Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2014 / Made available in DSpace on 2015-02-05T20:26:28Z (GMT). No. of bitstreams: 1 331903.pdf: 2365363 bytes, checksum: df1d0a2c1efb5a7b665283338d74018c (MD5) Previous issue date: 2014 / A rápida expansão de comunicações sem fio tornaram o espectro de rádio frequência um recurso bastante escasso. O rádio cognitivo surgiu como uma solução viável para contornar essa dificuldade. No contexto de rádio cognitivo, o monitoramento de espectro (Spectrum Sensing (SS)) desempenha um papel fundamental. Em particular, a Classificação Automática de Modulações (Automatic Modulation Classification (AMC)) é um dos blocos computacionais que mais demanda recursos dentro do SS. Atualmente, as pesquisas em AMC concentram-se no desenvolvimento de métodos rápidos e precisos que sejam capazes de atingir o throughput exigido por aplicações contemporâneas. Alguns trabalhos recentes tem proposto o uso de histogramas do sinal de entrada como parâmetros de classificação e Máquinas de Vetores de Suporte (Support Vector Machine (SVM)) como técnica de classificação. O presente trabalho apresenta uma avaliação de tal abordagem e busca projetar arquiteturas de hardware dedicadas eficientes para AMC. Na primeira parte deste trabalho, soluções de hardware para classificação de múltiplas classes usando SVM são projetadas e avaliadas. O esquema "um contra todos melhorado" proposto apresentou uma taxa de acertos até 162% maior do que o esquema "um contra um" comumente utilizado, sendo 30;2% mais eficiente em termos de energia consumida para classificação. Na segunda parte do trabalho, o uso de histogramas em conjunto com SVM é avaliado como uma técnica de classificação cega. Isso é realizado através de experimentos que assumem que o receptor não conhece a taxa de dados do transmissor, em oposição aos trabalhos correlatos. Como outra novidade, histogramas bi-dimensionais são propostos e a taxa de acertos resultante é comparada com aquela obtida para histogramas uni-dimensionais. Os experimentos mostraram que os histogramas bi-dimensionais fornecem uma taxa de acertos ligeiramente maior a um custo de hardware equivalente. Para a classificação baseada em histogramas bi-dimensionais, os seguintes parâmetros foram avaliados: tamanho do conjunto de treino, robustez ao ruído e relação entre número de amostras e taxa de acertos. Para as condições assumidas nos experimentos conduzidos, um tamanho do conjunto de treino de 256 amostras forneceram a melhor relação entre a taxa de acertos e recursos de hardware. Em relação à robustez ao ruído, os experimentos mostraram que a taxa de acertos global é melhor adaquando as SVMs são treinadas para toda a faixa de relação sinal-ruído na qual atuarão, ao invés de treinadas para um valor específico de relação sinal-ruído. Finalmente, percebeu-se que a taxa de acertos aumenta drasticamente quando o número de amostras para classificação é maior.<br> / Abstract: The fast expansion of wireless communications made the radio frequency spectrum a quite scarce resource. Cognitive radio emerges as a viable solution to circumvent this difficulty. In the context of cognitive radio, Spectrum Sensing (SS) plays a fundamental role. In particular, Automatic Modulation Classification (AMC) is one of the most computational demanding blocks within SS. Current research in AMC focuses on developing fast and accurate methods that are able to achieve the throughput required by contemporary applications. Some recent works have proposed the use of histrograms of the input signal as classification parameters, and Support Vector Machine (SVM) as a classification technique. This work presents an evaluation of such approach looking for designing efficient dedicated hardware architectures for AMC. In the first part of the work, hardware solutions for classifying multiple classes using SVM are designed and evaluated. The proposed "enhancedone against all" scheme presented up to 162% higher accuracy than the commonly used "one against one" scheme, while consuming 30:2% less energy per classification. In the second part of the work, the use of histograms along with SVM is evaluated as a blind classification technique. This was accomplished by conducting experiments assuming that the receiver does not know the transmitted baud rate, in opposition to the correlated work. As another novelty, two-dimensional histograms are proposed and the resulting accuracy is compared to that obtained from one-dimensional histograms. The experiments showed that two-dimensional histograms provide slightly higher accuracy at equivalent hardware costs. The following parameters were evaluated for two-dimensional histogram-based classification: training set size, robustness to noise and relation between number of samples and hit rate. For the conditions assumed in the conducted experiments, a training set size of 256 samples provided the best trade-off between accuracy and hardware resources. Concerning the robustness to noise, the experiments showed that the global accuracy is improved when SVMs are trained for the whole signal-to noise range that they are supposed to operate, instead of training to a specific signal-to-noise value. Finally, it has been noticed that accuracy is drastically improved when the number of samples for classification is increased.