Về một giải pháp phân loại và nhận dạng điều chế tín hiệu vô tuyến sử dụng mạng nơ ron tích chập

Kỹ thuật điện tử 
B. M. Tuấn, , V. L. Hà, “Về một giải pháp phân loại  mạng nơ ron tích chập.” 114 
VỀ MỘT GIẢI PHÁP PHÂN LOẠI VÀ NHẬN DẠNG ĐIỀU CHẾ 
TÍN HIỆU VÔ TUYẾN SỬ DỤNG MẠNG NƠ RON TÍCH CHẬP 
Bùi Minh Tuấn*, Nguyễn Phú Giang, Trần Công Thìn, 
Đỗ Doanh Điện, Vũ Lê Hà
Tóm tắt: Phân loại và nhận dạng điều chế tín hiệu là một khâu quan trọng trong 
trinh sát vô tuyến. Bài báo trình bày một phương pháp nhận dạng tín hiệu mới dựa 
trên một trong những công cụ học sâu, mạng nơ ron tích chập, giảm độ phức tạp 
tính toán và nâng cao độ chính xác khi nhận dạng điều chế tín hiệu. Bài báo phân 
tích, so sánh phương pháp đề xuất và các phương pháp dùng hệ chuyên gia truyền 
thống. Các kết quả mô phỏng chứng minh hiệu quả của giải pháp so sánh với các 
giải pháp truyền thống dựa trên độ chính xác của việc phân loại dạng điều chế của 
tín hiệu thu được. Ưu điểm của giải pháp kỹ thuật này mở ra hướng áp dụng mạng 
nơ ron cho việc nâng cao hiệu quả của bài toán nhận dạng tín hiệu. 
Từ khóa: Học sâu; Mạng nơ ron tích chập; Phân loại dạng điều chế tín hiệu. 
1. ĐẶT VẤN ĐỀ 
Trí tuệ nhân tạo (AI-Artificial Intelligence) là một trong những công nghệ được 
quan tâm nhất hiện nay, đây là công nghệ trọng tâm, nền tảng của cách mạng công 
nghiệp 4.0. Các ứng dụng AI vào cuộc sống đã và đang phát triển mạnh mẽ và đạt 
hiệu quả cao trong các lĩnh vực như xử lý ngôn ngữ tự nhiên, xử lý ảnh, robot, 
Trong lĩnh vực quân sự, các cường quốc như Mỹ, Nga, đã và đang đầu tư, phát 
triển các hệ thống vũ khí trang bị áp dụng AI như các hệ thống tàu thuyền, máy 
bay không người lái (Sea Hunter, UCAV X47,), hay hệ thống tấn công bán tự 
động của Nga [1-3]. Việc nghiên cứu áp dụng AI vào trong lĩnh vực quân sự đang 
là một xu hướng phổ biến trong quân đội các nước trên thế giới. 
Trong các ứng dụng thông tin vô tuyến, tự động phát hiện dạng điều chế tín hiệu 
(Automatic Modulation Classification: AMC) là khâu quan trọng đối với cả mục 
đích bảo mật và trinh sát thông tin. Đối với mục đích bảo mật, dạng điều chế tín 
hiệu có thể được sử dụng nhằm mã hóa làm cho máy thu không khôi phục được dữ 
liệu khi không xác định chính xác dạng điều chế. Ngược lại, đối với thu chặn thông 
tin, cần thiết phải xác định chính xác dạng điều chế được sử dụng ở bên phát, nhằm 
giải điều chế thông tin một cách chính xác (hình 1) [4]. 
Mô đun nhận 
dạng điều chế
Khôi phục 
tín hiệu
Giải mã Giải điều chế
Tra cứu địa lý
(Electronic 
Maper)
Phát hiện tín 
hiệu
Antenna
Hình 1. Mô hình AMC trong hệ thống trinh sát điện tử. 
