طراحی و پیادهسازی شبکههای یادگیری عمیق برای تشخیص طیف در سیستمهای رادیو شناختی#python, #matlab,…
انتشار: 2026/07/02 08:56 UTC
طراحی و پیادهسازی شبکههای یادگیری عمیق برای تشخیص طیف در سیستمهای رادیو شناختی#python, #matlab, #telecommunications_engineering, #deep_learning بهصورت خلاصه، کاری که باید در این مقاله انجام شود این است که ابتدا یک دیتاست شامل سیگنالهای رادیویی (مثل RadioML 2018.01A) در شرایط مختلف SNR تولید یا آمادهسازی شود، بهطوریکه شامل سیگنالهای مدولاسیون مختلف و همچنین نویز AWGN باشد. سپس مسئله بهعنوان یک مسئله طبقهبندی دودویی (Binary Classification) مدلسازی میشود؛ یعنی شبکه باید تصمیم بگیرد که آیا طیف فرکانسی خالی است (H0) یا سیگنال کاربر اصلی وجود دارد (H1). در ادامه، یک شبکه CNN یکبعدی روی سیگنالهای I/Q طراحی و آموزش داده میشود که شامل لایههای کانولوشن، pooling، flatten، و dense است و با تابع loss از نوع Binary Cross Entropy آموزش میبیند. در برخی نسخهها نیز ساختار شبکه اصلاح میشود (اضافه شدن BatchNorm، Dropout یا Global Average Pooling) تا مشکل overfitting کاهش پیدا کند.از نظر خروجیهایی که باید به دست بیاید، مهمترین نتایج شامل نمودارهای دقت (Accuracy) و خطا (Loss) در فاز آموزش و تست، بررسی عملکرد در شرایط مختلف SNR، و همچنین منحنیهای مهم مخابراتی مثل ROC یا رابطه Probability of Detection (Pd) و Probability of False Alarm (Pfa) هستند. همچنین باید نشان داده شود که مدل پیشنهادی نسبت به روشهای کلاسیک مثل انرژیدتکشن، entropy-based و eigenvalue-based عملکرد بهتری دارد. در نهایت انتظار میرود با تغییرات معماری و تنظیم SNR، دقت مدل به حدود 85٪ تا 98٪ برسد و نشان داده شود که مدل توانایی تعمیمپذیری به سیگنالهای ناشناخته و شرایط نویزی مختلف را دارد.بدیهی است نتایج ممکن است دقیقاً مشابه مقاله نباشند، اما باید روندها و رفتارهای گزارششده در مقاله (مانند برتری مدلهای یادگیری عمیق نسبت به LS و LMMSE و عملکرد بهتر Bi-LSTM در اغلب شرایط) بهدرستی مشاهده شوند. همچنین مدلها نباید دچار overfitting یا underfitting شدید باشند و رفتار آموزش باید پایدار و قابل دفاع باشد و نتایج و تصاویر با کیفیت باشند.کد نهایی باید بهصورت کامل و قابل اجرا (ترجیحاً در قالب Jupyter Notebook) ارائه شود و شامل تمامی بخشهای تولید داده، آموزش مدلها و رسم نمودارها باشد. همچنین در تمام بخشهای کد باید توضیحات (کامنتگذاری کامل و قابل فهم) درج شود تا منطق پیادهسازی کاملاً مشخص باشد.از ایجاد خروجی غیر واقعی (ساخت منحنی جعلی) حتماً و اکیداً اجتناب شده و تمامی خروجیها باید مستقیماً حاصل اجرای مدل و دادههای واقعی باشند.جهت اطمینان از درستی کدها، مجدداً شخصاً کدها قبل از پذیرش پروژه اجرا خواهند شد و نباید هیچگونه خطا (Error) در اجرا مشاهده شود و یا خروجی اشتباه تولید گردد. توسط خریدار: کاربر367222اطلاعات بیشتر:parscoders.com/project/610028/%D8%B7%D8%B…