{"id":344367,"date":"2023-01-24T09:00:42","date_gmt":"2023-01-24T09:00:42","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=344367"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=344367","title":{"rendered":"\u041e\u043f\u044b\u0442 \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u044f \u0433\u043b\u0443\u0431\u043e\u043a\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0434\u043b\u044f \u0438\u0434\u0435\u043d\u0442\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u0432\u0438\u0434\u043e\u0432 \u0446\u0438\u0444\u0440\u043e\u0432\u043e\u0439 \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0438 \u043f\u043e \u0441\u044b\u0440\u044b\u043c I\/Q \u043e\u0442\u0441\u0447\u0435\u0442\u0430\u043c (Keras)<\/span>"},"content":{"rendered":"
<\/div>\n
\n
\n
\n
\n
\"\u041f\u0440\u0438\u043c\u0435\u0440
\u041f\u0440\u0438\u043c\u0435\u0440 \u0434\u0438\u043d\u0430\u043c\u0438\u043a\u0438 \u0441\u043f\u0435\u043a\u0442\u0440\u0430 \u0440\u0430\u0434\u0438\u043e\u0441\u0438\u0433\u043d\u0430\u043b\u043e\u0432, \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a: arXiv:2005.06068v1. <\/figcaption><\/figure>\n

\u0412\u0412\u0415\u0414\u0415\u041d\u0418\u0415<\/h2>\n

\u00a0 \u0414\u043e \u043d\u0435\u0434\u0430\u0432\u043d\u0435\u0433\u043e \u0432\u0440\u0435\u043c\u0435\u043d\u0438 \u043e\u0434\u043d\u0438\u043c \u0438\u0437 \u043f\u043e\u043f\u0443\u043b\u044f\u0440\u043d\u044b\u0445 \u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u043e\u0432 \u0440\u0430\u0441\u043f\u043e\u0437\u043d\u0430\u0432\u0430\u043d\u0438\u044f \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0439 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043c\u0435\u0442\u043e\u0434, \u043e\u0441\u043d\u043e\u0432\u0430\u043d\u043d\u044b\u0439 \u043d\u0430 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0439 \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0435 \u043a\u0443\u043c\u0443\u043b\u044f\u043d\u0442\u043e\u0432 \u0438 \u0433\u0438\u043f\u043e\u0442\u0435\u0437\u0435 \u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u043e\u0433\u043e \u043f\u0440\u0430\u0432\u0434\u043e\u043f\u043e\u0434\u043e\u0431\u0438\u044f. \u0418\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0442\u0430\u043a\u043e\u0433\u043e \u043c\u0435\u0442\u043e\u0434\u0430 \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e \u0442\u0440\u0443\u0434\u043e\u0435\u043c\u043a\u043e \u0438 \u0442\u0440\u0435\u0431\u0443\u0435\u0442 \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e \u0433\u043b\u0443\u0431\u043e\u043a\u0438\u0445 \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043d\u044b\u0445 \u0437\u043d\u0430\u043d\u0438\u0439 \u0432 \u043f\u0440\u0435\u0434\u043c\u0435\u0442\u043d\u043e\u0439 \u043e\u0431\u043b\u0430\u0441\u0442\u0438.<\/em> <\/p>\n

\u00a0\u00a0\u00a0 \u0412 \u0434\u0430\u043b\u0435\u043a\u043e\u043c 2016 \u0433\u043e\u0434\u0443 \u043f\u0438\u043e\u043d\u0435\u0440 \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u044f \u043c\u0435\u0442\u043e\u0434\u043e\u0432 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0432 \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0435 \u0440\u0430\u0434\u0438\u043e\u0441\u0438\u0433\u043d\u0430\u043b\u043e\u0432 Timothy J. O\u2019Shea \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0438\u043b \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u0443\u044e \u0441\u0435\u0442\u044c (\u041d\u0421) \u0441 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435\u043c \u0434\u0432\u0443\u043c\u0435\u0440\u043d\u044b\u0445 \u0441\u0432\u0435\u0440\u0442\u043e\u0447\u043d\u044b\u0445 \u0441\u043b\u043e\u0435\u0432 [1], \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0445\u043e\u0440\u043e\u0448\u043e \u0441\u0435\u0431\u044f \u043f\u043e\u043a\u0430\u0437\u0430\u043b\u0438 \u043f\u0440\u0438 \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0435 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439. \u0412 \u0441\u0432\u043e\u0435\u0439 \u0441\u0442\u0430\u0442\u044c\u0435 [2] O\u2019Shea \u0443\u0442\u0432\u0435\u0440\u0436\u0434\u0430\u0435\u0442, \u0447\u0442\u043e \u0442\u0430\u043a\u0430\u044f \u041d\u0421 \u043c\u043e\u0436\u0435\u0442 \u043a\u043e\u043d\u043a\u0443\u0440\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0441 \u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u0438\u043c\u0438 \u043c\u0435\u0442\u043e\u0434\u0430\u043c\u0438 \u0430\u0432\u0442\u043e\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e \u0440\u0430\u0441\u043f\u043e\u0437\u043d\u0430\u0432\u0430\u043d\u0438\u044f \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0438 (\u0410\u0420\u041c), \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e \u043f\u0440\u0438 \u043d\u0438\u0437\u043a\u043e\u043c \u043e\u0442\u043d\u043e\u0448\u0435\u043d\u0438\u0438 \u0441\u0438\u0433\u043d\u0430\u043b\/\u0448\u0443\u043c (SNR). \u041f\u043e\u0441\u043b\u0435 \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u0438\u044f \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u043e\u0433\u043e \u043e\u043f\u044b\u0442\u0430 \u0432 \u0440\u0430\u0431\u043e\u0442\u0435 \u0441 \u043d\u0435\u0439\u0440\u043e\u043d\u043a\u0430\u043c\u0438 \u0437\u0430\u0445\u043e\u0442\u0435\u043b\u043e\u0441\u044c \u043f\u0440\u043e\u0432\u0435\u0440\u0438\u0442\u044c \u0437\u0430\u044f\u0432\u043b\u0435\u043d\u043d\u0443\u044e \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u0442\u0430\u043a\u0438\u0445 \u0441\u0438\u0433\u043d\u0430\u043b\u043e\u0432.<\/em> <\/p>\n

\u00a0\u041f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0441 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435\u043c \u041d\u0421 \u043f\u043e\u0437\u0432\u043e\u043b\u044f\u0435\u0442 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u044c \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u044e \u0432\u0438\u0434\u043e\u0432 \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0438 \u0440\u0430\u0434\u0438\u043e\u0441\u0438\u0433\u043d\u0430\u043b\u043e\u0432 \u0431\u0435\u0437 \u0433\u043b\u0443\u0431\u043e\u043a\u0438\u0445 \u0437\u043d\u0430\u043d\u0438\u0439 \u0432 \u043e\u0431\u043b\u0430\u0441\u0442\u0438 DSP. \u0414\u043b\u044f \u0441\u043e\u0437\u0434\u0430\u043d\u0438\u044f \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440\u0430 \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u0441\u0444\u043e\u0440\u043c\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043c\u0430\u0441\u0441\u0438\u0432 \u0434\u0430\u043d\u043d\u044b\u0445 (Dataset) \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f, \u0432 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c \u0441\u044b\u0440\u044b\u0435 \u0441\u0438\u043d\u0444\u0430\u0437\u043d\u044b\u0435 \u0438 \u043a\u0432\u0430\u0434\u0440\u0430\u0442\u0443\u0440\u043d\u044b\u0435 I\/Q \u043e\u0442\u0441\u0447\u0435\u0442\u044b \u0440\u0430\u0434\u0438\u043e\u0441\u0438\u0433\u043d\u0430\u043b\u0430. \u0414\u0430\u043b\u0435\u0435 \u0441\u043b\u0435\u0434\u0443\u0435\u0442 \u043f\u043e\u0434\u043e\u0431\u0440\u0430\u0442\u044c \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443 \u0441\u0435\u0442\u0438 \u0438 \u043f\u0440\u043e\u0432\u0435\u0441\u0442\u0438 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435. \u0420\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u043e\u043c \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0431\u0443\u0434\u0435\u0442 \u0444\u0430\u0439\u043b \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u043d\u044b\u0445 \u0432\u0435\u0441\u043e\u0432 \u0438 \u0444\u0430\u0439\u043b \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u044f \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u044b \u0441\u0435\u0442\u0438. \u041f\u0440\u0438 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0438 \u0441\u0435\u0442\u0438 \u043e\u0431\u044b\u0447\u043d\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442 \u043c\u0430\u0448\u0438\u043d\u0443 \u0441 \u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0439 \u043c\u043e\u0449\u043d\u043e\u0441\u0442\u044c\u044e, \u0430 \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u043d\u044b\u0439 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u0442\u044c \u043d\u0430 \u043f\u0440\u043e\u0441\u0442\u043e\u0439 \u043c\u0430\u0448\u0438\u043d\u0435<\/em>.\u00a0 <\/p>\n

\u00a0\u00a0\u00a0 \u041f\u043e\u043f\u0440\u043e\u0431\u0443\u0435\u043c \u043f\u0440\u043e\u0432\u0435\u0440\u0438\u0442\u044c \u043f\u043e\u0434\u0445\u043e\u0434 \u0433\u043b\u0443\u0431\u043e\u043a\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043d\u0430 \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0438\u0435 \u043c\u0438\u043d\u0438\u043c\u0430\u043b\u044c\u043d\u043e\u0439 \u0436\u0438\u0437\u043d\u0435\u0441\u043f\u043e\u0441\u043e\u0431\u043d\u043e\u0441\u0442\u0438 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u0434\u043b\u044f \u0434\u0435\u0432\u044f\u0442\u0438 \u0446\u0438\u0444\u0440\u043e\u0432\u044b\u0445 \u0432\u0438\u0434\u043e\u0432 \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0438: QPSK, OQPSK, P\\4QPSK, QAM-16, QAM-32, QAM-64, QAM-128, QAM256 \u0438 QAM512.<\/em>\u00a0\u00a0\u00a0 <\/p>\n

\u00a0\u00a0\u00a0 \u0421\u0442\u0430\u0442\u044c\u044f \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u0445 \u043e\u0441\u043d\u043e\u0432\u043d\u044b\u0445 \u0447\u0430\u0441\u0442\u0435\u0439:<\/em><\/p>\n

