Về một giải pháp phân loại và nhận dạng điều chế tín hiệu vô tuyến sử dụng mạng nơ ron tích chập

hập, giảm độ phức tạp tính toán và nâng cao độ chính xác khi nhận dạng điều chế tín hiệu. Bài báo phân tích, so sánh phương pháp đề xuất và các phương pháp dùng hệ chuyên gia truyền thống. Các kết quả mô phỏng chứng minh hiệu quả của giải pháp so sánh với các giải pháp truyền thống dựa trên độ chính xác của việc phân loại dạng điều chế của tín hiệu thu được. Ưu điểm của giải pháp kỹ thuật này mở ra hướng áp dụng mạng nơ ron cho việc nâng cao hiệu quả của bài toán nhận dạng tín hiệu. Từ khóa: Học sâu; Mạng nơ ron tích chập; Phân loại dạng điều chế tín hiệu. 1. ĐẶT VẤN ĐỀ Trí tuệ nhân tạo (AI-Artificial Intelligence) là một trong những công nghệ được quan tâm nhất hiện nay, đây là công nghệ trọng tâm, nền tảng của cách mạng công nghiệp 4.0. Các ứng dụng AI vào cuộc sống đã và đang phát triển mạnh mẽ và đạt hiệu quả cao trong các lĩnh vực như xử lý ngôn ngữ tự nhiên, xử lý ảnh, robot, Trong lĩnh vực quân sự, các cường quốc như Mỹ, Nga, đã và đang đầu tư, phát triển các hệ thống vũ khí trang bị áp dụng AI như các hệ thống tàu thuyền, máy bay không người lái (Sea Hunter, UCAV X47,), hay hệ thống tấn công bán tự động của Nga [1-3]. Việc nghiên cứu áp dụng AI vào trong lĩnh vực quân sự đang là một xu hướng phổ biến trong quân đội các nước trên thế giới. Trong các ứng dụng thông tin vô tuyến, tự động phát hiện dạng điều chế tín hiệu (Automatic Modulation Classification: AMC) là khâu quan trọng đối với cả mục đích bảo mật và trinh sát thông tin. Đối với mục đích bảo mật, dạng điều chế tín hiệu có thể được sử dụng nhằm mã hóa làm cho máy thu không khôi phục được dữ liệu khi không xác định chính xác dạng điều chế. Ngược lại, đối với thu chặn thông tin, cần thiết phải xác định chính xác dạng điều chế được sử dụng ở bên phát, nhằm giải điều chế thông tin một cách chính xác (hình 1) [4]. Mô đun nhận dạng điều chế Khôi phục tín hiệu Giải mã Giải điều chế Tra cứu địa lý (Electronic Maper) Phát hiện tín hiệu Antenna Hình 1. Mô hình AMC trong hệ thống trinh sát điện tử. Cho đến nay có nhiều hướng nghiên cứu về AMC, được chia làm hai nhóm giải pháp chính là dựa trên tỷ lệ hợp lẽ cực đại (Maximum Likely Hood Based: MLB) và dựa trên đặc trưng (Feature Based: FB). Phương pháp MLB là phương pháp có độ chính xác cao, tuy nhiên, cũng yêu cầu năng lực tính toán mạnh mẽ. Để giảm độ Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020 115 phức tạp tính toán, các giải pháp cải tiến dựa trên MLB được nghiên cứu như Average Likelihood Ratio Test (ALRT), Generalized Likelihood Ratio Test (GLRT), và Hybrid Likelihood Ratio Test (HLRT) [5]. Nhóm giải pháp FB dựa trên các đặc trưng tức thời của tín hiệu như biên độ, pha, tần số để phân loại các nhóm tín hiệu điều chế. Ưu điểm của nhóm giải pháp này là độ phức tạp tính toán thấp tuy nhiên, độ chính xác kém hơn. Các hướng nghiên cứu mới áp dụng mạng nơ ron nhân tạo nhiều lớp (Deep Neural Networks: DNN) cho AMC, tuy nhiên, độ chính xác đem lại chưa cao [6]. Mạng nơ ron tích chập (Convolutional Neural Networks: CNN) là một công cụ AI