Reconocimiento automático de esquemas de modulación digital mediante redes neuronales convolucionales

• Autores: Cabezas, Felicitas; Romero Rodas, Agustina
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Horvath, Emiliano
• Materia: Trabajo final de grado; Telecomunicación; Red de telecomunicaciones; Redes neuronales artificiales
• Institución: Universidad Católica de Salta

En el presente trabajo se desarrolla un sistema de reconocimiento automático de modulación digital basado en redes neuronales convolucionales (CNN). El objetivo principal consiste en diseñar y entrenar un modelo capaz de identificar distintos esquemas de modulación bajo condiciones variables de ruido, evaluando su desempeño a diferentes niveles de relación señal-ruido (SNR). Para ello, se empleó el conjunto de datos RML2016.10a, que contiene señales simuladas de modulaciones digitales y analógicas, distribuidas en un rango amplio de SNR. La metodología incluyó el preprocesamiento de las señales, la implementación de una arquitectura CNN y la aplicación de técnicas de regularización y validación cruzada para optimizar el rendimiento. Los resultados muestran que la red propuesta logra tasas de precisión competitivas, especialmente en escenarios de SNR moderados y altos, mientras que en condiciones de ruido extremo la clasificación se torna más desafiante. No obstante, el modelo mantiene una capacidad de generalización que permite abordar múltiples modulaciones en un único entrenamiento. Se concluye que las CNN constituyen una herramienta eficaz para la detección de modulación digital en sistemas de comunicaciones, ofreciendo una base sólida para futuras aplicaciones en radio cognitiva y sistemas adaptativos. This work presents the development of an automatic digital modulation recognition system based on convolutional neural networks (CNNs). The main objective is to design and train a model capable of identifying different modulation schemes under variable noise conditions, evaluating its performance at different signal-to-noise ratio (SNR) levels. For this purpose, the RML2016.10a dataset was employed, which contains simulated signals of both digital and analog modulations, distributed over a wide range of SNR values. The methodology included signal preprocessing, the implementation of a CNN architecture, and the application of regularization techniques and cross-validation to optimize performance. The results show that the proposed network achieves competitive accuracy rates, especially in scenarios with moderate and high SNR, while in extreme noise conditions the classification becomes more challenging. Nevertheless, the model maintains a generalization capability that allows addressing multiple modulations within a single training process. It is concluded that CNNs constitute an effective tool for digital modulation recognition in communication systems, providing a solid foundation for future applications in cognitive radio and adaptive systems.
Fil: Horvath, Emiliano. Universidad Católica de Salta. Facultad de Ingeniería; Argentina.
Fil: Romero Rodas, Agustina. Universidad Católica de Salta. Facultad de Ingeniería; Argentina.
Fil: Cabezas, Felicitas. Universidad Católica de Salta. Facultad de Ingeniería; Argentina.