dc.contributor.author |
Chadi, Lydia |
|
dc.contributor.author |
Ainennas, Silia |
|
dc.contributor.author |
Tounsi, M. ; promoteur |
|
dc.contributor.author |
Beknadj, D.; promoteur |
|
dc.date.accessioned |
2022-10-25T07:56:40Z |
|
dc.date.available |
2022-10-25T07:56:40Z |
|
dc.date.issued |
2022 |
|
dc.identifier.uri |
http://univ-bejaia.dz/dspace/123456789/20077 |
|
dc.description |
Option : Réseaux et Télécommunications |
en_US |
dc.description.abstract |
Le travail présenté dans le cadre de ce mémoire concerne la diversité coopérative avec laquelle
nous avons utilisées les fonctions de radio intelligente qui permet aux utilisateurs de la radio cognitive
d’écouter le spectre et de y détecter les espaces blancs existants dans la reconnaissance automatique
du type de modulation et ce dans le but d’améliorer d’avantage les performances et la qualité des
transmissions.
Ce projet porte sur l’étude des performances d’un système de classification automatique de type
de modulation en utilisant une technologie récente connue sous l’appellation de l’apprentissage en
profondeur à l’aide des réseaux de neurones convolutifs comme solution liée au traitement des
données complexes. Les résultats de simulations obtenus ont démontré de meilleures performances
des solutions proposées et une grande précision de classification de différents types de modulations. |
en_US |
dc.language.iso |
fr |
en_US |
dc.publisher |
Université Abderrahmane Mira- Bejaia |
en_US |
dc.subject |
Diversité coopérative : Radio intelligente : Radio Cognitive : Deep Learning |
en_US |
dc.title |
Classification Automatique de Modulation à base du Deep Learning. |
en_US |
dc.type |
Thesis |
en_US |