1. \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u043c\u0430\u0441\u0441\u0438\u0432\u0430 \u0434\u0430\u043d\u043d\u044b\u0445 Dataset<\/em><\/p>\n

2. \u0410\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u043e\u0439 \u0441\u0435\u0442\u0438<\/em><\/p>\n

3. \u041e\u0431\u0443\u0447\u0435\u043d\u0438\u0435, \u0442\u0435\u0441\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435, \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u044b<\/em><\/p>\n

4. \u0412\u044b\u0432\u043e\u0434\u044b<\/em><\/p>\n

1. \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 Dataset <\/strong><\/p>\n

\u0410\u0432\u0442\u043e\u0440\u0441\u043a\u0438\u0439 Dataset RADIOML 2016.10A [3] \u0441\u043e\u0441\u0442\u043e\u044f\u043b \u0438\u0437 8 \u0446\u0438\u0444\u0440\u043e\u0432\u044b\u0445 \u0438 3 \u0430\u043d\u0430\u043b\u043e\u0433\u043e\u0432\u044b\u0445 \u043d\u043e\u0440\u043c\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0445 \u0441\u0438\u0433\u043d\u0430\u043b\u043e\u0432 \u0441 \u0448\u0430\u0433\u043e\u043c \u0443\u0440\u043e\u0432\u043d\u044f SNR \u0432 1 dB. \u041d\u0430\u0448 \u043c\u0430\u0441\u0441\u0438\u0432 \u0434\u0430\u043d\u043d\u044b\u0445 \u0431\u0443\u0434\u0435\u0442 \u0441\u043e\u0441\u0442\u043e\u044f\u0442\u044c \u0442\u043e\u043b\u044c\u043a\u043e \u0438\u0437 9 \u0446\u0438\u0444\u0440\u043e\u0432\u044b\u0445 \u0441\u0438\u0433\u043d\u0430\u043b\u043e\u0432, \u0431\u0435\u0437 \u043f\u0440\u0435\u0434\u0432\u0430\u0440\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0433\u043e \u043d\u043e\u0440\u043c\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u044f, \u043f\u043e 20 \u0444\u0430\u0439\u043b\u043e\u0432 \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0432\u0438\u0434\u0430 \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0438, \u0441 \u0440\u0430\u0437\u043b\u0438\u0447\u043d\u043e\u0439 \u0441\u0438\u043c\u0432\u043e\u043b\u044c\u043d\u043e\u0439 \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u044c\u044e, \u0447\u0430\u0441\u0442\u043e\u0442\u043e\u0439 \u0434\u0438\u0441\u043a\u0440\u0435\u0442\u0438\u0437\u0430\u0446\u0438\u0438, \u0440\u0430\u0437\u043d\u044b\u043c \u0443\u0440\u043e\u0432\u043d\u0435\u043c \u0448\u0443\u043c\u0430 \u0438 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u043c \u043f\u0440\u0438\u043c\u0435\u0440\u043d\u043e \u043f\u043e 1 \u041c\u0431\u0430\u0439\u0442. <\/p>\n

\u0414\u043b\u044f \u044d\u0442\u043e\u0433\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043b\u0438\u0441\u044c \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u0435 \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u0438:<\/p>\n

— \u0432\u0435\u043a\u0442\u043e\u0440\u043d\u044b\u0439 \u0433\u0435\u043d\u0435\u0440\u0430\u0442\u043e\u0440, <\/p>\n

— \u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0435 \u0437\u0430\u043f\u0438\u0441\u0438 \u0441\u0438\u0433\u043d\u0430\u043b\u043e\u0432 \u0441 \u0440\u0430\u0437\u043d\u044b\u043c \u0443\u0440\u043e\u0432\u043d\u0435\u043c SNR,<\/p>\n

— \u0441\u043f\u0435\u0446\u0438\u0430\u043b\u044c\u043d\u0430\u044f \u043f\u0440\u043e\u0433\u0440\u0430\u043c\u043c\u0430 \u0441\u0438\u043d\u0442\u0435\u0437\u0430 I\/Q \u0441\u0438\u0433\u043d\u0430\u043b\u043e\u0432.<\/p>\n

\u041f\u0440\u0438\u0451\u043c\u043d\u0430\u044f \u0447\u0430\u0441\u0442\u044c \u0441\u043e\u0441\u0442\u043e\u044f\u043b\u0430 \u0438\u0437 \u043a\u043e\u043d\u0432\u0435\u043a\u0442\u043e\u0440\u0430 \u0432 \u041f\u0427 140 \u041c\u0413\u0446 \u0438 \u043c\u043e\u0434\u0443\u043b\u044f ADC+FPGA, \u0432\u044b\u0445\u043e\u0434\u043d\u043e\u0439 \u0444\u043e\u0440\u043c\u0430\u0442 \u0434\u0430\u043d\u043d\u044b\u0445 2 \u043f\u043e 16 \u0431\u0438\u0442 \u043d\u0430 \u043e\u0434\u0438\u043d I\/Q \u043e\u0442\u0441\u0447\u0435\u0442. \u0414\u043b\u044f \u0441\u043e\u0437\u0434\u0430\u043d\u0438\u044f \u043e\u0431\u0443\u0447\u0430\u044e\u0449\u0435\u0433\u043e \u043c\u0430\u0441\u0441\u0438\u0432\u0430 \u0438 \u0443\u0441\u0442\u0440\u0430\u043d\u0435\u043d\u0438\u044f \u0438\u043d\u0432\u0430\u0440\u0438\u0430\u043d\u0442\u043d\u043e\u0441\u0442\u0438 \u0441\u0434\u0432\u0438\u0433\u0430 \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u043b\u0430\u0441\u044c \u0430\u0443\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u044f \u0432 \u0432\u0438\u0434\u0435 \u043d\u0430\u0440\u0435\u0437\u043a\u0438 \u0441\u0435\u043c\u043f\u043b\u043e\u0432 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u043c 2 \u0445 128 \u0441 \u0448\u0430\u0433\u043e\u043c \u0432 \u043e\u0434\u0438\u043d \u043e\u0442\u0441\u0447\u0435\u0442 \u0438 \u0441\u0434\u0432\u0438\u0433\u043e\u043c \u043d\u0430\u0447\u0430\u043b\u0430 \u0432 \u0444\u0430\u0439\u043b\u0435 \u043d\u0430 8192 \u0431\u0430\u0439\u0442. \u0423\u0432\u0435\u043b\u0438\u0447\u0435\u043d\u0438\u0435 \u0440\u0430\u0437\u043c\u0435\u0440\u0430 \u0441\u0435\u043c\u043f\u043b\u0430 \u0431\u043e\u043b\u0435\u0435 2 \u0445 128 \u043d\u0435 \u0434\u0430\u043b\u043e \u0437\u043d\u0430\u0447\u0438\u043c\u043e\u0433\u043e \u043f\u0440\u0438\u0440\u043e\u0441\u0442\u0430 \u0432 \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u0438. \u00a0<\/p>\n

\u0412 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u043f\u0440\u043e\u0432\u0435\u0440\u043e\u0447\u043d\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445 \u0431\u0443\u0434\u0435\u0442 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c\u0441\u044f \u043c\u0430\u0441\u0441\u0438\u0432 \u043e\u0442 \u043d\u0430\u0447\u0430\u043b\u0430 \u0434\u043e 8192 \u0431\u0430\u0439\u0442\u0430, \u0438 \u0432 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0438 \u043e\u043d \u043d\u0435 \u0431\u0443\u0434\u0435\u0442 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c\u0441\u044f. \u0421\u0443\u043c\u043c\u0430\u0440\u043d\u044b\u0439 \u0440\u0430\u0437\u043c\u0435\u0440 Dataset \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0441\u044f X =(5400000,2,128) \u0441\u0435\u043c\u043f\u043b\u043e\u0432 \u0438\u043b\u0438 \u043f\u043e 600000 \u043d\u0430 \u043a\u0430\u0436\u0434\u044b\u0439 \u0432\u0438\u0434 \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0438. \u041c\u0430\u0441\u0441\u0438\u0432 \u043c\u0435\u0442\u043e\u043a Y =(5400000,9) \u0441\u0444\u043e\u0440\u043c\u0438\u0440\u043e\u0432\u0430\u043d \u0432 \u0444\u043e\u0440\u043c\u0430\u0442\u0435 ohe (One Hot Encoder) \u043f\u0440\u0438 \u043f\u043e\u043c\u043e\u0449\u0438 \u0443\u0442\u0438\u043b\u0438\u0442\u044b to_categoricall \u043e\u0442 Keras. <\/p>\n