mạnh mẽ, hiệu quả trong việc tự động phân loại và nhận dạng, điều này đã được chứng minh trong lĩnh vực thị giác máy tính và xử lý ngôn ngữ tự nhiên [7]. Mục đích của bài báo là khai thác ưu điểm của mạng CNN trong trích chọn các dữ liệu có cấu trúc để giảm độ phức tạp tính toán và nâng cao độ chính xác của hệ thống. Hình 2 so sánh nhóm giải pháp truyền thống bao gồm cả FB và MLB và giải pháp dựa trên CNN. Giải pháp truyền thống yêu cầu phải có phân tích lựa chọn đặc trưng của dữ liệu trước khi phân loại. Trong khi đó, giải pháp dựa trên CNN không cần bước tiền xử lý trên. Phân loại Tín hiệu thu được số hóa Phân loại qua mạng CNN Tín hiệu thu được số hóa Phân tích, lựa chọn đặc trưng Dạng điều chế Dạng điều chế Giải pháp truyền thống MLB và FB Giải pháp dùng CNN Hình 2. So sánh giải pháp AMC truyền thống với dùng mạng CNN. Trọng tâm của giải pháp là chọn bộ dữ liệu, xây dựng cấu trúc mạng và hàm mục tiêu (loss function) phù hợp. Đóng góp chính của bài báo là đưa ra giải pháp có thể phân loại nhiều dạng điều chế cùng lúc mà không cần bước tiền xử lý như các nhóm giải pháp trước đây. Phần còn lại của bài báo được tổ chức như sau: mục 2 bài báo trình bày cơ sở lý thuyết về mạng nơ ron tích chập và phương pháp triển khai áp dụng lý thuyết vào bài toán phân loại dạng điều chế tín hiệu, mục 3 giới thiệu bộ dữ liệu được sử dụng, phương pháp mô phỏng và thảo luận các kết quả mô phỏng, phần kết luận sẽ tóm tắt các đóng góp của bài báo và đề xuất hướng nghiên cứu tiếp theo. 2. MẠNG CNN TRONG XÁC ĐỊNH DẠNG ĐIỀU CHẾ TÍN HIỆU 2.1. Cơ sở lý thuyết mạng nơ ron tích chập Tích chập có một vai trò quan trọng trong xử lý tín hiệu số, khái niệm về mạng nơ ron tích chập và tích chập 2 chiều được giới thiệu lần đầu trong công trình [7, 8]. Bằng việc sử dụng dữ liệu lớn và thay các tầng nối kín trong mạng DNN bởi tích Kỹ thuật điện tử B. M. Tuấn, , V. L. Hà, “Về một giải pháp phân loại mạng nơ ron tích chập.” 116 chập hai chiều, các bộ lọc phù hợp với bài toán và dữ liệu có thể được học để mang lại kết quả phân loại tốt nhất. Một ví dụ điển hình về việc sử dụng mạng nơ ron tích chập để phân loại và nhận dạng đối tượng là con vật như hình 3. Hình 3. Ví dụ áp dụng mạng CNN cho phân loại con vật [8]. Để làm rõ thuật toán phân loại với CNN, nhóm tác giả chia kiến trúc của một mạng nơ ron tích gồm 2 tầng theo thứ tự: i) tầng tích chập, và ii) tầng nơ ron nối kín (DNN) và ra quyết định. 2.1.1. Tầng tích chập Tầng này bao gồm các lớp tích chập xếp nối tiếp nhau. Một lớp tích chập một cách tổng quát là một lớp lọc gồm F bộ lọc 2 chiều với đầu ra là tích chập hai chiều của dữ liệu đầu vào với ma trận trọng số hay còn gọi là kernel. Ta ký hiệu bộ lọc Q , dữ liệu đầu vào, đầu ra sau mỗi lớp hay fearture map tương ứng: f a bQ  , với 1,...,f F , X n m , Y f n m   (1) Ta có quan hệ tích chập giữa các thành phần trên được tổng quát hóa theo biểu thức (2). Ví dụ về phép tích chập hai chiều được mô tả như hình 4. 