Cho đến nay có nhiều hướng nghiên cứu về AMC, được chia làm hai nhóm giải 
pháp chính là dựa trên tỷ lệ hợp lẽ cực đại (Maximum Likely Hood Based: MLB) 
và dựa trên đặc trưng (Feature Based: FB). Phương pháp MLB là phương pháp có 
độ chính xác cao, tuy nhiên, cũng yêu cầu năng lực tính toán mạnh mẽ. Để giảm độ 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020 115 
phức tạp tính toán, các giải pháp cải tiến dựa trên MLB được nghiên cứu như 
Average Likelihood Ratio Test (ALRT), Generalized Likelihood Ratio Test 
(GLRT), và Hybrid Likelihood Ratio Test (HLRT) [5]. Nhóm giải pháp FB dựa 
trên các đặc trưng tức thời của tín hiệu như biên độ, pha, tần số để phân loại các 
nhóm tín hiệu điều chế. Ưu điểm của nhóm giải pháp này là độ phức tạp tính toán 
thấp tuy nhiên, độ chính xác kém hơn. Các hướng nghiên cứu mới áp dụng mạng 
nơ ron nhân tạo nhiều lớp (Deep Neural Networks: DNN) cho AMC, tuy nhiên, độ 
chính xác đem lại chưa cao [6]. 
Mạng nơ ron tích chập (Convolutional Neural Networks: CNN) là một công cụ 
AI mạnh mẽ, hiệu quả trong việc tự động phân loại và nhận dạng, điều này đã 
được chứng minh trong lĩnh vực thị giác máy tính và xử lý ngôn ngữ tự nhiên [7]. 
Mục đích của bài báo là khai thác ưu điểm của mạng CNN trong trích chọn các dữ 
liệu có cấu trúc để giảm độ phức tạp tính toán và nâng cao độ chính xác của hệ 
thống. Hình 2 so sánh nhóm giải pháp truyền thống bao gồm cả FB và MLB và 
giải pháp dựa trên CNN. Giải pháp truyền thống yêu cầu phải có phân tích lựa 
chọn đặc trưng của dữ liệu trước khi phân loại. Trong khi đó, giải pháp dựa trên 
CNN không cần bước tiền xử lý trên. 
Phân loại
Tín hiệu thu 
được số hóa
Phân loại qua
mạng CNN
Tín hiệu thu 
được số hóa
Phân tích,
lựa chọn đặc trưng
Dạng điều chế
Dạng điều chế
Giải pháp truyền thống MLB và FB
Giải pháp dùng CNN
Hình 2. So sánh giải pháp AMC truyền thống với dùng mạng CNN. 
Trọng tâm của giải pháp là chọn bộ dữ liệu, xây dựng cấu trúc mạng và hàm 
mục tiêu (loss function) phù hợp. Đóng góp chính của bài báo là đưa ra giải pháp 
có thể phân loại nhiều dạng điều chế cùng lúc mà không cần bước tiền xử lý như 
các nhóm giải pháp trước đây. 
Phần còn lại của bài báo được tổ chức như sau: mục 2 bài báo trình bày cơ sở lý 
thuyết về mạng nơ ron tích chập và phương pháp triển khai áp dụng lý thuyết vào 
bài toán phân loại dạng điều chế tín hiệu, mục 3 giới  ... rận trọng số, độ 
lệch (bias) và hàm kích hoạt (activation function). Trong lớp nơ ron thứ l thì bộ 
tham số {W ,b }l l l sẽ được cập nhật trong quá trình huấn luyện/học để tối ưu 
mạng. Một số dạng hàm kích hoạt phổ biến được trình bày trong bảng 1 [4]. 
Bảng 1. Các loại hàm kích hoạt. 