#  \u0437\u0430\u0433\u0440\u0443\u0436\u0430\u0435\u043c \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u044b\u0435 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0438  import pandas as pd from tensorflow.keras import utils  #\u0418\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c \u0434\u043b\u044f to_categoricall import numpy as np                  #\u0411\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u043c\u0430\u0441\u0441\u0438\u0432\u0430\u043c\u0438 import os                           #\u0414\u043b\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0444\u0430\u0439\u043b\u0430\u043c\u0438  from sklearn.model_selection import train_test_split    # \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0435\u043c \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0443 \u0434\u043b\u044f \u0440\u0430\u0437\u0431\u0438\u0432\u043a\u0438   # \u0410\u0423\u0413\u041c\u0415\u041d\u0422\u0410\u0426\u0418\u042f, \u0434\u0435\u043b\u0430\u0435\u043c \u043d\u0430\u0440\u0435\u0437\u043a\u0443 \u0448\u0430\u0433\u043e\u043c 1 \u043e\u0442\u0441\u0447\u0435\u0442, \u0441\u0435\u043c\u043f\u043b\u044b \u043f\u043e 128 \u043e\u0442\u0441\u0447\u0435\u0442\u043e\u0432  Mode_Type9 = [\"QPSK\",\"OQPSK\",\"P4QPSK\",\"QAM16\",\"QAM32\",\"QAM64\",\"QAM128\",\"QAM256\",\"QAM512\"]  X_ds = []  #  \u043c\u0430\u0441\u0441\u0438\u0432 X Y_ds = []  # \u043c\u0435\u0442\u043a\u0438 Y for i in range(len(Mode_Type9)):    #\u043f\u0440\u043e\u0445\u043e\u0434\u0438\u043c \u043f\u043e \u0432\u0441\u0435\u043c \u0442\u0438\u043f\u0430\u043c \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0438     md = Mode_Type9[i]              #\u0431\u0435\u0440\u0451\u043c \u0442\u0435\u043a\u0443\u0449\u0438\u0439 \u0442\u0438\u043f \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0438     for filename in os.listdir(\"D:\/ASD\/\"+ md):  #\u043f\u0440\u043e\u0445\u043e\u0434\u0438\u043c \u043f\u043e \u0444\u0430\u0439\u043b\u0430\u043c \u043f\u0430\u043f\u043a\u0438         name = \"D:\/ASD\/\"+md+\"\/\"+filename        # \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u043c \u043f\u043e\u043b\u043d\u044b\u0439 \u043f\u0443\u0442\u044c \u043a \u0444\u0430\u0439\u043b\u0443         dtt = np.fromfile(name, dtype = np.int16, count = 98304,offset = 8192).astype(np.float16) # \u0441\u0447\u0438\u0442\u044b\u0432\u0430\u0435\u043c count           for n in range(0, 120000, 4):  # \u0431\u0435\u0440\u0435\u043c \u0441 \u0448\u0430\u0433\u043e\u043c \u043f\u043e 4 \u0431\u0430\u0439\u0442 \u2013 \u044d\u0442\u043e 1 \u043e\u0442\u0441\u0447\u0435\u0442I\\Q             dd1 = np.frombuffer(dtt, dtype = np.float16, count = 256, offset = n) # \u0441\u0447\u0438\u0442\u044b\u0432\u0430\u0435\u043c \u043f\u043e 1 \u0441\u0435\u043c\u043f\u043b\u0443             X_ds.append(np.reshape(dd1, (-1,2)).T) # \u0440\u0430\u0441\u0449\u0435\u043f\u043b\u044f\u0435\u043c \u043d\u0430 I \u0438 Q, \u0442\u0440\u0430\u043d\u0441\u043f\u0430\u043d\u0438\u0440\u0443\u0435\u043c-\u0422 \u0438 \u043a\u0438\u0434\u0430\u0435\u043c \u0432 \u043c\u0430\u0441\u0441\u0438\u0432 X_ds             Y_ds.append(to_categorical(i, len(Mode_Type9))) #  \u043a\u0438\u0434\u0430\u0435\u043c \u0432 \u043c\u0430\u0441\u0441\u0438\u0432 \u043c\u0435\u0442\u043e\u043a Y_ds X_ds = np.array(X_ds)          # \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0438\u043c \u0432 \u043d\u0430\u043c\u043f\u0438 \u043c\u0430\u0441\u0441\u0438\u0432  Y_ds = np.array(Y_ds) print(X_ds.shape)              # \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0435\u043c \u0444\u043e\u0440\u043c\u0430\u0442 \u043c\u0430\u0441\u0441\u0438\u0432\u0430 \u0425= (5400000, 2, 128)  print(Y_ds.shape)              # \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0435\u043c \u0444\u043e\u0440\u043c\u0430\u0442 \u043c\u0435\u0442\u043e\u043a Y= (5400000, 9)  <\/code><\/pre>\n
\u0414\u0430\u043b\u0435\u0435 \u043f\u0440\u0438 \u043f\u043e\u043c\u043e\u0449\u0438 \u0443\u0442\u0438\u043b\u0438\u0442\u044b train_test_split \u043e\u0442 Scikit-learn \u0440\u0430\u0437\u0431\u0438\u0432\u0430\u0435\u043c \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u043d\u044b\u0439 \u043c\u0430\u0441\u0441\u0438\u0432 \u043d\u0430 train \u0438 test \u0432\u044b\u0431\u043e\u0440\u043a\u0438 \u0432 \u043f\u0440\u043e\u043f\u043e\u0440\u0446\u0438\u0438 70 \u043d\u0430 30, \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0435\u043c \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c \u0438 \u0441\u043e\u0445\u0440\u0430\u043d\u044f\u0435\u043c \u0432 NumPy \u043c\u0430\u0441\u0441\u0438\u0432. \u0422\u0430\u043a\u0430\u044f \u0440\u0430\u0437\u0431\u0438\u0432\u043a\u0430 \u043d\u0435 \u0434\u0430\u0435\u0442 \u0442\u043e\u0447\u043d\u043e \u0441\u0431\u0430\u043b\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0435 \u043c\u0430\u0441\u0441\u0438\u0432\u044b \u043f\u043e \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u044b\u043c \u043a\u043b\u0430\u0441\u0441\u0430\u043c \u0438 \u043d\u0435\u0437\u043d\u0430\u0447\u0438\u0442\u0435\u043b\u044c\u043d\u0430\u044f \u0440\u0430\u0437\u0431\u0430\u043b\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u043a\u0430 \u043d\u0435 \u043f\u043e\u0432\u043b\u0438\u044f\u043b\u0430 \u043d\u0430 \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u044c.\u00a0 \u00a0\u00a0   <\/p>\n
# test_size=0.3 \u2013 \u0434\u043b\u044f \u0442\u0435\u0441\u0442\u0430 \u0431\u0443\u0434\u0435\u0442 \u0432\u044b\u0434\u0435\u043b\u0435\u043d\u043e 30% \u043e\u0442 \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043e\u0447\u043d\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445   # shuffle=True - \u043f\u0435\u0440\u0435\u043c\u0435\u0448\u0430\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0435 # x_train - \u0434\u0430\u043d\u043d\u044b\u0435 \u0434\u043b\u044f \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f # x_test - \u0434\u0430\u043d\u043d\u044b\u0435 \u0434\u043b\u044f \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0438 # y_train - \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0435 \u043e\u0442\u0432\u0435\u0442\u044b \u2013 \u043c\u0435\u0442\u043a\u0438 \u0434\u043b\u044f \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f, \u0444\u043e\u0440\u043c\u0430\u0442 OHE # y_test - \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0435 \u043e\u0442\u0432\u0435\u0442\u044b \u2013 \u043c\u0435\u0442\u043a\u0438 \u0434\u043b\u044f \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0438, \u0444\u043e\u0440\u043c\u0430\u0442 OHE x_train, x_test, y_train, y_test = train_test_split(X_ds, Y_ds, test_size=0.3, shuffle=True)     print (x_train.shape)    # (3780000, 2, 128) \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0430 \u0444\u043e\u0440\u043c\u0430\u0442\u0430 print (x_test.shape)      # (1620000, 2, 128) print (y_train.shape)    # (3780000, 9) print (y_test.shape)      # (1620000, 9) # \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0435\u043c \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c x_train = x_train.reshape(x_train.shape[0], 2, 128,1) x_test = x_test.reshape(x_test.shape[0], 2, 128,1) # \u0421\u043e\u0445\u0440\u0430\u043d\u044f\u0435\u043c X_train \u0438 X_test np.save(\"D:\/DSET9\/Signal_test\", x_test) np.save(\"D:\/DSET9\/Signal_train\", x_train) # \u0421\u043e\u0445\u0440\u0430\u043d\u044f\u0435\u043c Y_train \u0438 Y_test np.save(\"D:\/DSET9\/test_label\", y_test) np.save(\"D:\/DSET9\/train_label\", y_train) <\/code><\/pre>\n
2. \u0410\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u043e\u0439 \u0441\u0435\u0442\u0438<\/strong><\/p>\n
\u00a0\u00a0\u00a0 \u041d\u0430\u0448\u0430 \u041d\u0421 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0441\u0435\u0442\u044c\u044e \u043f\u0440\u044f\u043c\u043e\u0433\u043e \u0440\u0430\u0441\u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0435\u043d\u0438\u044f, \u043e\u0442\u043d\u043e\u0441\u0438\u0442\u0441\u044f \u043a \u0442\u0438\u043f\u0443 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0441 \u0443\u0447\u0438\u0442\u0435\u043b\u0435\u043c (supervised learning) \u0438 \u043f\u043e\u0445\u043e\u0436\u0430 \u043d\u0430 VGG-16 \u0441 \u0434\u043e\u0431\u0430\u0432\u043b\u0435\u043d\u0438\u0435\u043c \u043d\u0430 \u0432\u0445\u043e\u0434\u0435 \u0441\u043b\u043e\u044f \u043d\u043e\u0440\u043c\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0438 BatchNormalization \u0434\u043b\u044f \u0443\u0441\u0442\u0440\u0430\u043d\u0435\u043d\u0438\u044f \u043a\u043e\u0432\u0430\u0440\u0438\u0430\u0446\u0438\u043e\u043d\u043d\u043e\u0433\u043e \u0441\u0434\u0432\u0438\u0433\u0430. \u0414\u0430\u043b\u0435\u0435 \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u044b \u0442\u0440\u0438 \u0441\u0434\u0432\u043e\u0435\u043d\u043d\u044b\u0445 \u0434\u0432\u0443\u043c\u0435\u0440\u043d\u044b\u0445 \u0441\u0432\u0435\u0440\u0442\u043e\u0447\u043d\u044b\u0445 \u0441\u043b\u043e\u044f Conv2D \u0441\u043e \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u043c \u043f\u043e\u0440\u044f\u0434\u043a\u043e\u043c \u0444\u0438\u043b\u044c\u0442\u0440\u043e\u0432 32, 64, 128 \u0441 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u043c \u043e\u043a\u043d\u0430 (1,3) \u0438 (2,3) \u0434\u043b\u044f \u043f\u0435\u0440\u0432\u043e\u0433\u043e \u0441\u043b\u043e\u044f \u0438 (2,3) \u0434\u043b\u044f \u0432\u0441\u0435\u0445 \u043e\u0441\u0442\u0430\u043b\u044c\u043d\u044b\u0445. \u0414\u0430\u043b\u044c\u043d\u0435\u0439\u0448\u0435\u0435 \u0443\u0432\u0435\u043b\u0438\u0447\u0435\u043d\u0438\u0435 \u0440\u0430\u0437\u043c\u0435\u0440\u0430 \u044f\u0434\u0440\u0430 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u0438 