Classificação Automática de Modulação Digital com uso de Correntropia para Ambientes de Rádio Cognitivo

Os modernos sistemas de comunicação sem fio empregam, frequentemente, técnicas adaptativas para proporcionar uma alta taxa de transmissão, enquanto asseguram qualidade de serviço (QoS) e abrangência de cobertura. Estudos recentes têm mostrado que esses sistemas podem se tornar ainda mais eficientes com a incorporação de técnicas de inteligência artificial e de conceitos de rádio definido por software. Os sistemas que seguem essa linha, conhecidos como Sistemas de Rádio Cognitivo, podem idealmente explorar de forma dinâmica e oportunística porções do espectro de frequências não utilizadas, conhecidas como buracos espectrais, com o objetivo de prover altas taxas de transmissão de dados com elevada confiabilidade e disponibilidade de serviço. A Classificação Automática de Modulação (AMC) seria uma habilidade muito útil nesses sistemas. Normalmente, as técnicas de AMC utilizam alguma forma de pré-processamento do sinal que pode introduzir um alto custo computacional ou necessitar de suposições fortes, e até mesmo imprecisas, sobre o sinal recebido. Este trabalho propõe o uso direto de uma medida de similaridade, baseada na Teoria da Informação, conhecida como coeficiente de correntropia, para extrair informações estatísticas de ordem elevada do sinal, com o objetivo de reconhecer automaticamente o formato de modulações digitais. Experimentos realizados por meio de simulação computacional demonstram que a técnica proposta neste trabalho apresenta uma alta taxa de sucesso na classificação de modulações digitais, mesmo na presença de ruído aditivo gaussiano branco (AWGN)Modern wireless systems employ adaptive techniques to provide high throughput while observing desired coverage, Quality of Service (QoS) and capacity. An alternative to further enhance data rate is to apply cognitive radio concepts, where a system is able to exploit unused spectrum on existing licensed bands by sensing the spectrum and opportunistically access unused portions. Techniques like Automatic Modulation Classification (AMC) could help or be vital for such scenarios. Usually, AMC implementations rely on some form of signal pre-processing, which may introduce a high computational cost or make assumptions about the received signal which may not hold (e.g. Gaussianity of noise). This work proposes a new method to perform AMC which uses a similarity measure from the Information Theoretic Learning (ITL) framework, known as correntropy coefficient. It is capable of extracting similarity measurements over a pair of random processes using higher order statistics, yielding in better similarity estimations than by using e.g. correlation coefficient. Experiments carried out by means of computer simulation show that the technique proposed in this paper presents a high rate success in classification of digital modulation, even in the presence of additive white gaussian noise (AWGN