Dạng hàm kích hoạt ( )x Miền giá trị đầu ra 
Tuyến tính x ( , ) 
ReLU (rectified linear unit) max (0, x ) [0, ) 
tanh tanh( )x ( 1, 1) 
sigmoid 
1
1 xe 
 (0,1) 
softmax 
x
j
x
jj
e
e
 (0,1) 
Dữ liệu cho quá trình huấn luyện mạng được gán nhãn thành các cặp đầu vào - 
đầu ra tương ứng *0, ,(r , r )i L i , 1,...,i S với S là số véc tơ dữ liệu đầu vào và đầu 
ra/nhãn được biết trước. Mục tiêu của việc huấn luyện là tối thiểu sai số việc phân 
loại hay làm cho dữ liệu đầu ra của mạng giống với nhãn được gán nhất qua tối 
thiểu hàm mất mát (loss function): 
*
, ,
1
1
( ) (r , r )
S
L i L i
i
L
S

  (6) 
Trong đó, (u, v) : L LN N là hàm mất mát trên từng nhãn, ,rL i là đầu ra 
của mạng khi đầu vào là 0,r i . Các dạng hàm mất mát phổ biến như sai số toàn 
Kỹ thuật điện tử 
B. M. Tuấn, , V. L. Hà, “Về một giải pháp phân loại  mạng nơ ron tích chập.” 118 
phương trung bình (MSE), và entropy chéo (cross entropy). Để tối thiểu hàm mất 
mát, như đã nói ở trên, bộ tham số 1θ ( ,..., )L  được điều chỉnh bằng phương 
pháp đạo hàm ngược được biểu diễn như sau: 
1 ( )t t tL     (7) 
Yêu cầu của bài toán phân loại là đầu ra của lớp cuối sẽ là các giá trị thể hiện 
xác suất để đầu vào cần phân loại rơi vào đúng nhóm đã gán nhãn với đầu vào đó. 
Để thỏa mãn yêu cầu trên, hàm kích hoạt softmax (bảng 1) sẽ được sử dụng tại lớp 
nơ ron cuối cùng. Điều này đảm bảo cho đầu ra là các giá trị có tổng bằng 1 và 
theo đúng thứ tự của đầu vào. Đầu ra có giá trị lớn nhất thuộc nhóm nào tương ứng 
với xác suất đối tượng đầu vào thuộc nhóm đó cao nhất. 
 2.2. Phân loại và nhận dạng điều chế của tín hiệu dựa trên mạng CNN 
2.2.1. Phương pháp tạo dữ liệu 
Trong các phương pháp sử dụng CNN, dữ liệu cho huấn luyện/học đóng vai trò 
quan trọng, quyết định độ chính xác phân loại và nhận dạng điều chế. Phương pháp 
tạo dữ liệu được thể hiện trên hình 5, các khối được xây dựng trên nền tảng vô 
tuyến định nghĩa phần mềm (SDR – Software Define Radio), thuận tiện cho việc 
điều chỉnh các tham số [9]. 
Trong đó, tín hiệu băng gốc bao gồm tín hiệu điều chế số hoặc tương tự, được 
đưa qua khối tạo dạng xung với bộ lọc cosin nâng hệ số uốn (raised-cosine filter), 
khối nội suy, trộn tần, pha đinh, tạp âm trắng cộng tính (AWGN). Kênh truyền H 
là kênh Rayleigh, hệ số uốn có phân bố đều trong khoảng (0,1). Tín hiệu sau đó đã 
bao gồm ảnh hưởng của kênh truyền được lấy mẫu, và số hóa dưới dạng hai thành 
phần đồng pha I và trực pha Q. 
Định dạng
Xung tín hiệu
Điều chế số 
hoặc tương tự
Nội suy
Tín hiệu 
băng gốc
Trộn tần
Kênh truyền
H
Tạp âm 
AWGN
Hệ số uốn α 
Tần số sóng 
mang
Tín hệu cho 
huấn luyện
Hình 5. Mô hình tạo dữ liệu cho huấn luyện. 
Dữ liệu sau đó được lưu dưới dạng mảng số thực có chiều 2 N với một chiều 
là giá trị I, Q và một chiều là số điểm lấy mẫu theo thời gian N. 
