Clasificador automático de modulaciones aplicado a sistemas de guerra electrónica

Abstract

En este proyecto se ha desarrollado un clasificador automático de modulaciones basado en una red neuronal artificial (ANN). A partir de un conjunto fijo de muestras de señal, el algoritmo propuesto identifica la forma de onda más probable dentro de un subconjunto de modulaciones predefinido. Los clasificadores de modulaciones son un sistema tecnológico de interés en un amplio número de aplicaciones, tanto militares como civiles, desde la intercepción e inhibición de las comunicaciones hasta sistemas de radio cognitiva capaces de conmutar de modulación sin necesidad de un canal de retorno. Típicamente, se basan en la extracción de características de la señal capturada y a partir de estas se identifica la modulación empleando arboles de decisión y/o redes neuronales. La particularidad del clasificador que se describe en este documento reside en que trabaja con las muestras en crudo de la señal, sin obtener ningún estadístico intermedio. El clasificador desarrollado ha sido entrenado con una batería de señales centradas en frecuencia cero, donde se ha supuesto la presencia previa de un demodulador digital que elimine el error residual en la frecuencia de portadora. Además, el número de entradas de la ANN es fijo. Es decir, ante longitudes de señal mayores al número de entradas de la red, se realiza primero una clasificación individual de cada uno de los sub-bloques, y posteriormente una clasificación global basada en la anterior. El rendimiento del clasificador se ha evaluado a partir de una base de datos propia que contiene un amplio espectro de relaciones señal a ruido (SNR) y diferentes parámetros de las modulaciones anteriormente definidas. Los resultados se muestran a lo largo del documento en formato de matrices de confusión, donde se comprueba que el sistema logra una probabilidad de correcta clasificación superior al 90% para SNR ≥ 5 dB.

Throughout this project, an automatic modulation classifier based on an artificial neural network (ANN) has been developed. From a fixed set of signal samples, the proposed algorithm identifies the most probable waveform within a predefined subset of modulations (AM, FM, FSK, PSK, QAM, and OFDM). Modulation classifiers are a technological system of interest in a wide number of applications, both military and civilian, from interception and jamming of communications in hostile environments to cognitive radio systems capable of modulation switching without the need for a return channel. Typically, they are based on the extraction of characteristics of the captured signal (amplitude deviation, frequency deviation, bandwidth, ...), and from these, the modulation is identified using decision trees and/or neural networks. The particularity of the classifier described in this document lies in the fact that it works with the raw samples of the signal, without obtaining any intermediate statistics. The classifier developed has been trained with a battery of signals centered at zero frequency, where it has been assumed the prior presence of a digital demodulator that eliminates the residual error in the carrier frequency. In addition, the number of inputs to the ANN is fixed. That is, for signal lengths greater than the number of inputs in the network, an individual classification of each of the sub-blocks is performed first, followed by a global classification based on the previous one. The performance of the classifier has been evaluated based on a proprietary database containing a wide spectrum of signal-to-noise ratios (SNR) and different parameters of the previously defined modulations. The results are shown throughout the document in the form of confusion matrices, where it is shown that the classifier achieves a probability of correct classification of more than 90% for SNR ≥ 5 dB.