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0430 \u0441\u0432\u0435\u0440\u0442\u043e\u0447\u043d\u044b\u0445 \u0441\u043b\u043e\u0435\u0432 \u043d\u0435 \u0434\u0430\u0435\u0442 \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u0433\u043e \u0443\u043b\u0443\u0447\u0448\u0435\u043d\u0438\u044f \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0430 \u0440\u0430\u0441\u043f\u043e\u0437\u043d\u0430\u0432\u0430\u043d\u0438\u044f. \u0424\u0443\u043d\u043a\u0446\u0438\u044f \u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438 \u2013 \u043b\u0438\u043d\u0435\u0439\u043d\u044b\u0439 \u0432\u044b\u043f\u0440\u044f\u043c\u0438\u0442\u0435\u043b\u044c relu. \u0417\u0430\u0442\u0435\u043c \u043f\u0440\u043e\u0432\u043e\u0434\u0438\u043b\u0438\u0441\u044c \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u044b \u0441 \u043f\u043b\u043e\u0442\u043d\u044b\u043c \u0441\u043b\u043e\u0435\u043c Dense, \u0431\u044b\u043b\u043e \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u043e, \u0447\u0442\u043e \u0443\u0432\u0435\u043b\u0438\u0447\u0435\u043d\u0438\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0430 \u043d\u0435\u0439\u0440\u043e\u043d\u043e\u0432 \u0441\u0432\u0435\u0440\u0445 256 \u043d\u0435 \u0443\u043b\u0443\u0447\u0448\u0430\u0435\u0442 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044c. \u0414\u043b\u044f \u0443\u0441\u0442\u0440\u0430\u043d\u0435\u043d\u0438\u044f \u044d\u0444\u0444\u0435\u043a\u0442\u0430 \u043f\u0435\u0440\u0435\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u043b\u0438\u0441\u044c \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u044b \u0440\u0435\u0433\u0443\u043b\u044f\u0440\u0438\u0437\u0430\u0446\u0438\u0438 Dropout \u0434\u043e \u043e\u043f\u0442\u0438\u043c\u0430\u043b\u044c\u043d\u044b\u0445 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439 \u0432 20% \u0434\u043b\u044f \u043f\u0435\u0440\u0432\u043e\u0433\u043e \u0438 \u0432\u0442\u043e\u0440\u043e\u0433\u043e \u0438 30% \u0442\u0440\u0435\u0442\u044c\u0435\u0433\u043e \u0441\u043b\u043e\u044f Conv2D. \u041f\u043e\u0441\u043b\u0435 \u043f\u043b\u043e\u0442\u043d\u043e\u0433\u043e \u0441\u043b\u043e\u044f Dense \u0442\u0430\u043a \u0436\u0435 \u0434\u043e\u0431\u0430\u0432\u043b\u0435\u043d \u0441\u043b\u043e\u0439 Dropout \u0432 50 %.<\/p>\n
\u0418\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c \u0441\u0442\u0430\u043d\u0434\u0430\u0440\u0442\u043d\u044b\u0439 \u043f\u043e\u0434\u0445\u043e\u0434 \u0434\u043b\u044f \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438, \u0432 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u043e\u0448\u0438\u0431\u043a\u0438 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c «categorical_crossentropy» (\u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0430\u043b\u044c\u043d\u0443\u044e \u043a\u0440\u043e\u0441\u0441-\u044d\u043d\u0442\u0440\u043e\u043f\u0438\u044e), \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0442\u043e\u0440 Adam \u0441 \u0448\u0430\u0433\u043e\u043c 0.001, \u043c\u0435\u0442\u0440\u0438\u043a\u0443 «accuracy».<\/p>\n
# \u0437\u0430\u0433\u0440\u0443\u0436\u0430\u0435\u043c \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u044b\u0435 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0438  from tensorflow.keras.models import Sequential #\u0421\u0435\u0442\u044c \u043f\u0440\u044f\u043c\u043e\u0433\u043e \u0440\u0430\u0441\u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0435\u043d\u0438\u044f #\u0411\u0430\u0437\u043e\u0432\u044b\u0435 \u0441\u043b\u043e\u0438 \u0434\u043b\u044f \u0441\u0432\u0451\u0440\u0442\u043e\u0447\u043d\u044b\u0445 \u0441\u0435\u0442\u0435\u0439 from tensorflow.keras.layers import Dense, Conv2D, MaxPooling2D, Flatten, Dropout, BatchNormalization from tensorflow.keras.optimizers import Adam # \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0442\u043e\u0440 from tensorflow.keras.preprocessing import image #\u0414\u043b\u044f \u043e\u0442\u0440\u0438\u0441\u043e\u0432\u043a\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 from sklearn.preprocessing import LabelEncoder, StandardScaler # \u0424\u0443\u043d\u043a\u0446\u0438\u0438 \u0434\u043b\u044f \u043d\u043e\u0440\u043c\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0438 \u0434\u0430\u043d\u043d\u044b\u0445 from sklearn import preprocessing # \u041f\u0430\u043a\u0435\u0442 \u043f\u0440\u0435\u0434\u0432\u0430\u0440\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0439 \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u0434\u0430\u043d\u043d\u044b\u0445 import numpy as np #\u0411\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u043c\u0430\u0441\u0441\u0438\u0432\u0430\u043c\u0438 import matplotlib.pyplot as plt #\u0414\u043b\u044f \u043e\u0442\u0440\u0438\u0441\u043e\u0432\u043a\u0438 \u0433\u0440\u0430\u0444\u0438\u043a\u043e\u0432 import math # \u043c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u043a\u0430  import os #\u0414\u043b\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0444\u0430\u0439\u043b\u0430\u043c\u0438  import pandas as pd  %matplotlib inline #============= \u0417\u0430\u0433\u0440\u0443\u0436\u0430\u0435\u043c DataSet train\\test \u0432\u044b\u0431\u043e\u0440\u043a\u0438============ # Train data Xtrain = np.load('D:\/DataSet9\/Signal_train.npy') Ytrain = np.load('D:\/DataSet9\/train_label.npy') # Test data Xtest  = np.load('D:\/DataSet9\/Signal_test.npy') Ytest  = np.load('D:\/DataSet9\/test_label.npy') # =================\u0421\u0415\u0422\u042c============ #\u0437\u0430\u0434\u0430\u0451\u043c batch_size batch_size = 512 #\u0421\u043e\u0437\u0434\u0430\u0435\u043c \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u0443\u044e \u043c\u043e\u0434\u0435\u043b\u044c model = Sequential() model.add(BatchNormalization(input_shape=(2, 128, 1))) #\u041f\u0435\u0440\u0432\u044b\u0439 \u0441\u0432\u0435\u0440\u0442\u043e\u0447\u043d\u044b\u0439 \u0441\u043b\u043e\u0439 model.add(Conv2D(32, (1, 3), padding='same', activation='relu')) model.add(Conv2D(32, (2, 3), padding='same', activation='relu')) model.add(MaxPooling2D(pool_size=(1, 2))) model.add(Dropout(0.2)) #\u0412\u0442\u043e\u0440\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043e\u0447\u043d\u044b\u0439 \u0441\u043b\u043e\u0439 model.add(Conv2D(64, (2, 3), padding='same', activation='relu')) model.add(Conv2D(64, (2, 3), padding='same', activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) #\u0421\u043b\u043e\u0439 \u0440\u0435\u0433\u0443\u043b\u044f\u0440\u0438\u0437\u0430\u0446\u0438\u0438 Dropout model.add(Dropout(0.2)) #\u0422\u0440\u0435\u0442\u0438\u0439 \u0441\u0432\u0435\u0440\u0442\u043e\u0447\u043d\u044b\u0439 \u0441\u043b\u043e\u0439 model.add(Conv2D(128, (2, 3), padding='same', activation='relu')) model.add(Conv2D(128, (2, 3), padding='same', activation='relu')) model.add(MaxPooling2D(pool_size=(1, 2))) #\u0421\u043b\u043e\u0439 \u0440\u0435\u0433\u0443\u043b\u044f\u0440\u0438\u0437\u0430\u0446\u0438\u0438 Dropout model.add(Dropout(0.3)) model.add(Flatten()) #\u041f\u043e\u043b\u043d\u043e\u0441\u0432\u044f\u0437\u043d\u044b\u0439 \u0441\u043b\u043e\u0439 \u0434\u043b\u044f \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 model.add(Dense(256, activation='relu')) model.add(Dropout(0.5)) #\u0412\u044b\u0445\u043e\u0434\u043d\u043e\u0439 \u043f\u043e\u043b\u043d\u043e\u0441\u0432\u044f\u0437\u043d\u044b\u0439 \u0441\u043b\u043e\u0439 model.add(Dense(9, activation='softmax'))   # #\u041a\u043e\u043c\u043f\u0438\u043b\u0438\u0440\u0443\u0435\u043c \u0441\u0435\u0442\u044c model.compile(loss=\"categorical_crossentropy\", optimizer=Adam(lr=1e-3), metrics=[\"accuracy\"]) <\/code><\/pre>\n
3. \u041e\u0431\u0443\u0447\u0435\u043d\u0438\u0435, \u0442\u0435\u0441\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435, \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u044b <\/strong><\/p>\n
    \u041c\u0435\u0442\u043e\u0434\u043e\u043c fit \u0437\u0430\u043f\u0443\u0441\u043a\u0430\u0435\u043c \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435, \u043d\u0430 \u0432\u0445\u043e\u0434 \u0441\u0435\u0442\u0438 \u043f\u043e\u0441\u0442\u0443\u043f\u0430\u044e\u0442 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u044b Xtrain \u0438 Ytrain \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u043c batch_size \u0438 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e \u043f\u0440\u043e\u0433\u043e\u043d\u044f\u044e\u0442\u0441\u044f \u0447\u0435\u0440\u0435\u0437 \u0432\u0441\u0435 \u0441\u043b\u043e\u0438 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f. \u041d\u0430\u0448\u0430 \u043e\u0431\u0443\u0447\u0430\u044e\u0449\u0430\u044f \u0432\u044b\u0431\u043e\u0440\u043a\u0430 \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 7383 \u0431\u0430\u0442\u0447\u0435\u0439 (batch) \u043f\u043e 512 \u0441\u0435\u043c\u043f\u043b\u043e\u0432, \u0447\u0442\u043e \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0443\u0435\u0442 \u043e\u0434\u043d\u043e\u0439 \u044d\u043f\u043e\u0445\u0435. \u041e\u0434\u043d\u0430 \u044d\u043f\u043e\u0445\u0430 \u2014 \u044d\u0442\u043e \u043e\u0434\u0438\u043d \u0440\u0430\u0437 \u043f\u043e\u043b\u043d\u043e\u0441\u0442\u044c\u044e \u043f\u0440\u043e\u0439\u0434\u0435\u043d\u043d\u0430\u044f \u043c\u043e\u0434\u0435\u043b\u044c\u044e \u043e\u0431\u0443\u0447\u0430\u044e\u0449\u0430\u044f \u0432\u044b\u0431\u043e\u0440\u043a\u0430, \u0432 \u043d\u0430\u0448\u0435\u043c \u0441\u043b\u0443\u0447\u0430\u0435 \u0432\u0440\u0435\u043c\u044f \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438 1 \u044d\u043f\u043e\u0445\u0438 \u0437\u0430\u043d\u044f\u043b\u043e \u043e\u043a\u043e\u043b\u043e 23 \u043c\u0438\u043d\u0443\u0442. \u0412\u0441\u0435\u0433\u043e \u043c\u043e\u0434\u0435\u043b\u044c \u043e\u0431\u0443\u0447\u0430\u043b\u0430\u0441\u044c \u043d\u0430 10 \u044d\u043f\u043e\u0445\u0430\u0445.    <\/p>\n
