Machine learning empowered Modulation detection for OFDM-based signals

要約

我々は、OFDM ベースの技術に対するブラインド ML ベースの変調検出を提案します。
サブキャリア数とサイクリック プレフィックスの位置を正確に把握した理想的な環境を想定したこれまでの研究とは異なり、現実的な環境パラメータと不完全性を考慮しながらブラインド変調検出を検討します。
私たちのアプローチでは、ResNet ネットワークを使用して、変調タイプの検出とサイクリック プレフィックスの正確な位置の特定を同時に行います。
具体的には、信号から環境への影響を除去し、OFDM シンボルを正確に抽出した後、これらのシンボルを散布図に変換します。
これらの散布図は形状が独特であるため、ResNet を使用して分類されます。
その結果、私たちが提案する変調分類方法は、送信信号に関する事前の知識がなくても、あらゆる OFDM ベースの技術に適用できます。
さまざまな変調方式とサブキャリア数にわたってそのパフォーマンスを評価します。
シミュレーション結果は、私たちの方法が $10$ dB の SNR で $80\%$ を超える変調検出精度、$25$ dB の SNR で $95\%$ を超える変調検出精度を達成することを示しています。

要約(オリジナル)

We propose a blind ML-based modulation detection for OFDM-based technologies. Unlike previous works that assume an ideal environment with precise knowledge of subcarrier count and cyclic prefix location, we consider blind modulation detection while accounting for realistic environmental parameters and imperfections. Our approach employs a ResNet network to simultaneously detect the modulation type and accurately locate the cyclic prefix. Specifically, after eliminating the environmental impact from the signal and accurately extracting the OFDM symbols, we convert these symbols into scatter plots. Due to their unique shapes, these scatter plots are then classified using ResNet. As a result, our proposed modulation classification method can be applied to any OFDM-based technology without prior knowledge of the transmitted signal. We evaluate its performance across various modulation schemes and subcarrier numbers. Simulation results show that our method achieves a modulation detection accuracy exceeding $80\%$ at an SNR of $10$ dB and $95\%$ at an SNR of $25$ dB.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google