Classification des modulations par l’utilisation des réseaux neuronaux profonds

Abstract

Ce mémoire traite de la problématique de classification automatique de modulations en s’appuyant sur les techniques de Deep Learning. Deux approches ont été explorées : des réseaux de neurones convolutifs (CNN) conçus manuellement et l’utilisation du transfert learning à partir du modèle SqueezeNet. Les expériences ont été menées sur la base de données RML2016a, exploitée sous trois représentations différentes : les composantes en phase et en quadrature I/Q, les images de spectrogrammes, et les images issues de la transformée de Wigner-Ville (WVD). Les résultats montrent que les architectures sont particulièrement efficaces pour les données I/Q et WVD, par rapport au spectrogramme.