#\u041e\u0431\u0443\u0447\u0430\u0435\u043c \u0441\u0435\u0442\u044c  history = model.fit(Xtrain,                      Ytrain,                      batch_size=batch_size,                      epochs=10,                     validation_data=(Xtest, Ytest),                     verbose=1)  Epoch 1\/10 7383\/7383 [==============================] - 1327s 180ms\/step - loss: 0.2671 - accuracy: 0.8936 - val_loss: 0.0899 - val_accuracy: 0.9636 Epoch 2\/10 7383\/7383 [==============================] - 1339s 181ms\/step - loss: 0.1544 - accuracy: 0.9391 - val_loss: 0.0520 - val_accuracy: 0.9779 Epoch 3\/10 7383\/7383 [==============================] - 1402s 190ms\/step - loss: 0.1156 - accuracy: 0.9548 - val_loss: 0.0369 - val_accuracy: 0.9843 Epoch 4\/10 7383\/7383 [==============================] - 1392s 189ms\/step - loss: 0.0947 - accuracy: 0.9640 - val_loss: 0.0273 - val_accuracy: 0.9883 Epoch 5\/10 7383\/7383 [==============================] - 1355s 184ms\/step - loss: 0.0808 - accuracy: 0.9693 - val_loss: 0.0213 - val_accuracy: 0.9905 Epoch 6\/10 7383\/7383 [==============================] - 1346s 182ms\/step - loss: 0.0716 - accuracy: 0.9732 - val_loss: 0.0214 - val_accuracy: 0.9902 Epoch 7\/10 7383\/7383 [==============================] - 1410s 191ms\/step - loss: 0.0672 - accuracy: 0.9749 - val_loss: 0.0154 - val_accuracy: 0.9938 Epoch 8\/10 7383\/7383 [==============================] - 1389s 188ms\/step - loss: 0.0639 - accuracy: 0.9766 - val_loss: 0.0195 - val_accuracy: 0.9908 Epoch 9\/10 7383\/7383 [==============================] - 1340s 182ms\/step - loss: 0.0567 - accuracy: 0.9795 - val_loss: 0.0390 - val_accuracy: 0.9860 Epoch 10\/10 7383\/7383 [==============================] - 1375s 186ms\/step - loss: 0.0538 - accuracy: 0.9811 - val_loss: 0.0116 - val_accuracy: 0.9959 # \u041f\u043e\u0441\u043b\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0438 \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u044c \u043d\u0430 \u0432\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u043e\u043d\u043d\u043e\u0439 (\u0442\u0435\u0441\u0442\u043e\u0432\u043e\u0439) \u0432\u044b\u0431\u043e\u0440\u043a\u0435 \u0432 99.59 %  <\/code><\/pre>\n
\u0414\u0435\u043b\u0430\u0435\u043c \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0443<\/p>\n
\u0421\u043e\u0437\u0434\u0430\u0435\u043c \u043f\u0440\u043e\u0432\u0435\u0440\u043e\u0447\u043d\u044b\u0439 \u043c\u0430\u0441\u0441\u0438\u0432 PROV \u0438 \u043c\u0435\u0442\u043a\u0443 Prov_Metka \u00a0\u0430\u043d\u0430\u043b\u043e\u0433\u0438\u0447\u043d\u043e \u043e\u0431\u0443\u0447\u0430\u044e\u0449\u0435\u043c\u0443 \u043c\u0430\u0441\u0441\u0438\u0432\u0443, \u0431\u0435\u0440\u0435\u043c \u043d\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u043d\u044b\u0435 \u043f\u0440\u0438 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0438 \u0434\u0430\u043d\u043d\u044b\u0435 \u0438\u0437 \u0444\u0430\u0439\u043b\u043e\u0432 \u0434\u043e 8192 \u0431\u0430\u0439\u0442\u0430, \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u043c \u043c\u0430\u0441\u0441\u0438\u0432\u044b (252000, 2, 128, 1) \u0438 (252000, 9) \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0435\u043d\u043d\u043e. \u041c\u0435\u0442\u043e\u0434\u043e\u043c evaluate \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u0435\u043c \u0434\u043e\u043b\u044e \u0432\u0435\u0440\u043d\u043e \u0440\u0430\u0441\u043f\u043e\u0437\u043d\u0430\u043d\u043d\u044b\u0445 \u0441\u0435\u043c\u043f\u043b\u043e\u0432 \u043d\u0430\u0448\u0435\u0439 \u043e\u0431\u0443\u0447\u0435\u043d\u043d\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u0438.<\/p>\n
# \u0417\u0430\u0433\u0440\u0443\u0436\u0430\u0435\u043c \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0443  PROV = np.load('D:\/DataSet9\/PROVERKA\/Signal_prov.npy') Prov_Metka = np.load(\"D:\/DataSet9\/PROVERKA\/Label_prov.npy\") print(PROV.shape) print(Prov_Metka.shape) # \u0412\u044b\u0447\u0438\u0441\u043b\u044f\u0435\u043c \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b \u0441\u0435\u0442\u0438 \u043d\u0430 PROVERKA \u043d\u0430\u0431\u043e\u0440\u0435 scores = model.evaluate(PROV, Prov_Metka, verbose=1) print(scores) print(\"\u0414\u043e\u043b\u044f \u0432\u0435\u0440\u043d\u044b\u0445 \u043e\u0442\u0432\u0435\u0442\u043e\u0432 \u043d\u0430 \u0434\u0430\u043d\u043d\u044b\u0445 PROV, \u0432 \u043f\u0440\u043e\u0446\u0435\u043d\u0442\u0430\u0445: \", round(scores[1] * 100, 4), \"%\", sep=\"\") (252000, 2, 128, 1) (252000, 9) 7875\/7875 [==============================] - 41s 5ms\/step - loss: 0.0519 - accuracy: 0.9838 [0.051874879747629166, 0.9837777614593506] # \u0414\u043e\u043b\u044f \u0432\u0435\u0440\u043d\u044b\u0445 \u043e\u0442\u0432\u0435\u0442\u043e\u0432 \u043d\u0430 \u0434\u0430\u043d\u043d\u044b\u0445 PROV, \u0432 \u043f\u0440\u043e\u0446\u0435\u043d\u0442\u0430\u0445: 98.38%, \u043e\u0448\u0438\u0431\u043a\u0430:  0.0519 <\/code><\/pre>\n
\u0421\u0434\u0435\u043b\u0430\u0435\u043c \u043c\u0430\u0442\u0440\u0438\u0446\u0443 \u0440\u0430\u0441\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u044f \u043e\u0448\u0438\u0431\u043e\u043a \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438. \u0418\u0437 \u043c\u0430\u0441\u0441\u0438\u0432\u0430 PROV \u0431\u0443\u0434\u0435\u043c \u00ab\u043e\u0442\u043a\u0443\u0441\u044b\u0432\u0430\u0442\u044c\u00bb \u043f\u043e 100 \u0441\u0435\u043c\u043f\u043b\u043e\u0432 \u0438\u0437 \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0444\u0430\u0439\u043b\u0430 \u0438 \u043f\u0440\u043e\u0433\u043e\u043d\u044f\u0442\u044c \u0447\u0435\u0440\u0435\u0437 predict (20 \u0444\u0430\u0439\u043b\u043e\u0432 \u043f\u043e 100 = 2000 \u0441\u0435\u043c\u043f\u043b\u043e\u0432) \u0434\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0432\u0438\u0434\u0430 \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0438.    <\/p>\n
\n
\n\n\n\n\n\n\n\n\n\n\n\n\n
\n
\n<\/td>\n
\n
qpsk<\/p>\n<\/td>\n
\n
oqpsk<\/p>\n<\/td>\n
\n
p\/4qpsk<\/p>\n<\/td>\n
\n
qam16<\/p>\n<\/td>\n
\n
qam32<\/p>\n<\/td>\n
\n
qam64<\/p>\n<\/td>\n
\n
qam128<\/p>\n<\/td>\n
\n
qam256<\/p>\n<\/td>\n
\n
qam512<\/p>\n<\/td>\n<\/tr>\n
\n
qpsk<\/p>\n<\/td>\n
\n
2000<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n<\/tr>\n
\n
oqpsk<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
2000<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n<\/tr>\n
\n
p\/4qpsk<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
2000<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n<\/tr>\n
\n
qam16<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
1954<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
44<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
2<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n<\/tr>\n
\n
qam32<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
1965<\/p>\n<\/td>\n
\n
10<\/p>\n<\/td>\n
\n
25<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n<\/tr>\n
\n
qam64<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
7<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
1993<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n<\/tr>\n
\n
qam128<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
14<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
1903<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
83<\/p>\n<\/td>\n<\/tr>\n
\n
qam256<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
7<\/p>\n<\/td>\n
\n
15<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
1959<\/p>\n<\/td>\n
\n
19<\/p>\n<\/td>\n<\/tr>\n
\n
qam512<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
107<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
1893<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n
\u041f\u0440\u0438 \u0430\u043d\u0430\u043b\u0438\u0437\u0435 \u0442\u0430\u0431\u043b\u0438\u0446\u044b \u0432\u0438\u0434\u043d\u043e, \u0447\u0442\u043e \u043e\u0448\u0438\u0431\u043a\u0438 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u043f\u043e\u044f\u0432\u043b\u044f\u044e\u0442\u0441\u044f, \u0435\u0441\u043b\u0438 \u043e\u0434\u0438\u043d \u043a\u043b\u0430\u0441\u0441 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043f\u043e\u0434\u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u043e\u043c \u0434\u0440\u0443\u0433\u043e\u0433\u043e. \u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u044f QAM128 \u0438\u043c\u0435\u0435\u0442 \u0432\u0438\u0434 \u0441\u043e\u0437\u0432\u0435\u0437\u0434\u0438\u044f \u00ab\u043a\u0440\u0435\u0441\u0442\u00bb \u0438 \u0432\u0445\u043e\u0434\u0438\u0442 \u0432 \u043f\u043e\u0434\u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u043e \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0438 QAM512 \u0438 \u0435\u0441\u043b\u0438 \u043e\u0431\u0430 \u0441\u0438\u0433\u043d\u0430\u043b\u0430 \u0438\u043c\u0435\u044e\u0442 \u043e\u0434\u0438\u043d\u0430\u043a\u043e\u0432\u0443\u044e \u0447\u0430\u0441\u0442\u043e\u0442\u0443 \u0434\u0438\u0441\u043a\u0440\u0435\u0442\u0438\u0437\u0430\u0446\u0438\u0438 \u0438 \u0441\u0438\u043c\u0432\u043e\u043b\u044c\u043d\u0443\u044e \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u044c, \u0442\u043e \u0441\u0435\u0442\u044c \u0438\u043d\u043e\u0433\u0434\u0430 \u0438\u0445 \u043f\u0443\u0442\u0430\u0435\u0442.    <\/p>\n
\u041e\u0446\u0435\u043d\u043a\u0430 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0430 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u0441 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435\u043c \u0443\u0442\u0438\u043b\u0438\u0442\u044b classification_report \u043e\u0442 Scikit-learn<\/p>\n
\n
\n\n\n\n\n\n\n\n\n\n\n\n\n
\n
\n<\/td>\n
\n
precision   <\/p>\n<\/td>\n
