Motivated by the fact that moments of the received signal are easy to compute and can provide a simple way to automatically classify the modulation of the transmitted signal, we propose a hybrid method for automatic modulation classification that lies in the intersection between likelihood-based and feature-based classifiers. Specifically, the proposed method relies on statistical moments along with a maximum likelihood engine. We show that the proposed method offers a good trade-off between classification accuracy and complexity relative to the maximum likelihood classifier. Furthermore, our classifier outperforms state-of-the-art machine learning classifiers, such as genetic programming-based K-nearest neighbor classifiers, the linear support vector machine classifier and the fold-based Kolmogorov-Smirnov algorithm.
Égalisation dans la Communication par Fibre Optique en Utilisant des Réseaux Neuronaux Basés sur des Modèles: Répondre à la demande croissante de transmission de données à haute vitesse nécessite des solutions efficaces pour atténuer la non linéarité dans les systèmes de communication optique.Les méthodes traditionnelles telles que la rétropropagation numérique (DBP) sont confrontées à d’importants défis computationnels, les rendant impraticables pour les systèmes du monde réel.Les modèles de réseaux neuronaux ont émergé comme une approche prometteuse pour résoudre ce problème. Deux approches principales existent pour la conception de réseaux neuronaux : les méthodes agnostiques au modèle et les méthodes basées sur le modèle. Les techniques agnostiques au modèle offrent de la flexibilité en termes de taille et d’hyper paramètres et peuvent être placées à différentes positions dans la chaîne de traitement du signal numérique (DSP) du récepteur. Cependant, elles exigent une taille substantielle et des données d’entraînement ´étendues pour fonctionner efficacement. En revanche, les approches basées sur le modèle emploient des réseaux neuronaux guidés par le modèle physique de la propagation du signal. Ces approches ont tendance à être plus compactes mais nécessitent une initialisation soigneuse pour une généralisation correcte. Une technique basée sur le modèle de premier plan est la rétropropagation numérique apprise (LDBP), qui optimise les paramètres DBP à l’aide de réseaux neuronaux.LDBP promet des performances améliorées ou une complexité réduite par rapport à DBP. Cette étude se concentre principalement sur LDBP, introduisant des simplifications par le biais du ”partage de paramètres” pour réduire les paramètres entraînables.De plus, nous proposons de réaffecter les systèmes hérités à gestion de la dispersion (DM) en incorporant des formats de modulation d’ordre supérieur tels que 16-QAM et 64-QAM pour améliorer les débits de données au sein de ces systèmes. Une analyse approfondie des performances et de la complexité démontre que les algorithmes proposés surpassent l’égalisation linéaire et DBP dans divers systèmes de transmission.