 52, no. 10, pp. 134–145, 2014.
• [20] Ryma Benabdelaziz, Djamel Gaceb, and Mohammed Had dad. Word-spotting approach using transfer deep learning of a cnn network. In 2020 1st International Conference on Commu nications, Control Systems and Signal Processing (CCSSP), pages 219–224. IEEE, 2020.
• [21] F. Chollet et al., “Keras,” https://keras.io, 2015.
• [22] O’Shea, Timothy J., JohnathanCorganet Thomas CharlesClancy(2016). “Convo-lutional Radio Modulation Recognition Networks”. In :ArXivabs/1602.0410