\n
recall   <\/p>\n<\/td>\n
\n
f1-score   <\/p>\n<\/td>\n
\n
support   <\/p>\n<\/td>\n<\/tr>\n
\n
qpsk<\/p>\n<\/td>\n
\n
1.00<\/p>\n<\/td>\n
\n
1.00<\/p>\n<\/td>\n
\n
1.00<\/p>\n<\/td>\n
\n
2000<\/p>\n<\/td>\n<\/tr>\n
\n
oqpsk<\/p>\n<\/td>\n
\n
1.00<\/p>\n<\/td>\n
\n
1.00<\/p>\n<\/td>\n
\n
1.00<\/p>\n<\/td>\n
\n
2000<\/p>\n<\/td>\n<\/tr>\n
\n
p\/4qpsk<\/p>\n<\/td>\n
\n
1.00<\/p>\n<\/td>\n
\n
1.00<\/p>\n<\/td>\n
\n
1.00<\/p>\n<\/td>\n
\n
2000<\/p>\n<\/td>\n<\/tr>\n
\n
qam16<\/p>\n<\/td>\n
\n
1.00<\/p>\n<\/td>\n
\n
0.98<\/p>\n<\/td>\n
\n
0.99<\/p>\n<\/td>\n
\n
2000<\/p>\n<\/td>\n<\/tr>\n
\n
qam32<\/p>\n<\/td>\n
\n
0.99<\/p>\n<\/td>\n
\n
0.98<\/p>\n<\/td>\n
\n
0.99<\/p>\n<\/td>\n
\n
2000<\/p>\n<\/td>\n<\/tr>\n
\n
qam64<\/p>\n<\/td>\n
\n
0.97<\/p>\n<\/td>\n
\n
1.00<\/p>\n<\/td>\n
\n
0.98<\/p>\n<\/td>\n
\n
2000<\/p>\n<\/td>\n<\/tr>\n
\n
qam128<\/p>\n<\/td>\n
\n
0.93<\/p>\n<\/td>\n
\n
0.95<\/p>\n<\/td>\n
\n
0.94<\/p>\n<\/td>\n
\n
2000<\/p>\n<\/td>\n<\/tr>\n
\n
qam256<\/p>\n<\/td>\n
\n
1.00<\/p>\n<\/td>\n
\n
0.98<\/p>\n<\/td>\n
\n
0.99<\/p>\n<\/td>\n
\n
2000<\/p>\n<\/td>\n<\/tr>\n
\n
qam512<\/p>\n<\/td>\n
\n
0.95<\/p>\n<\/td>\n
\n
0.94<\/p>\n<\/td>\n
\n
0.95<\/p>\n<\/td>\n
\n
2000<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n
\u041f\u0440\u043e\u0433\u043e\u043d\u0438\u043c \u0447\u0435\u0440\u0435\u0437 predict \u043f\u043e 200 \u0441\u0438\u043d\u0442\u0435\u0437\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0445 I\/Q \u0441\u0435\u043c\u043f\u043b\u043e\u0432 QAM32 \u0441 \u0441\u0438\u043c\u0432\u043e\u043b\u044c\u043d\u043e\u0439<\/strong> \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u044c\u044e \u043e\u0442\u043b\u0438\u0447\u043d\u043e\u0439 \u043e\u0442 \u0441\u0438\u0433\u043d\u0430\u043b\u043e\u0432 \u0432 \u043e\u0431\u0443\u0447\u0430\u044e\u0449\u0435\u043c \u043d\u0430\u0431\u043e\u0440\u0435.<\/strong> <\/p>\n
\n
\n\n\n\n\n\n\n\n\n\n
\n
mode<\/p>\n<\/td>\n
\n
qpsk<\/p>\n<\/td>\n
\n
oqpsk<\/p>\n<\/td>\n
\n
p\/4qpsk<\/p>\n<\/td>\n
\n
qam16<\/p>\n<\/td>\n
\n
qam32<\/p>\n<\/td>\n
\n
qam64<\/p>\n<\/td>\n
\n
qam128<\/p>\n<\/td>\n
\n
qam256<\/p>\n<\/td>\n
\n
qan512<\/p>\n<\/td>\n<\/tr>\n
\n
qam32_12<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
200<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n<\/tr>\n
\n
qam32_18<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
187<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
13<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n<\/tr>\n
\n
qam32_32<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
200<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n<\/tr>\n
\n
qam32_40<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
1<\/p>\n<\/td>\n
\n
177<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
22<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n<\/tr>\n
\n
qam32_46<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
1<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
199<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n<\/tr>\n
\n
qam32_50<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
200<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n
\n
0<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n
\u0422\u0435\u0441\u0442\u043e\u0432\u044b\u0435 \u0441\u0438\u0433\u043d\u0430\u043b\u044b, \u0443 \u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0432 \u043e\u0431\u0443\u0447\u0430\u044e\u0449\u0435\u043c \u043d\u0430\u0431\u043e\u0440\u0435 \u0431\u044b\u043b\u0438 \u0441\u0438\u043d\u0442\u0435\u0437\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0435 \u0441\u0438\u0433\u043d\u0430\u043b\u044b \u0441 \u0431\u043b\u0438\u0437\u043a\u043e\u0439 \u0441\u0438\u043c\u0432\u043e\u043b\u044c\u043d\u043e\u0439 \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u044c\u044e, \u043f\u043e\u043a\u0430\u0437\u0430\u043b\u0438 \u0445\u043e\u0440\u043e\u0448\u0443\u044e \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u044c. \u0412 \u043e\u0431\u0443\u0447\u0430\u044e\u0449\u0435\u0439 \u0432\u044b\u0431\u043e\u0440\u043a\u0435 \u0432 \u0434\u0438\u0430\u043f\u0430\u0437\u043e\u043d\u0435 \u0441\u0438\u043c\u0432\u043e\u043b\u044c\u043d\u044b\u0445 \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u0435\u0439 40-46 \u041c\u0411\u043e\u0434 \u0434\u043b\u044f QAM32 \u0431\u044b\u043b\u0438 \u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0435 \u044d\u0444\u0438\u0440\u043d\u044b\u0435 \u0434\u0430\u043d\u043d\u044b\u0435 \u0441 \u043a\u0430\u043d\u0430\u043b\u044c\u043d\u044b\u043c\u0438 \u0448\u0443\u043c\u0430\u043c\u0438 \u0438 \u044d\u0444\u0444\u0435\u043a\u0442\u0430\u043c\u0438 \u043c\u043d\u043e\u0433\u043e\u043b\u0443\u0447\u0435\u0432\u043e\u0433\u043e \u0440\u0430\u0441\u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0435\u043d\u0438\u044f \u0441\u0438\u0433\u043d\u0430\u043b\u0430, \u0430 \u0434\u043b\u044f \u0441\u0438\u0433\u043d\u0430\u043b\u0430 QAM64 \u0442\u043e\u043b\u044c\u043a\u043e \u0441\u0438\u043d\u0442\u0435\u0437\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0435 \u0441\u0438\u0433\u043d\u0430\u043b\u044b. \u041f\u043e\u044d\u0442\u043e\u043c\u0443 \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u0435\u0434\u043f\u043e\u043b\u043e\u0436\u0438\u0442\u044c, \u0447\u0442\u043e \u0441\u0435\u0442\u044c \u043e\u0448\u0438\u0431\u043e\u0447\u043d\u043e \u0440\u0430\u0441\u043f\u043e\u0437\u043d\u0430\u043b\u0430 QAM64 \u043f\u043e \u0441\u043e\u0432\u043e\u043a\u0443\u043f\u043d\u043e\u0441\u0442\u0438 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u043e\u0432 \u0432 \u043e\u0431\u0443\u0447\u0430\u044e\u0449\u0435\u043c \u043d\u0430\u0431\u043e\u0440\u0435. <\/p>\n
4. \u0412\u044b\u0432\u043e\u0434<\/strong><\/p>\n
    \u0420\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0435\u043d\u043d\u0430\u044f \u0441\u0435\u0442\u044c CNN \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0443\u0435\u0442 \u043c\u0438\u043d\u0438\u043c\u0430\u043b\u044c\u043d\u043e\u043c\u0443 \u0442\u0440\u0435\u0431\u043e\u0432\u0430\u043d\u0438\u044e \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438, \u043d\u043e \u0434\u043b\u044f \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u0438\u044f \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u0433\u043e \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440\u0430 \u0442\u0440\u0435\u0431\u0443\u0435\u0442\u0441\u044f \u043e\u0447\u0435\u043d\u044c \u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u043c\u0430\u0441\u0441\u0438\u0432 (Dataset) \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0432 \u043a\u043e\u0442\u043e\u0440\u043e\u043c \u0434\u043e\u043b\u0436\u043d\u044b \u043e\u0442\u0440\u0430\u0436\u0430\u0442\u044c\u0441\u044f \u0432\u0441\u0435 \u044d\u0444\u0444\u0435\u043a\u0442\u044b \u043c\u043d\u043e\u0433\u043e\u043b\u0443\u0447\u0435\u0432\u043e\u0433\u043e \u0440\u0430\u0441\u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0435\u043d\u0438\u044f \u0441\u0438\u0433\u043d\u0430\u043b\u0430 \u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u0441\u0432\u044f\u0437\u0438, \u0447\u0442\u043e \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0432\u0435\u0441\u044c\u043c\u0430 \u0437\u0430\u0442\u0440\u0443\u0434\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u043e. \u0414\u043b\u044f \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u043e\u0439 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u0430 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u0441\u0435\u0442\u0438, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u0432\u044b\u0434\u0435\u043b\u044f\u0435\u0442 \u0442\u043e\u043b\u044c\u043a\u043e \u00ab\u0441\u0435\u043c\u0430\u043d\u0442\u0438\u0447\u0435\u0441\u043a\u0443\u044e \u0441\u043e\u043b\u044c\u00bb \u0438 \u043d\u0435 \u0441\u0438\u043b\u044c\u043d\u043e \u0442\u0440\u0435\u0431\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u0430 \u043a \u043e\u0431\u0443\u0447\u0430\u044e\u0449\u0435\u043c\u0443 \u043c\u0430\u0441\u0441\u0438\u0432\u0443. \u041f\u043e\u044d\u0442\u043e\u043c\u0443 \u0432 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0435\u0435 \u0432\u0440\u0435\u043c\u044f \u043b\u0438\u0434\u0438\u0440\u0443\u044e\u0442 \u0440\u0430\u0437\u043b\u0438\u0447\u043d\u044b\u0435 \u0433\u0438\u0431\u0440\u0438\u0434\u043d\u044b\u0435 \u0441\u0435\u0442\u0438, \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440 \u0441\u0435\u0442\u044c \u0441 \u043c\u043d\u043e\u0433\u043e\u0443\u0440\u043e\u0432\u043d\u0435\u0432\u044b\u043c \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435\u043c MCBL (Multilevel attention CNN Bi-LSTM) [4] \u043e\u0442 \u043a\u0438\u0442\u0430\u0439\u0441\u043a\u043e\u0439 \u043a\u043e\u043c\u0430\u043d\u0434\u044b 63-rd Research Institute, National University of Defense Technology, Nanjing.<\/p>\n
\u0410\u0440\u0433\u0443\u043c\u0435\u043d\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u0430\u044f \u0438 \u043e\u0431\u043e\u0441\u043d\u043e\u0432\u0430\u043d\u043d\u0430\u044f \u043a\u0440\u0438\u0442\u0438\u043a\u0430 \u043f\u0440\u0438\u0432\u0435\u0442\u0441\u0442\u0432\u0443\u0435\u0442\u0441\u044f)))<\/p>\n
\u0418\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c\u044b\u0435 \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u0438:<\/p>\n
    \n
  1. \n
    https:\/\/github.com\/radioML\/examples\/blob\/master\/modulation_recognition\/RML2016.10a_VTCNN2_example.ipynb<\/a>   <\/p>\n<\/li>\n
  2. \n
    https:\/\/arxiv.org\/pdf\/1602.04105v2.pdf<\/a>   <\/p>\n<\/li>\n
  3. \n
    https:\/\/www.deepsig.ai\/datasets<\/a>   <\/p>\n<\/li>\n
  4. \n
    https:\/\/doi.org\/10.1155\/2021\/1991471<\/a><\/p>\n<\/li>\n<\/ol>\n<\/div>\n<\/div>\n<\/div>\n
      <\/div>\n
      