1 1 , , 1 ( 1) ,1 ( 1) 0 0 a b f f i j a k b l s i k s j l k l Y Q X               (2) Trong đó, 1s  là số nguyên và là bước trượt của phép tích chập. Các tham số n và m là các chiều của dữ liệu đầu ra trong đó: 2 1 n a n s           , 2 1 m b m s           (3) Ta sử dụng kỹ thuật thêm lề là các bit “0” vào dữ liệu đầu vào để đảm bảo kích thước dữ liệu đầu ra có kích thước đồng đều: , 0i jX  ,  1,i n ,  1,j m (4) 2.1.2. Tầng nơ ron nối kín (DNN) và ra quyết định Dữ liệu sau lớp pooling được vec tơ hóa từ dữ liệu 2 chiều thành dạng vec tơ đầu vào của tầng DNN. Tầng này bao gồm các lớp nơ ron, giả sử có L lớp xếp cạnh nhau và được kết nối với nhau bởi các trọng số. Một cách tổng quát, mạng nói trên là một hàm 00( ; ) : LN Nf r   ánh xạ dữ liệu đầu vào và đầu ra có dạng véc tơ tương ứng là 00 N r  và LNLr  . Việc này được thực hiện qua L vòng lặp Lớp tích chập Lớp pooling Tầng nối kín ra và quyết định Lớp tích chập và tổng hợp (pooling) Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020 117 tương đương với việc lan truyền dữ liệu qua từng lớp với: 1( ; )l l lr f r  , 1 1( ; ) (Wr b )l l l l lf r     , 1,2,...,l L (5) Dữ liệu vào X Bộ lọc Q Dữ liệu ra Y=X*Q 1×1+0×0+0×1+1×0+1×1+0×01×1+1×0+1×1= y = 4 Hình 4. Quan hệ đầu vào và đầu ra lớp tích chập. Trong đó, bộ tham số 1θ ( ,..., )L  với {W ,b }l l l  là các tham số huấn luyện cho toàn mạng. Với 1W l lN Nl  , b lNl  và (.) lần lượt là ma trận trọng số, độ lệch (bias) và hàm kích hoạt (activation function). Trong lớp nơ ron thứ l thì bộ tham số {W ,b }l l l  sẽ được cập nhật trong quá trình huấn luyện/học để tối ưu mạng. Một số dạng hàm kích hoạt phổ biến được trình bày trong bảng 1 [4]. Bảng 1. Các loại hàm kích hoạt. Dạng hàm kích hoạt ( )x Miền giá trị đầu ra Tuyến tính x ( , )  ReLU (rectified linear unit) max (0, x ) [0, ) tanh tanh( )x ( 1, 1)  sigmoid 1 1 xe (0,1) softmax x j x jj e e (0,1) Dữ liệu cho quá trình huấn luyện mạng được gán nhãn thành các cặp đầu vào - đầu ra tương ứng *0, ,(r , r )i L i , 1,...,i S với S là số véc tơ dữ liệu đầu vào và đầu ra/nhãn được biết trước. Mục tiêu của việc huấn luyện là tối thiểu sai số việc phân loại hay làm cho dữ liệu đầu ra của mạng giống với nhãn được gán nhất qua tối thiểu hàm mất mát (loss function): * , , 1 1 ( ) (r , r ) S L i L i i L S     (6) Trong đó, (u, v) : L LN N  là hàm mất mát trên từng nhãn, ,rL i là đầu ra của mạng khi đầu vào là 0,r i . Các dạng hàm mất mát phổ biến như sai số toàn Kỹ thuật điện tử B. M. Tuấn, , V. L. Hà, “Về một giải pháp phân loại mạng nơ ron tích chập.” 118 phương trung bình (MSE), và entropy chéo (cross entropy). Để tối thiểu hàm mất mát, như đã nói ở trên, bộ tham số 1θ ( ,..., )L  được điều chỉnh bằng phương pháp đạo hàm ngược được biểu diễn như sau: 1 ( )t t tL       (7) Yêu cầu của bài toán phân loại là đầu ra của lớp cuối sẽ là các giá trị thể hiện xác suất để đầu vào cần phân loại rơi vào đúng nhóm đã gán nhãn với đầu vào đó. Để thỏa mãn yêu cầu trên, hàm kích hoạt softmax (bảng 1) sẽ được sử dụng tại lớp nơ ron cuối cùng. Điều này đảm bảo cho đầu ra là các giá trị có tổng bằng 1 và theo đúng thứ tự của đầu vào. Đầu ra có giá trị lớn nhất thuộc nhóm nào tương ứng với xác suất đối tượng đầu vào thuộc nhóm đó cao nhất. 2.2. Phân loại và nhận dạng điều chế của tín hiệu dựa trên