2.2.2. Huấn luyện mạng CNN cho nhận dạng điều chế tín hiệu 
Kiến trúc mạng CNN sử dụng được thể hiện trên hình 6 bao gồm M lớp trong 
đó K lớp tích chập và L lớp nơ ron nối kín. Hàm kích hoạt ở các lớp là ReLu trừ 
lớp cuối với hàm kích hoạt softmax trước khi cho các giá trị đầu ra là vec tơ đơn vị 
(one-hot vec tơ). Dữ liệu đầu vào mạng là mảng kích thước 2 N . Các lớp tích 
chập được ký hiệu dưới dạng mảng 3 chiều ( k k kF R C ), 1,...,Kk . Trong đó: 
kF , kR , kC lần lượt là số cửa sổ trượt hay kernel, số dòng và số cột của đầu ra 
tương ứng của lớp tích chập thứ k. Đối với tầng nối kín, véc tơ đơn vị đầu ra tại lớp 
cuối cùng sẽ có số phần tử bằng với số nhóm cần phân loại. 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020 119 
1x11
.
.
..
.
.
Các mẫu 
dạng I, Q
Kích thước 
2x128
 I, 
í t 
.
.
.
 64x1x3 
 80x2x3 
.
.
...
.
..
.
1x128
Dạng điều 
chế
 i 
k k kF R C 
Hình 6. Kiến trúc mạng CNN cho phân loại dạng điều chế tín hiệu. 
3. MÔ PHỎNG, TÍNH TOÁN, THẢO LUẬN 
Mô hình mô phỏng cho huấn luyện/học các đặc trưng các dạng điều chế và phân 
loại dạng điều chế được mô tả trên hình 7. Bộ dữ liệu đầu vào dạng I, Q chuẩn hóa 
của nhiều dạng điều chế được chia làm hai phần cho huấn luyện mạng và kiểm tra độ 
chính xác của mô hình. Mô hình sau huấn luyện mạng với giá trị hàm mất mát nhỏ 
nhất được lưu lại cho quá trình kiểm tra. Bộ dữ liệu kiểm tra được đưa vào để đánh 
giá độ chính xác của mô hình phân loại theo phương pháp mô phỏng Monte Carlo. 
Mạng nơ ron 
tích chập
Quyết định dạng 
điều chế và đưa 
ra độ chính xác
Dữ liệu huấn luyện 
được gán nhãn 
Mô hình có lỗi 
nhỏ nhất
Dữ liệu mới được 
gán nhãn cho việc 
kiểm tra
Tín hiệu I, Q sau lấy mẫu
 (165000 mẫu tín hiệu I, Q)
Tín hiệu I, Q mới sau lấy mẫu
(55000 mẫu tín hiệu I, Q) 
Chưa đạt 
yêu cầu
Đạt theo 
yêu cầu
Lưu lại mô hình
Có độ chính xác 
tốt nhất
Đạt theo 
yêu cầu
Chưa đạt 
yêu cầu
Hiệu chỉnh 
tham số mạng
Hình 7. Mô hình mô phỏng huấn luyện mạng và thử nghiệm. 
3.1. Dữ liệu mô phỏng 
Nhóm tác giả lựa chọn bộ dữ liệu sử dụng trong bài báo là bộ dữ liệu 
RADIOML 2016.10A được công bố trong công trình [9]. Bộ dữ liệu được tạo trên 
nền tảng SDR và bộ công cụ mã nguồn mở GNU Radio. Trong đó, 11 dạng điều 
chế được tạo bao gồm 8 dạng điều chế số và 3 dạng điều chế tương tự phổ biến 
trong các hệ thống truyền tin không dây bao gồm: BPSK, QPSK, 8PSK, 16QAM, 
64QAM, BFSK, CPFSK, PAM4 (dạng điều chế số), và WB-FM, AM-SSB, AM-
DSB (điều chế tương tự) như hình 8. Dữ liệu được tạo với tốc độ 8 mẫu trên một 
ký tự (symbol). 
Kỹ thuật điện tử 
B. M. Tuấn, , V. L. Hà, “Về một giải pháp phân loại  mạng nơ ron tích chập.” 120 
Hình 8. Các dạng điều chế trong RADIOML 2016.10ª. 
