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

Kỹ thuật điện tử

VỀ MỘT GIẢI PHÁP PHÂN LOẠI VÀ NHẬN DẠNG ĐIỀU CHẾ
TÍN HIỆU VÔ TUYẾN SỬ DỤNG MẠNG NƠ RON TÍCH CHẬP
Bùi Minh Tuấn*, Nguyễn Phú Giang, Trần Công Thìn,
Đỗ Doanh Điện, Vũ Lê Hà
Tóm tắt: Phân loại và nhận dạng điều chế tín hiệu là một khâu quan trọng trong
trinh sát vô tuyến. Bài báo trình bày một phương pháp nhận dạng tín hiệu mới dựa
trên một trong những công cụ học sâu, mạng nơ ron tích chập, 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].
Khôi phục
tín hiệu

Giải mã

Giải điều chế

Mô đun nhận
dạng điều chế

Phát hiện tín
hiệu

Antenna

Tra cứu địa lý
(Electronic
Maper)

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
114

B. M. Tuấn, …, V. L. Hà, “Về một giải pháp phân loại … mạng nơ ron tích chập.”

Nghiên cứu khoa học công nghệ

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.
Giải pháp truyền thống MLB và FB
Tín hiệu thu
được số hóa

Phân tích,
lựa chọn đặc trưng

Phân loại

Dạng điều chế

Giải pháp dùng CNN
Tín hiệu thu
được số hóa

Phân loại qua
mạng CNN

Dạng điều chế

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
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020

115

Kỹ thuật điện tử

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.

Lớp pooling

Lớp tích chập

Lớp tích chập và tổng hợp (pooling)

Tầng nối kín ra và quyết định

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:

Qf 

ab

, với f  1,..., F , X 

nm

, Yf 

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.
a 1

Yi ,fj  
k 0

b 1

Q
l 0

f
a  k ,b  l

X 1 s (i 1)k ,1 s ( j 1)l

(2)

Trong đó, s  1 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:

n  a  2
m  b  2
, m  1  
n  1  
(3)


s
s



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:
X i , j  0 i  1, n j  1, 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 f (r0 ; ) : N0  NL ánh xạ dữ liệu đầu vào và đầu ra có dạng

véc tơ tương ứng là r0 
116

N0

và rL 

NL

. Việc này được thực hiện qua L vòng lặp

B. M. Tuấn, …, V. L. Hà, “Về một giải pháp phân loại … mạng nơ ron tích chập.”


Nghiên cứu khoa học công nghệ

tương đương với việc lan truyền dữ liệu qua từng lớp với:
rl  f (rl 1;l ) , f (rl 1;l )   (Wl rl 1  bl ) , l  1, 2,..., L

(5)

1×1+0×0+0×1+1×0+1×1+0×01×1+1×0+1×1= y = 4

Dữ liệu vào X

Bộ lọc Q

Dữ liệu ra Y=X*Q

Hình 4. Quan hệ đầu vào và đầu ra lớp tích chập.
Trong đó, bộ tham số θ  (1 ,..., L ) với l  {Wl , bl } là các tham số huấn luyện
cho toàn mạng. Với Wl  Nl Nl1 , bl  Nl 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 l  {Wl , bl } 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.

 ( x)
Dạng hàm kích hoạt
Miền giá trị đầu ra
(, )
x
Tuyến tính
[0, )
max ( 0, x )
ReLU (rectified linear unit)
(1, 1)
tanh( x)
tanh
1
(0,1)
sigmoid
1  e x
e xj
(0,1)
softmax
 j e xj
Dữ liệu cho quá trình huấn luyện mạng được gán nhãn thành các cặp đầu vào đầu ra tương ứng (r0,i , r*L,i ) , i  1,..., 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):
L( ) 

Trong đó, (u, v) :

NL



NL

1 S
(r*L,i , rL,i )

S i 1



(6)

là hàm mất mát trên từng nhãn, rL ,i là đầu ra

của mạng khi đầu vào là r0,i . Các dạng hàm mất mát phổ biến như sai số toàn

Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020

117


Kỹ thuật điện tử

phương trung bình (MSE), và entropy chéo (cross entropy). Để tối thiểu hàm mất
mát, như đã nói ở trên, bộ tham số θ  (1 ,..., L ) được điều chỉnh bằng phương
pháp đạo hàm ngược được biểu diễn như sau:

t 1  t L(t )

(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.
Tín hiệu
băng gốc

Điều chế số
hoặc tương tự
Hệ số uốn α
Định dạng
Xung tín hiệu

Nội suy

Trộn tần

Kênh truyền
H

Tạp âm
AWGN

Tín hệu cho
huấn luyện

Tần số sóng
mang

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 ( F k Rk  Ck ), k 1,..., K . Trong đó:
F k , R k , C k 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.
118

B. M. Tuấn, …, V. L. Hà, “Về một giải pháp phân loại … mạng nơ ron tích chập.”


Nghiên cứu khoa học công nghệ

...

.
.
.

...

.
.
.

.
.

.

.

.
.

Các
Các mẫu
mẫu

dạng
dạng I,I, Q
Q
Kích
Kích thước
thước
2x128
2x128

Dạng
Dạng điều
điều
chế
chế

80x2x3
80x2x3

1x11
1x11

F k Rk  Ck
64x1x3
64x1x3

1x128
1x128

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.
Hiệu chỉnh
tham số mạng

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)

Dữ liệu huấn luyện
được gán nhãn

Dữ liệu mới được
gán nhãn cho việc
kiểm tra

Mạng nơ ron
tích chập

Chưa đạt
yêu cầu
Quyết định dạng
điều chế và đưa
ra độ chính xác

Đạt theo
yêu cầu
Mô hình có lỗi
nhỏ nhất

Chưa đạt
yêu cầu

Đạt theo
yêu cầu
Lưu lại mô hình
Có độ chính xác
tốt nhất

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, AMDSB (điều chế tương tự) như hình 8. Dữ liệu được tạo với tốc độ 8 mẫu trên một
ký tự (symbol).
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020

119


Kỹ thuật điện tử

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.
120

B. M. Tuấn, …, V. L. Hà, “Về một giải pháp phân loại … mạng nơ ron tích chập.”


Nghiên cứu khoa học công nghệ

Độ chính xác phân loại

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

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.
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020

121


Kỹ thuật điện tử

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.
122

B. M. Tuấn, …, V. L. Hà, “Về một giải pháp phân loại … mạng nơ ron tích chập.”


Nghiên cứu khoa học công nghệ

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
Thời gian phân loại (s)
(cho batch size 1000)
trung bình (s)
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:

Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020

123


Kỹ thuật điện tử

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:

124

B. M. Tuấn, …, V. L. Hà, “Về một giải pháp phân loại … mạng nơ ron tích chập.”