mạng CNN 2.2.1. Phương pháp tạo dữ liệu Trong các phương pháp sử dụng CNN, dữ liệu cho huấn luyện/học đóng vai trò quan trọng, quyết định độ chính xác phân loại và nhận dạng điều chế. Phương pháp tạo dữ liệu được thể hiện trên hình 5, các khối được xây dựng trên nền tảng vô tuyến định nghĩa phần mềm (SDR – Software Define Radio), thuận tiện cho việc điều chỉnh các tham số [9]. Trong đó, tín hiệu băng gốc bao gồm tín hiệu điều chế số hoặc tương tự, được đưa qua khối tạo dạng xung với bộ lọc cosin nâng hệ số uốn (raised-cosine filter), khối nội suy, trộn tần, pha đinh, tạp âm trắng cộng tính (AWGN). Kênh truyền H là kênh Rayleigh, hệ số uốn có phân bố đều trong khoảng (0,1). Tín hiệu sau đó đã bao gồm ảnh hưởng của kênh truyền được lấy mẫu, và số hóa dưới dạng hai thành phần đồng pha I và trực pha Q. Định dạng Xung tín hiệu Điều chế số hoặc tương tự Nội suy Tín hiệu băng gốc Trộn tần Kênh truyền H Tạp âm AWGN Hệ số uốn α Tần số sóng mang Tín hệu cho huấn luyện Hình 5. Mô hình tạo dữ liệu cho huấn luyện. Dữ liệu sau đó được lưu dưới dạng mảng số thực có chiều 2 N với một chiều là giá trị I, Q và một chiều là số điểm lấy mẫu theo thời gian N. 2.2.2. Huấn luyện mạng CNN cho nhận dạng điều chế tín hiệu Kiến trúc mạng CNN sử dụng được thể hiện trên hình 6 bao gồm M lớp trong đó K lớp tích chập và L lớp nơ ron nối kín. Hàm kích hoạt ở các lớp là ReLu trừ lớp cuối với hàm kích hoạt softmax trước khi cho các giá trị đầu ra là vec tơ đơn vị (one-hot vec tơ). Dữ liệu đầu vào mạng là mảng kích thước 2 N . Các lớp tích chập được ký hiệu dưới dạng mảng 3 chiều ( k k kF R C  ), 1,...,Kk . Trong đó: kF , kR , kC lần lượt là số cửa sổ trượt hay kernel, số dòng và số cột của đầu ra tương ứng của lớp tích chập thứ k. Đối với tầng nối kín, véc tơ đơn vị đầu ra tại lớp cuối cùng sẽ có số phần tử bằng với số nhóm cần phân loại. Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020 119 1x11 . . .. . . Các mẫu dạng I, Q Kích thước 2x128 I, í t . . . 64x1x3 80x2x3 . . ... . .. . 1x128 Dạng điều chế i k k kF R C  Hình 6. Kiến trúc mạng CNN cho phân loại dạng điều chế tín hiệu. 3. MÔ PHỎNG, TÍNH TOÁN, THẢO LUẬN Mô hình mô phỏng cho huấn luyện/học các đặc trưng các dạng điều chế và phân loại dạng điều chế được mô tả trên hình 7. Bộ dữ liệu đầu vào dạng I, Q chuẩn hóa của nhiều dạng điều chế được chia làm hai phần cho huấn luyện mạng và kiểm tra độ chính xác của mô hình. Mô hình sau huấn luyện mạng với giá trị hàm mất mát nhỏ nhất được lưu lại cho quá trình kiểm tra. Bộ dữ liệu kiểm tra được đưa vào để đánh giá độ chính xác của mô hình phân loại theo phương pháp mô phỏng Monte Carlo. Mạng nơ ron tích chập Quyết định dạng điều chế và đưa ra độ chính xác Dữ liệu huấn luyện được gán nhãn Mô hình có lỗi nhỏ nhất Dữ liệu mới được gán nhãn cho việc kiểm tra Tín hiệu I, Q sau lấy mẫu (165000 mẫu tín hiệu I, Q) Tín hiệu I, Q mới sau lấy mẫu (55000 mẫu tín hiệu I, Q) Chưa đạt yêu cầu Đạt theo yêu cầu Lưu lại mô hình Có độ chính xác tốt nhất Đạt theo yêu cầu Chưa đạt yêu cầu Hiệu chỉnh tham số mạng Hình 7. Mô hình mô phỏng huấn luyện mạng và thử nghiệm. 