     \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438      https:\/\/habr.com\/ru\/company\/stc_spb\/blog\/712362\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"
    <\/div>\n
    \n
    \n
    \n
    \n
    \u041f\u0440\u0438\u043c\u0435\u0440 \u0434\u0438\u043d\u0430\u043c\u0438\u043a\u0438 \u0441\u043f\u0435\u043a\u0442\u0440\u0430 \u0440\u0430\u0434\u0438\u043e\u0441\u0438\u0433\u043d\u0430\u043b\u043e\u0432, \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a: arXiv:2005.06068v1. <\/figcaption><\/figure>\n
    \u0412\u0412\u0415\u0414\u0415\u041d\u0418\u0415<\/h2>\n
    \u00a0 \u0414\u043e \u043d\u0435\u0434\u0430\u0432\u043d\u0435\u0433\u043e \u0432\u0440\u0435\u043c\u0435\u043d\u0438 \u043e\u0434\u043d\u0438\u043c \u0438\u0437 \u043f\u043e\u043f\u0443\u043b\u044f\u0440\u043d\u044b\u0445 \u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u043e\u0432 \u0440\u0430\u0441\u043f\u043e\u0437\u043d\u0430\u0432\u0430\u043d\u0438\u044f \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0439 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043c\u0435\u0442\u043e\u0434, \u043e\u0441\u043d\u043e\u0432\u0430\u043d\u043d\u044b\u0439 \u043d\u0430 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0439 \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0435 \u043a\u0443\u043c\u0443\u043b\u044f\u043d\u0442\u043e\u0432 \u0438 \u0433\u0438\u043f\u043e\u0442\u0435\u0437\u0435 \u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u043e\u0433\u043e \u043f\u0440\u0430\u0432\u0434\u043e\u043f\u043e\u0434\u043e\u0431\u0438\u044f. \u0418\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0442\u0430\u043a\u043e\u0433\u043e \u043c\u0435\u0442\u043e\u0434\u0430 \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e \u0442\u0440\u0443\u0434\u043e\u0435\u043c\u043a\u043e \u0438 \u0442\u0440\u0435\u0431\u0443\u0435\u0442 \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e \u0433\u043b\u0443\u0431\u043e\u043a\u0438\u0445 \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043d\u044b\u0445 \u0437\u043d\u0430\u043d\u0438\u0439 \u0432 \u043f\u0440\u0435\u0434\u043c\u0435\u0442\u043d\u043e\u0439 \u043e\u0431\u043b\u0430\u0441\u0442\u0438.<\/em> <\/p>\n
    \u00a0\u00a0\u00a0 \u0412 \u0434\u0430\u043b\u0435\u043a\u043e\u043c 2016 \u0433\u043e\u0434\u0443 \u043f\u0438\u043e\u043d\u0435\u0440 \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u044f \u043c\u0435\u0442\u043e\u0434\u043e\u0432 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0432 \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0435 \u0440\u0430\u0434\u0438\u043e\u0441\u0438\u0433\u043d\u0430\u043b\u043e\u0432 Timothy J. O\u2019Shea \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0438\u043b \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u0443\u044e \u0441\u0435\u0442\u044c (\u041d\u0421) \u0441 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435\u043c \u0434\u0432\u0443\u043c\u0435\u0440\u043d\u044b\u0445 \u0441\u0432\u0435\u0440\u0442\u043e\u0447\u043d\u044b\u0445 \u0441\u043b\u043e\u0435\u0432 [1], \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0445\u043e\u0440\u043e\u0448\u043e \u0441\u0435\u0431\u044f \u043f\u043e\u043a\u0430\u0437\u0430\u043b\u0438 \u043f\u0440\u0438 \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0435 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439. \u0412 \u0441\u0432\u043e\u0435\u0439 \u0441\u0442\u0430\u0442\u044c\u0435 [2] O\u2019Shea \u0443\u0442\u0432\u0435\u0440\u0436\u0434\u0430\u0435\u0442, \u0447\u0442\u043e \u0442\u0430\u043a\u0430\u044f \u041d\u0421 \u043c\u043e\u0436\u0435\u0442 \u043a\u043e\u043d\u043a\u0443\u0440\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0441 \u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u0438\u043c\u0438 \u043c\u0435\u0442\u043e\u0434\u0430\u043c\u0438 \u0430\u0432\u0442\u043e\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e \u0440\u0430\u0441\u043f\u043e\u0437\u043d\u0430\u0432\u0430\u043d\u0438\u044f \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0438 (\u0410\u0420\u041c), \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e \u043f\u0440\u0438 \u043d\u0438\u0437\u043a\u043e\u043c \u043e\u0442\u043d\u043e\u0448\u0435\u043d\u0438\u0438 \u0441\u0438\u0433\u043d\u0430\u043b\/\u0448\u0443\u043c (SNR). \u041f\u043e\u0441\u043b\u0435 \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u0438\u044f \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u043e\u0433\u043e \u043e\u043f\u044b\u0442\u0430 \u0432 \u0440\u0430\u0431\u043e\u0442\u0435 \u0441 \u043d\u0435\u0439\u0440\u043e\u043d\u043a\u0430\u043c\u0438 \u0437\u0430\u0445\u043e\u0442\u0435\u043b\u043e\u0441\u044c \u043f\u0440\u043e\u0432\u0435\u0440\u0438\u0442\u044c \u0437\u0430\u044f\u0432\u043b\u0435\u043d\u043d\u0443\u044e \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u0442\u0430\u043a\u0438\u0445 \u0441\u0438\u0433\u043d\u0430\u043b\u043e\u0432.<\/em> <\/p>\n
    \u00a0\u041f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0441 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435\u043c \u041d\u0421 \u043f\u043e\u0437\u0432\u043e\u043b\u044f\u0435\u0442 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u044c \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u044e \u0432\u0438\u0434\u043e\u0432 \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0438 \u0440\u0430\u0434\u0438\u043e\u0441\u0438\u0433\u043d\u0430\u043b\u043e\u0432 \u0431\u0435\u0437 \u0433\u043b\u0443\u0431\u043e\u043a\u0438\u0445 \u0437\u043d\u0430\u043d\u0438\u0439 \u0432 \u043e\u0431\u043b\u0430\u0441\u0442\u0438 DSP. \u0414\u043b\u044f \u0441\u043e\u0437\u0434\u0430\u043d\u0438\u044f \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440\u0430 \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u0441\u0444\u043e\u0440\u043c\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043c\u0430\u0441\u0441\u0438\u0432 \u0434\u0430\u043d\u043d\u044b\u0445 (Dataset) \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f, \u0432 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c \u0441\u044b\u0440\u044b\u0435 \u0441\u0438\u043d\u0444\u0430\u0437\u043d\u044b\u0435 \u0438 \u043a\u0432\u0430\u0434\u0440\u0430\u0442\u0443\u0440\u043d\u044b\u0435 I\/Q \u043e\u0442\u0441\u0447\u0435\u0442\u044b \u0440\u0430\u0434\u0438\u043e\u0441\u0438\u0433\u043d\u0430\u043b\u0430. \u0414\u0430\u043b\u0435\u0435 \u0441\u043b\u0435\u0434\u0443\u0435\u0442 \u043f\u043e\u0434\u043e\u0431\u0440\u0430\u0442\u044c \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443 \u0441\u0435\u0442\u0438 \u0438 \u043f\u0440\u043e\u0432\u0435\u0441\u0442\u0438 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435. \u0420\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u043e\u043c \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0431\u0443\u0434\u0435\u0442 \u0444\u0430\u0439\u043b \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u043d\u044b\u0445 \u0432\u0435\u0441\u043e\u0432 \u0438 \u0444\u0430\u0439\u043b \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u044f \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u044b \u0441\u0435\u0442\u0438. \u041f\u0440\u0438 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0438 \u0441\u0435\u0442\u0438 \u043e\u0431\u044b\u0447\u043d\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442 \u043c\u0430\u0448\u0438\u043d\u0443 \u0441 \u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0439 \u043c\u043e\u0449\u043d\u043e\u0441\u0442\u044c\u044e, \u0430 \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u043d\u044b\u0439 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u0442\u044c \u043d\u0430 \u043f\u0440\u043e\u0441\u0442\u043e\u0439 \u043c\u0430\u0448\u0438\u043d\u0435<\/em>.\u00a0    <\/p>\n