Bộ dữ liệu được dùng bao gồm 220 000 mảng bao gồm 11 dạng điều chế. Trong 
đó, mỗi dạng điều chế bao gồm các mẫu có tỷ lệ tín /tạp (SNR) từ -20dB đến 
20dB. Dữ liệu được đóng gói dưới dạng mảng 4 chiều (N_e × N_c × D_1 × D_2). 
Trong đó, N_e là số ví dụ về dạng điều chế với các mức công suất phát khác nhau, 
N_c = 1000, D_1 = 2 là các giá trị thực của hai thành phần I và Q, và D_2 = 128 là 
số điểm lấy mẫu trên miền thời gian (hình 9). 
Hình 9. Cấu trúc dữ liệu với các mức SNR khác nhau . 
3.2. Phương pháp, công cụ mô phỏng 
Bài báo so sánh kết quả các giải pháp phân loại theo phương pháp truyền thống 
làm tiêu chuẩn đánh giá bao gồm: Suport Vector Machine (SVM), cây quyết định 
(Dectrees), Naive Bayes và DNN (4 lớp nối kín) với giải pháp đề xuất. Dữ liệu sử 
dụng cùng một bộ dữ liệu đề cập ở trên. Mạng CNN đề xuất có 4 lớp nối tiếp nhau 
theo thứ tự: lớp tích chập 1 (64x1x3), lớp tích chập 2 (80x2x3), lớp nối kín 1 có 
128 nơ ron, và lớp phân loại có 11 nơ ron tương ứng 11 dạng điều chế (hình 6). 
Hàm kích hoạt tại các lớp là ReLu trừ lớp cuối sử dụng hàm softmax. 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020 121 
Chương trình mô phỏng mạng CNN viết trên ngôn ngữ lập trình Python. Cấu 
hình mạng nơ ron tích chập và truy xuất dữ liệu được thực hiện thông qua bộ công 
cụ cho học sâu là Tensor Flow, Keras với thư viện Pickle. Nhóm tác giả chia 165 
000 mẫu để huấn luyện mạng và 55 000 mẫu cho kiểm tra (hình 7). Độ chính xác 
thu được thông qua phương pháp mô phỏng Monte-Carlo. 
Để biểu diễn độ chính xác của các hệ thống phân loại việc phân loại bài báo sử 
dụng normalized confusion (NCM) hay ma trận nhầm lẫn chuẩn hóa [10] để thể 
hiện độ chính xác của thuật toán phân loại. Trong đó, ma trận nhầm lẫn (chưa 
chuẩn hóa) là một ma trận thể hiện có bao nhiêu điểm dữ liệu thực sự thuộc vào 
một nhóm và được dự đoán là rơi vào một nhóm. Chuẩn hóa được thực hiện bằng 
cách lấy mỗi phần tử của ma trận chưa chuẩn hóa chia cho tổng các phần tử trên 
hàng đó. Như vậy, tổng các phần tử trên một hàng của NCM luôn bằng 1. Ví dụ 
trên hình 10 cho ta thấy NCM mang nhiều thông tin hơn khi chưa chuẩn hóa. Với 
các bài toán phân loại nhiều lớp dữ liệu, cách biểu diễn của NCM thường thông 
qua màu sắc, các ô màu đậm thể hiện các giá trị cao và ngược lại. 
3.3. Kết quả mô phỏng và thảo luận 
3.3.1. Độ chính xác phân loại 
Hình 10 so sánh độ chính xác phân loại giữa các giải pháp tính trung bình trên 
tất cả các mẫu trong bộ dữ liệu theo các mức SNR. 
SNR
Đ
ộ
 c
h
ín
h
 x
ác
 p
h
ân
 lo
ại
Hình 10. Độ chính xác phân loại theo SNR. 