3.1. Dữ liệu mô phỏng Nhóm tác giả lựa chọn bộ dữ liệu sử dụng trong bài báo là bộ dữ liệu RADIOML 2016.10A được công bố trong công trình [9]. Bộ dữ liệu được tạo trên nền tảng SDR và bộ công cụ mã nguồn mở GNU Radio. Trong đó, 11 dạng điều chế được tạo bao gồm 8 dạng điều chế số và 3 dạng điều chế tương tự phổ biến trong các hệ thống truyền tin không dây bao gồm: BPSK, QPSK, 8PSK, 16QAM, 64QAM, BFSK, CPFSK, PAM4 (dạng điều chế số), và WB-FM, AM-SSB, AM- DSB (điều chế tương tự) như hình 8. Dữ liệu được tạo với tốc độ 8 mẫu trên một ký tự (symbol). Kỹ thuật điện tử B. M. Tuấn, , V. L. Hà, “Về một giải pháp phân loại mạng nơ ron tích chập.” 120 Hình 8. Các dạng điều chế trong RADIOML 2016.10ª. Bộ dữ liệu được dùng bao gồm 220 000 mảng bao gồm 11 dạng điều chế. Trong đó, mỗi dạng điều chế bao gồm các mẫu có tỷ lệ tín /tạp (SNR) từ -20dB đến 20dB. Dữ liệu được đóng gói dưới dạng mảng 4 chiều (N_e × N_c × D_1 × D_2). Trong đó, N_e là số ví dụ về dạng điều chế với các mức công suất phát khác nhau, N_c = 1000, D_1 = 2 là các giá trị thực của hai thành phần I và Q, và D_2 = 128 là số điểm lấy mẫu trên miền thời gian (hình 9). Hình 9. Cấu trúc dữ liệu với các mức SNR khác nhau . 3.2. Phương pháp, công cụ mô phỏng Bài báo so sánh kết quả các giải pháp phân loại theo phương pháp truyền thống làm tiêu chuẩn đánh giá bao gồm: Suport Vector Machine (SVM), cây quyết định (Dectrees), Naive Bayes và DNN (4 lớp nối kín) với giải pháp đề xuất. Dữ liệu sử dụng cùng một bộ dữ liệu đề cập ở trên. Mạng CNN đề xuất có 4 lớp nối tiếp nhau theo thứ tự: lớp tích chập 1 (64x1x3), lớp tích chập 2 (80x2x3), lớp nối kín 1 có 128 nơ ron, và lớp phân loại có 11 nơ ron tương ứng 11 dạng điều chế (hình 6). Hàm kích hoạt tại các lớp là ReLu trừ lớp cuối sử dụng hàm softmax. Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020 121 Chương trình mô phỏng mạng CNN viết trên ngôn ngữ lập trình Python. Cấu hình mạng nơ ron tích chập và truy xuất dữ liệu được thực hiện thông qua bộ công cụ cho học sâu là Tensor Flow, Keras với thư viện Pickle. Nhóm tác giả chia 165 000 mẫu để huấn luyện mạng và 55 000 mẫu cho kiểm tra (hình 7). Độ chính xác thu được thông qua phương pháp mô phỏng Monte-Carlo. Để biểu diễn độ chính xác của các hệ thống phân loại việc phân loại bài báo sử dụng normalized confusion (NCM) hay ma trận nhầm lẫn chuẩn hóa [10] để thể hiện độ chính xác của thuật toán phân loại. Trong đó, ma trận nhầm lẫn (chưa chuẩn hóa) là một ma trận thể hiện có bao nhiêu điểm dữ liệu thực sự thuộc vào một nhóm và được dự đoán là rơi vào một nhóm. Chuẩn hóa được thực hiện bằng cách lấy mỗi phần tử của ma trận chưa chuẩn hóa chia cho tổng các phần tử trên hàng đó. Như vậy, tổng các phần tử trên một hàng của NCM luôn bằng 1. Ví dụ trên hình 10 cho ta thấy NCM mang nhiều thông tin hơn khi chưa chuẩn hóa. Với các bài toán phân loại nhiều lớp dữ liệu, cách biểu diễn của NCM thường thông qua màu sắc, các ô màu đậm thể hiện các giá trị cao và ngược lại. 3.3. Kết quả mô phỏng và thảo luận 3.3.1. Độ chính xác phân loại Hình 10 so sánh độ chính xác phân loại giữa các giải pháp tính trung bình trên tất cả các mẫu trong bộ dữ liệu theo