EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

ГЛИБОКІ CNN ТА RESNET-АРХІТЕКТУРИ ДЛЯ АВТОМАТИЧНОЇ КЛАСИФІКАЦІЇ МОДУЛЯЦІЇ

Валерій Козловський, Сергій Бобров, Ігор Макєєв, Олексій Німич

Science-based technologies · 27.04.2026 · 69 (1) · 3-10

DOI: 10.18372/2310-5461.69.20941 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Science-based technologies, online erschienen am 27.04.2026. Verfasst von Валерій Козловський und 3 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

У статті розглянуто задачу автоматичної класифікації модуляції сигналів у сучасних системах радіомоніторингу та когнітивного радіо. Виконано системний аналіз застосування глибоких згорткових і залишкових нейронних мереж для розпізнавання типів модуляції на основі комплексних IQ-вибірок фіксованої довжини. Обґрунтовано доцільність використання одномірних згорткових шарів, що дозволяють автоматично виділяти часово-фазові закономірності сигналів без попереднього формування статистичних або спектральних ознак. Розглянуто декілька архітектур глибоких нейронних мереж, зокрема базову згорткову модель, поглиблену CNN-архітектуру та адаптовану залишкову мережу типу ResNet з близькою кількістю параметрів, що забезпечує коректність порівняння їх ефективності. Проведене моделювання показало, що використання залишкових з’єднань дозволяє підвищити стабільність навчання глибоких моделей і забезпечує вищу точність класифікації, особливо в умовах низького відношення сигнал/шум. Аналіз матриці класифікації дозволив виявити структурований характер міжкласових помилок, що свідчить про наявність складних прикладів у навчальній вибірці. На основі цього запропоновано адаптивний алгоритм добору навчальних зразків, який здійснює перерозподіл ймовірностей їх вибору відповідно до поточних похибок класифікації. Запропонований метод фактично реалізує механізм важливісного семплінгування у процесі стохастичної оптимізації та забезпечує концентрацію навчання на найбільш інформативних прикладах. Результати експериментальних досліджень показали, що використання адаптивного механізму формування міні-пакетів дозволяє скоротити кількість ітерацій навчання на 18–25% без зниження фінальної точності класифікації. Отримані результати підтверджують ефективність поєднання глибоких нейромережевих архітектур та алгоритмічної оптимізації процесу навчання для задач автоматичної класифікації модуляції сигналів в умовах невизначеності параметрів радіосередовища.

Zitieren

APA

Козловський, В., Бобров, С., Макєєв, І., & Німич, О. (2026). ГЛИБОКІ CNN ТА RESNET-АРХІТЕКТУРИ ДЛЯ АВТОМАТИЧНОЇ КЛАСИФІКАЦІЇ МОДУЛЯЦІЇ. Science-based technologies, 69(1), 3-10. https://doi.org/10.18372/2310-5461.69.20941

Vancouver

Козловський В, Бобров С, Макєєв І, Німич О. ГЛИБОКІ CNN ТА RESNET-АРХІТЕКТУРИ ДЛЯ АВТОМАТИЧНОЇ КЛАСИФІКАЦІЇ МОДУЛЯЦІЇ. Science-based technologies. 2026;69(1):3-10. doi:10.18372/2310-5461.69.20941

BibTeX
@article{2026,
  author = {Козловський, Валерій and Бобров, Сергій and Макєєв, Ігор and Німич, Олексій},
  title = {ГЛИБОКІ CNN ТА RESNET-АРХІТЕКТУРИ ДЛЯ АВТОМАТИЧНОЇ КЛАСИФІКАЦІЇ МОДУЛЯЦІЇ},
  journal = {Science-based technologies},
  year = {2026},
  volume = {69},
  number = {1},
  pages = {3--10},
  doi = {10.18372/2310-5461.69.20941}
}
Kostenlos starten →