Trong đó, các đường nét đứt thể hiện cho nhóm giải pháp dựa trên việc phân 
loại theo đặc trưng truyền thống. Nhóm đường nét liền thể hiện cho giải pháp đề 
xuất dùng mạng CNN và DNN. Để tránh huấn luyện quá khớp (over fitting), các 
hệ số Dropout được đưa vào khi huấn luyện mạng. Nhận xét thấy mô đun phân loại 
đề xuất cho độ chính xác vượt trội ở mức SNR=-3dB, xấp xỉ 0.90 so với 0.83 tại 
(tương đương 90% và 83%). Hình 11 đánh giá độ chính xác phân loại nhiều dạng 
điều chế dựa trên mạng CNN với SNR = 16dB. Ta thấy với cách biểu diễn kết quả 
trên NCM, màu sắc đường chéo ma trận càng đậm trong khi các vùng khác trong 
ma trận khác càng nhạt (“sạch”) thì độ chính xác của mô đun phân loại càng cao. 
Kỹ thuật điện tử 
B. M. Tuấn, , V. L. Hà, “Về một giải pháp phân loại  mạng nơ ron tích chập.” 122 
Hình 11. Độ chính xác của mô đun phân loại CNN tại SNR = 16dB. 
Kết quả cho thấy ngoại trừ 8PSK và WBFM, độ chính xác ở các dạng điều chế 
khác đều trên 90%. Đối với SNR thấp tại SNR = -6dB, phương pháp dùng CNN 
thể hiện độ chính xác phân loại tương đương và đạt được độ chính xác trên 90% 
với PAM, 16QAM, 64QAM khi so sánh với giải pháp SVM (hình 12, hình 13). 
Hình 12. Độ chính xác phân loại dạng điều chế bằng phương pháp CNN, DNN. 
Hình 13. Độ chính xác phân loại dạng điều chế 
bằng phương pháp SVM, Decision tree (Dectree). 
Độ đậm của đường chéo và độ “sạch” của các vùng khác trong ma trận NCM 
của mô đun phân loại CNN cũng tốt hơn. 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020 123 
3.3.2. Độ phức tạp tính toán của giải pháp 
Độ phức tạp của giải pháp thể hiện qua thời gian huấn luyện và thời gian phân 
loại khi mô hình đã huấn luyện xong. Bảng 2 so sánh thời gian huấn luyện và thời 
gian đưa ra kết quả phân loại như hình 9 trên cùng một phần cứng CPU core i7 8th, 
card màn hình Nividia GeForce® GTX 1080Ti. 
Bảng 2. Thời gian trung bình huấn luyện và phân loại giữa các phương pháp. 
Bộ phân lọai Thời gian huấn luyện 
 trung bình (s) 
Thời gian phân loại (s) 
(cho batch size 1000) 
SVM 3500 11.5 
Dectrees 7 0.01 
DNN (4 lớp nối kín ) 1.5 20.6 
CNN 836 0.025 
Từ bảng 2 ta thấy, giải pháp Dectrees có thời gian huấn luyện và phân loại 
nhanh nhất tương ứng độ phức tạp thấp nhất. Giải pháp DNN cho thời gian huấn 
luyện nhanh nhưng thời gian thực thi với mô hình sau đó lại có độ trễ lớn. SVM 
cho thời gian huấn luyện lớn nhất và phân loại chỉ nhanh hơn DNN. Giải pháp 
CNN cho thời gian phân loại nhanh chỉ sau Dectrees tuy nhiên, độ chính xác vượt 
trội (hình 11). Qua phân tích trên phương pháp dùng mạng CNN cho phân loại và 
nhận dạng điều chế tín hiệu đã đảm bảo được tính chính xác cao và giảm được độ 
độ phức tạp tính toán so với các giải pháp truyền thống. 