các mức SNR. SNR Đ ộ c h ín h x ác p h ân lo ại Hình 10. Độ chính xác phân loại theo SNR. Trong đó, các đường nét đứt thể hiện cho nhóm giải pháp dựa trên việc phân loại theo đặc trưng truyền thống. Nhóm đường nét liền thể hiện cho giải pháp đề xuất dùng mạng CNN và DNN. Để tránh huấn luyện quá khớp (over fitting), các hệ số Dropout được đưa vào khi huấn luyện mạng. Nhận xét thấy mô đun phân loại đề xuất cho độ chính xác vượt trội ở mức SNR=-3dB, xấp xỉ 0.90 so với 0.83 tại (tương đương 90% và 83%). Hình 11 đánh giá độ chính xác phân loại nhiều dạng điều chế dựa trên mạng CNN với SNR = 16dB. Ta thấy với cách biểu diễn kết quả trên NCM, màu sắc đường chéo ma trận càng đậm trong khi các vùng khác trong ma trận khác càng nhạt (“sạch”) thì độ chính xác của mô đun phân loại càng cao. Kỹ thuật điện tử B. M. Tuấn, , V. L. Hà, “Về một giải pháp phân loại mạng nơ ron tích chập.” 122 Hình 11. Độ chính xác của mô đun phân loại CNN tại SNR = 16dB. Kết quả cho thấy ngoại trừ 8PSK và WBFM, độ chính xác ở các dạng điều chế khác đều trên 90%. Đối với SNR thấp tại SNR = -6dB, phương pháp dùng CNN thể hiện độ chính xác phân loại tương đương và đạt được độ chính xác trên 90% với PAM, 16QAM, 64QAM khi so sánh với giải pháp SVM (hình 12, hình 13). Hình 12. Độ chính xác phân loại dạng điều chế bằng phương pháp CNN, DNN. Hình 13. Độ chính xác phân loại dạng điều chế bằng phương pháp SVM, Decision tree (Dectree). Độ đậm của đường chéo và độ “sạch” của các vùng khác trong ma trận NCM của mô đun phân loại CNN cũng tốt hơn. Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020 123 3.3.2. Độ phức tạp tính toán của giải pháp Độ phức tạp của giải pháp thể hiện qua thời gian huấn luyện và thời gian phân loại khi mô hình đã huấn luyện xong. Bảng 2 so sánh thời gian huấn luyện và thời gian đưa ra kết quả phân loại như hình 9 trên cùng một phần cứng CPU core i7 8th, card màn hình Nividia GeForce® GTX 1080Ti. Bảng 2. Thời gian trung bình huấn luyện và phân loại giữa các phương pháp. Bộ phân lọai Thời gian huấn luyện trung bình (s) Thời gian phân loại (s) (cho batch size 1000) SVM 3500 11.5 Dectrees 7 0.01 DNN (4 lớp nối kín ) 1.5 20.6 CNN 836 0.025 Từ bảng 2 ta thấy, giải pháp Dectrees có thời gian huấn luyện và phân loại nhanh nhất tương ứng độ phức tạp thấp nhất. Giải pháp DNN cho thời gian huấn luyện nhanh nhưng thời gian thực thi với mô hình sau đó lại có độ trễ lớn. SVM cho thời gian huấn luyện lớn nhất và phân loại chỉ nhanh hơn DNN. Giải pháp CNN cho thời gian phân loại nhanh chỉ sau Dectrees tuy nhiên, độ chính xác vượt trội (hình 11). Qua phân tích trên phương pháp dùng mạng CNN cho phân loại và nhận dạng điều chế tín hiệu đã đảm bảo được tính chính xác cao và giảm được độ độ phức tạp tính toán so với các giải pháp truyền thống. 