Порівняльний аналіз методів автоматичної класифікації цифрових модуляцій на основі глибинних нейронних мереж
Automatic classification of digital modulation formats (AMC) is a critical component of modern radio monitoring systems, cognitive communication platforms, and interference-resilient wireless communication systems. The rapid expansion of wideband and dynamically varying radio environments creates th...
Saved in:
| Date: | 2025 |
|---|---|
| Main Authors: | , |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
PE "Politekhperiodika", Book and Journal Publishers
2025
|
| Subjects: | |
| Online Access: | https://www.tkea.com.ua/index.php/journal/article/view/TKEA2025.3-4.33 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Technology and design in electronic equipment |
Institution
Technology and design in electronic equipment| _version_ | 1856543926974939136 |
|---|---|
| author | Horbatyi, Ivan Usatyi, Oleksandr |
| author_facet | Horbatyi, Ivan Usatyi, Oleksandr |
| author_sort | Horbatyi, Ivan |
| baseUrl_str | |
| collection | OJS |
| datestamp_date | 2026-02-07T21:03:16Z |
| description | Automatic classification of digital modulation formats (AMC) is a critical component of modern radio monitoring systems, cognitive communication platforms, and interference-resilient wireless communication systems. The rapid expansion of wideband and dynamically varying radio environments creates the need for classifiers that remain reliable across a broad range of signal-to-noise ratios (SNR). Recent advances in deep learning have significantly improved digital modulation classification performance, yet the impact of training strategies and neural-network architectures under low-SNR conditions remains insufficiently studied. This work addresses this gap by performing a comparative evaluation of two deep neural architectures — a 1D Convolutional Neural Network (CNN) and a complex-valued Residual Network — trained and tested on a large-scale dataset of digitally modulated I/Q signals.The research aimed to construct a mapping from raw time-domain I/Q sequences to discrete digital modulation labels while ensuring stability of the classifier with respect to SNR variations. Four training strategies are investigated: training at a single low SNR, training at a single high SNR, training over the full SNR range, and curriculum learning with gradually decreasing SNR. Both models are evaluated across the entire SNR interval using accuracy curves, Top-2 accuracy, and confusion matrices.The experimental results demonstrate that the complex-valued Residual Network consistently outperforms the CNN, particularly in low-SNR scenarios, and benefits most from curriculum learning. The CNN provides competitive performance at moderate and high SNR but exhibits reduced robustness in noisy conditions. The findings highlight the practical relevance of selecting appropriate architectures and training schemes for reliable modulation classification in non-ideal radio environments. The presented framework enables reproducible benchmarking and can be applied to the design of noise-resilient AMC modules in real communication systems. |
| first_indexed | 2026-02-08T08:11:00Z |
| format | Article |
| id | oai:tkea.com.ua:article-719 |
| institution | Technology and design in electronic equipment |
| language | Ukrainian |
| last_indexed | 2026-02-08T08:11:00Z |
| publishDate | 2025 |
| publisher | PE "Politekhperiodika", Book and Journal Publishers |
| record_format | ojs |
| spelling | oai:tkea.com.ua:article-7192026-02-07T21:03:16Z Comparative analysis of digital modulation classification methods based on deep neural networks Порівняльний аналіз методів автоматичної класифікації цифрових модуляцій на основі глибинних нейронних мереж Horbatyi, Ivan Usatyi, Oleksandr digital modulation classification digital signals residual neural network convolutional neural network signal-to-noise ratio deep learning noise robustness класифікація цифрових способів модуляції цифрові сигнали резидуальна нейронна мережа згорткова нейронна мережа відношення сигнал/шум глибинне навчання завадостійкість Automatic classification of digital modulation formats (AMC) is a critical component of modern radio monitoring systems, cognitive communication platforms, and interference-resilient wireless communication systems. The rapid expansion of wideband and dynamically varying radio environments creates the need for classifiers that remain reliable across a broad range of signal-to-noise ratios (SNR). Recent advances in deep learning have significantly improved digital modulation classification performance, yet the impact of training strategies and neural-network architectures under low-SNR conditions remains insufficiently studied. This work addresses this gap by performing a comparative evaluation of two deep neural architectures — a 1D Convolutional