4. KẾT LUẬN 
Bài báo đã giới thiệu lý thuyết, đồng thời đề xuất áp dụng mạng CNN vào phân 
loại nhận dạng điều chế của tín hiệu. Giải pháp đưa ra có thể khả năng loại nhiều 
dạng điều chế tín hiệu bao gồm cả điều chế tương tự và số. Giải pháp có khả năng 
phân loại dạng điều chế ngay sau khi lấy mẫu tín hiệu thô thu được mà không cần 
phân tích lựa chọn đặc trưng trước phân loại. Các kết quả mô phỏng có so sánh với 
phương pháp phân loại truyền thống trên cùng một bộ dữ liệu cho thấy tính hiệu 
quả của giải pháp. 
Kết quả này mở ra hướng áp dụng tiềm năng cho phân loại và nhận dạng tín 
hiệu trong các lĩnh vực quân sự như tác chiến điện tử, vô tuyến nhận thức, hay bảo 
mật thông tin. Để áp dụng được các kết quả nghiên cứu này trên các thiết bị quân 
sự đòi hỏi việc tích hợp, rút gọn các thuật toán xử lý, tiến tới áp dụng trên các phần 
cứng tiên tiến như FPGA hoặc máy tính nhúng hiệu suất cao, đó cũng chính là 
hướng phát triển tiếp theo của nhóm tác giả trong thời gian tới. 
TÀI LIỆU THAM KHẢO 
[1]. Benson, B. P. Swarming Autonomous Unmanned Aerial Systems. “US Army 
School for Advanced Military Studies Fort Leavenworth United States”, 2018. 
[2]. Volkov, Vadim. "The state of democracy: comparing Russia and South 
Africa." interventions 7.3 (2005): 326-332. 
[3]. Hambling, David. WE: ROBOT: “The robots that already rule our world. 
Aurum Press Limited”, 2018. 
[4]. Zhu, Zhechen & Nandi, Asoke. (2015). “Automatic Modulation Classification: 
Kỹ thuật điện tử 
B. M. Tuấn, , V. L. Hà, “Về một giải pháp phân loại  mạng nơ ron tích chập.” 124 
Principles, Algorithms and Applications”. 1-163. 10.1002/9781118906507. 
[5]. J. Jagannath, H. M. Saarinen and A. L. Drozd, "Framework for automatic 
signal classification techniques (FACT) for software defined radios," 2015 
IEEE Symposium on Computational Intelligence for Security and Defense 
Applications (CISDA), Verona, NY, 2015, pp. 1-7. 
[6]. Dobre, Octavia & Abdi, Ali & Su, Wei. (2007). “Survey of automatic 
modulation classification techniques: Classical approaches and new trends”. 
Communications, IET. 1. 137 - 156. 10.1049/iet-com:20050176. 
[7]. Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. “Deep learning”. 
MIT press, 2016. 
[8]. LeCun, Yann, Yoshua Bengio, and Geoffrey Hinton. "Deep 
learning." Nature 521.7553 (2015): 436-444. 
[9]. O'shea, Timothy J., and Nathan West. "Radio machine learning dataset 
generation with gnu radio." Proceedings of the GNU Radio Conference. Vol. 
1. No. 1. 2016. 
[10]. Sokolova, Marina, and Guy Lapalme. "A systematic analysis of performance 
measures for classification tasks." Information processing & 
management 45.4 (2009): 427-437. 
ABSTRACT 
A MODULATION CLASSIFICATION AND RECOGNITION SOLUTION 
BASED ON COLVOLUTION NEURAL NETWORK 
 Automatic modulation classification (AMC) and recognition have an 
essential role in electronic warfare. This paper presents a modulation 
classification and recognition method based on a convolution neural network. 
The simulation results show the comparable performance of the method 
compared to several conventional methods. The main advantage of this method 
is the building block for the application of neural network in AMC problem. 
Keywords: Deep learning; Convolution neural network; Automatic modulation classification. 
Nhận bài ngày 22 tháng 4 năm 2020 
Hoàn thiện ngày 21 tháng 8 năm 2020 
Chấp nhận đăng ngày 28 tháng 8 năm 2020 
Địa chỉ: Viện Điện tử, Viện Khoa học và Công nghệ quân sự. 
*Email: tuanbui.mist@gmail.com.