4. KẾT LUẬN Bài báo đã giới thiệu lý thuyết, đồng thời đề xuất áp dụng mạng CNN vào phân loại nhận dạng điều chế của tín hiệu. Giải pháp đưa ra có thể khả năng loại nhiều dạng điều chế tín hiệu bao gồm cả điều chế tương tự và số. Giải pháp có khả năng phân loại dạng điều chế ngay sau khi lấy mẫu tín hiệu thô thu được mà không cần phân tích lựa chọn đặc trưng trước phân loại. Các kết quả mô phỏng có so sánh với phương pháp phân loại truyền thống trên cùng một bộ dữ liệu cho thấy tính hiệu quả của giải pháp. Kết quả này mở ra hướng áp dụng tiềm năng cho phân loại và nhận dạng tín hiệu trong các lĩnh vực quân sự như tác chiến điện tử, vô tuyến nhận thức, hay bảo mật thông tin. Để áp dụng được các kết quả nghiên cứu này trên các thiết bị quân sự đòi hỏi việc tích hợp, rút gọn các thuật toán xử lý, tiến tới áp dụng trên các phần cứng tiên tiến như FPGA hoặc máy tính nhúng hiệu suất cao, đó cũng chính là hướng phát triển tiếp theo của nhóm tác giả trong thời gian tới. TÀI LIỆU THAM KHẢO [1]. Benson, B. P. Swarming Autonomous Unmanned Aerial Systems. “US Army School for Advanced Military Studies Fort Leavenworth United States”, 2018. [2]. Volkov, Vadim. "The state of democracy: comparing Russia and South Africa." interventions 7.3 (2005): 326-332. [3]. Hambling, David. WE: ROBOT: “The robots that already rule our world. Aurum Press Limited”, 2018. [4]. Zhu, Zhechen & Nandi, Asoke. (2015). “Automatic Modulation Classification: Kỹ thuật điện tử B. M. Tuấn, , V. L. Hà, “Về một giải pháp phân loại mạng nơ ron tích chập.” 124 Principles, Algorithms and Applications”. 1-163. 10.1002/9781118906507. [5]. J. Jagannath, H. M. Saarinen and A. L. Drozd, "Framework for automatic signal classification techniques (FACT) for software defined radios," 2015 IEEE Symposium on Computational Intelligence for Security and Defense Applications (CISDA), Verona, NY, 2015, pp. 1-7. [6]. Dobre, Octavia & Abdi, Ali & Su, Wei. (2007). “Survey of automatic modulation classification techniques: Classical approaches and new trends”. Communications, IET. 1. 137 - 156. 10.1049/iet-com:20050176. [7]. Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. “Deep learning”. MIT press, 2016. [8]. LeCun, Yann, Yoshua Bengio, and Geoffrey Hinton. "Deep learning." Nature 521.7553 (2015): 436-444. [9]. O'shea, Timothy J., and Nathan West. "Radio machine learning dataset generation with gnu radio." Proceedings of the GNU Radio Conference. Vol. 1. No. 1. 2016. [10]. Sokolova, Marina, and Guy Lapalme. "A systematic analysis of performance measures for classification tasks." Information processing & management 45.4 (2009): 427-437. ABSTRACT A MODULATION CLASSIFICATION AND RECOGNITION SOLUTION BASED ON COLVOLUTION NEURAL NETWORK Automatic modulation classification (AMC) and recognition have an essential role in electronic warfare. This paper presents a modulation classification and recognition method based on a convolution neural network. The simulation results show the comparable performance of the method compared to several conventional methods. The main advantage of this method is the building block for the application of neural network in AMC problem. Keywords: Deep learning; Convolution neural network; Automatic modulation classification. Nhận bài ngày 22 tháng 4 năm 2020 Hoàn thiện ngày 21 tháng 8 năm 2020 Chấp nhận đăng ngày 28 tháng 8 năm 2020 Địa chỉ: Viện Điện tử, Viện Khoa học và Công nghệ quân sự. *Email: tuanbui.mist@gmail.com.