Neural Network (CNN) and a complex-valued Residual Network — trained and tested on a large-scale dataset of digitally modulated I/Q signals.The research aimed to construct a mapping from raw time-domain I/Q sequences to discrete digital modulation labels while ensuring stability of the classifier with respect to SNR variations. Four training strategies are investigated: training at a single low SNR, training at a single high SNR, training over the full SNR range, and curriculum learning with gradually decreasing SNR. Both models are evaluated across the entire SNR interval using accuracy curves, Top-2 accuracy, and confusion matrices.The experimental results demonstrate that the complex-valued Residual Network consistently outperforms the CNN, particularly in low-SNR scenarios, and benefits most from curriculum learning. The CNN provides competitive performance at moderate and high SNR but exhibits reduced robustness in noisy conditions. The findings highlight the practical relevance of selecting appropriate architectures and training schemes for reliable modulation classification in non-ideal radio environments. The presented framework enables reproducible benchmarking and can be applied to the design of noise-resilient AMC modules in real communication systems. Порівняно методи автоматичної класифікації цифрових способів модуляції радіосигналів у широкому діапазоні відношення сигнал/шум. Розглянуто дві сучасні глибинні нейронні мережі: згорткову та резидуальну з комплексними згортками, навчання яких проводилось у декількох режимах, зокрема на окремих рівнях шуму, на повному діапазоні та поетапне навчання зі зростанням складності. Представлено експериментальні результати на великому наборі радіосигналів, проаналізовано матриці змішування класів цифрових способів модуляції та залежність точності класифікації від рівня шуму. Показано переваги резидуальної мережі під час розпізнавання сигналів зі значним рівнем завад. PE "Politekhperiodika", Book and Journal Publishers 2025-12-30 Article Article Peer-reviewed Article application/pdf https://www.tkea.com.ua/index.php/journal/article/view/TKEA2025.3-4.33 10.15222/TKEA2025.3-4.33 Technology and design in electronic equipment; No. 3–4 (2025): Technology and design in electronic equipment; 33-39 Технологія та конструювання в електронній апаратурі; № 3–4 (2025): Технологія та конструювання в електронній апаратурі; 33-39 3083-6549 3083-6530 10.15222/TKEA2025.3-4 uk https://www.tkea.com.ua/index.php/journal/article/view/TKEA2025.3-4.33/652 Copyright (c) 2025 Ivan Horbatyi, Oleksandr Usatyi http://creativecommons.org/licenses/by/4.0/ |
| spellingShingle | класифікація цифрових способів модуляції цифрові сигнали резидуальна нейронна мережа згорткова нейронна мережа відношення сигнал/шум глибинне навчання завадостійкість Horbatyi, Ivan Usatyi, Oleksandr Порівняльний аналіз методів автоматичної класифікації цифрових модуляцій на основі глибинних нейронних мереж |
| title | Порівняльний аналіз методів автоматичної класифікації цифрових модуляцій на основі глибинних нейронних мереж |
| title_alt | Comparative analysis of digital modulation classification methods based on deep neural networks |
| title_full | Порівняльний аналіз методів автоматичної класифікації цифрових модуляцій на основі глибинних нейронних мереж |
| title_fullStr | Порівняльний аналіз методів автоматичної класифікації цифрових модуляцій на основі глибинних нейронних мереж |
| title_full_unstemmed | Порівняльний аналіз методів автоматичної класифікації цифрових модуляцій на основі глибинних нейронних мереж |
| title_short | Порівняльний аналіз методів автоматичної класифікації цифрових модуляцій на основі глибинних нейронних мереж |
| title_sort | порівняльний аналіз методів автоматичної класифікації цифрових модуляцій на основі глибинних нейронних мереж |
| topic | класифікація цифрових способів модуляції цифрові сигнали резидуальна нейронна мережа згорткова нейронна мережа відношення сигнал/шум глибинне навчання завадостійкість |
| topic_facet | digital modulation classification digital signals residual neural network convolutional neural network signal-to-noise ratio deep learning noise robustness класифікація цифрових способів модуляції цифрові сигнали резидуальна нейронна мережа згорткова нейронна мережа відношення сигнал/шум глибинне навчання завадостійкість |
| url | https://www.tkea.com.ua/index.php/journal/article/view/TKEA2025.3-4.33 |
| work_keys_str_mv | AT horbatyiivan comparativeanalysisofdigitalmodulationclassificationmethodsbasedondeepneuralnetworks AT usatyioleksandr comparativeanalysisofdigitalmodulationclassificationmethodsbasedondeepneuralnetworks AT horbatyiivan porívnâlʹnijanalízmetodívavtomatičnoíklasifíkacíícifrovihmodulâcíjnaosnovíglibinnihnejronnihmerež AT usatyioleksandr porívnâlʹnijanalízmetodívavtomatičnoíklasifíkacíícifrovihmodulâcíjnaosnovíglibinnihnejronnihmerež |