    \u00a0\u00a0\u00a0 \u041f\u043e\u043f\u0440\u043e\u0431\u0443\u0435\u043c \u043f\u0440\u043e\u0432\u0435\u0440\u0438\u0442\u044c \u043f\u043e\u0434\u0445\u043e\u0434 \u0433\u043b\u0443\u0431\u043e\u043a\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043d\u0430 \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0438\u0435 \u043c\u0438\u043d\u0438\u043c\u0430\u043b\u044c\u043d\u043e\u0439 \u0436\u0438\u0437\u043d\u0435\u0441\u043f\u043e\u0441\u043e\u0431\u043d\u043e\u0441\u0442\u0438 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u0434\u043b\u044f \u0434\u0435\u0432\u044f\u0442\u0438 \u0446\u0438\u0444\u0440\u043e\u0432\u044b\u0445 \u0432\u0438\u0434\u043e\u0432 \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0438: QPSK, OQPSK, P\\4QPSK, QAM-16, QAM-32, QAM-64, QAM-128, QAM256 \u0438 QAM512.<\/em>\u00a0\u00a0\u00a0 <\/p>\n
    \u00a0\u00a0\u00a0 \u0421\u0442\u0430\u0442\u044c\u044f \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u0445 \u043e\u0441\u043d\u043e\u0432\u043d\u044b\u0445 \u0447\u0430\u0441\u0442\u0435\u0439:<\/em><\/p>\n
    1. \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u043c\u0430\u0441\u0441\u0438\u0432\u0430 \u0434\u0430\u043d\u043d\u044b\u0445 Dataset<\/em><\/p>\n
    2. \u0410\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u043e\u0439 \u0441\u0435\u0442\u0438<\/em><\/p>\n
    3. \u041e\u0431\u0443\u0447\u0435\u043d\u0438\u0435, \u0442\u0435\u0441\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435, \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u044b<\/em><\/p>\n
    4. \u0412\u044b\u0432\u043e\u0434\u044b<\/em><\/p>\n
    1. \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 Dataset <\/strong><\/p>\n
        \u0410\u0432\u0442\u043e\u0440\u0441\u043a\u0438\u0439 Dataset RADIOML 2016.10A [3] \u0441\u043e\u0441\u0442\u043e\u044f\u043b \u0438\u0437 8 \u0446\u0438\u0444\u0440\u043e\u0432\u044b\u0445 \u0438 3 \u0430\u043d\u0430\u043b\u043e\u0433\u043e\u0432\u044b\u0445 \u043d\u043e\u0440\u043c\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0445 \u0441\u0438\u0433\u043d\u0430\u043b\u043e\u0432 \u0441 \u0448\u0430\u0433\u043e\u043c \u0443\u0440\u043e\u0432\u043d\u044f SNR \u0432 1 dB. \u041d\u0430\u0448 \u043c\u0430\u0441\u0441\u0438\u0432 \u0434\u0430\u043d\u043d\u044b\u0445 \u0431\u0443\u0434\u0435\u0442 \u0441\u043e\u0441\u0442\u043e\u044f\u0442\u044c \u0442\u043e\u043b\u044c\u043a\u043e \u0438\u0437 9 \u0446\u0438\u0444\u0440\u043e\u0432\u044b\u0445 \u0441\u0438\u0433\u043d\u0430\u043b\u043e\u0432, \u0431\u0435\u0437 \u043f\u0440\u0435\u0434\u0432\u0430\u0440\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0433\u043e \u043d\u043e\u0440\u043c\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u044f, \u043f\u043e 20 \u0444\u0430\u0439\u043b\u043e\u0432 \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0432\u0438\u0434\u0430 \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0438, \u0441 \u0440\u0430\u0437\u043b\u0438\u0447\u043d\u043e\u0439 \u0441\u0438\u043c\u0432\u043e\u043b\u044c\u043d\u043e\u0439 \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u044c\u044e, \u0447\u0430\u0441\u0442\u043e\u0442\u043e\u0439 \u0434\u0438\u0441\u043a\u0440\u0435\u0442\u0438\u0437\u0430\u0446\u0438\u0438, \u0440\u0430\u0437\u043d\u044b\u043c \u0443\u0440\u043e\u0432\u043d\u0435\u043c \u0448\u0443\u043c\u0430 \u0438 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u043c \u043f\u0440\u0438\u043c\u0435\u0440\u043d\u043e \u043f\u043e 1 \u041c\u0431\u0430\u0439\u0442. <\/p>\n
    \u0414\u043b\u044f \u044d\u0442\u043e\u0433\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043b\u0438\u0441\u044c \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u0435 \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u0438:<\/p>\n
    — \u0432\u0435\u043a\u0442\u043e\u0440\u043d\u044b\u0439 \u0433\u0435\u043d\u0435\u0440\u0430\u0442\u043e\u0440, <\/p>\n
    — \u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0435 \u0437\u0430\u043f\u0438\u0441\u0438 \u0441\u0438\u0433\u043d\u0430\u043b\u043e\u0432 \u0441 \u0440\u0430\u0437\u043d\u044b\u043c \u0443\u0440\u043e\u0432\u043d\u0435\u043c SNR,<\/p>\n
    — \u0441\u043f\u0435\u0446\u0438\u0430\u043b\u044c\u043d\u0430\u044f \u043f\u0440\u043e\u0433\u0440\u0430\u043c\u043c\u0430 \u0441\u0438\u043d\u0442\u0435\u0437\u0430 I\/Q \u0441\u0438\u0433\u043d\u0430\u043b\u043e\u0432.<\/p>\n
    \u041f\u0440\u0438\u0451\u043c\u043d\u0430\u044f \u0447\u0430\u0441\u0442\u044c \u0441\u043e\u0441\u0442\u043e\u044f\u043b\u0430 \u0438\u0437 \u043a\u043e\u043d\u0432\u0435\u043a\u0442\u043e\u0440\u0430 \u0432 \u041f\u0427 140 \u041c\u0413\u0446 \u0438 \u043c\u043e\u0434\u0443\u043b\u044f ADC+FPGA, \u0432\u044b\u0445\u043e\u0434\u043d\u043e\u0439 \u0444\u043e\u0440\u043c\u0430\u0442 \u0434\u0430\u043d\u043d\u044b\u0445 2 \u043f\u043e 16 \u0431\u0438\u0442 \u043d\u0430 \u043e\u0434\u0438\u043d I\/Q \u043e\u0442\u0441\u0447\u0435\u0442. \u0414\u043b\u044f \u0441\u043e\u0437\u0434\u0430\u043d\u0438\u044f \u043e\u0431\u0443\u0447\u0430\u044e\u0449\u0435\u0433\u043e \u043c\u0430\u0441\u0441\u0438\u0432\u0430 \u0438 \u0443\u0441\u0442\u0440\u0430\u043d\u0435\u043d\u0438\u044f \u0438\u043d\u0432\u0430\u0440\u0438\u0430\u043d\u0442\u043d\u043e\u0441\u0442\u0438 \u0441\u0434\u0432\u0438\u0433\u0430 \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u043b\u0430\u0441\u044c \u0430\u0443\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u044f \u0432 \u0432\u0438\u0434\u0435 \u043d\u0430\u0440\u0435\u0437\u043a\u0438 \u0441\u0435\u043c\u043f\u043b\u043e\u0432 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u043c 2 \u0445 128 \u0441 \u0448\u0430\u0433\u043e\u043c \u0432 \u043e\u0434\u0438\u043d \u043e\u0442\u0441\u0447\u0435\u0442 \u0438 \u0441\u0434\u0432\u0438\u0433\u043e\u043c \u043d\u0430\u0447\u0430\u043b\u0430 \u0432 \u0444\u0430\u0439\u043b\u0435 \u043d\u0430 8192 \u0431\u0430\u0439\u0442. \u0423\u0432\u0435\u043b\u0438\u0447\u0435\u043d\u0438\u0435 \u0440\u0430\u0437\u043c\u0435\u0440\u0430 \u0441\u0435\u043c\u043f\u043b\u0430 \u0431\u043e\u043b\u0435\u0435 2 \u0445 128 \u043d\u0435 \u0434\u0430\u043b\u043e \u0437\u043d\u0430\u0447\u0438\u043c\u043e\u0433\u043e \u043f\u0440\u0438\u0440\u043e\u0441\u0442\u0430 \u0432 \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u0438. \u00a0<\/p>\n
    \u0412 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u043f\u0440\u043e\u0432\u0435\u0440\u043e\u0447\u043d\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445 \u0431\u0443\u0434\u0435\u0442 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c\u0441\u044f \u043c\u0430\u0441\u0441\u0438\u0432 \u043e\u0442 \u043d\u0430\u0447\u0430\u043b\u0430 \u0434\u043e 8192 \u0431\u0430\u0439\u0442\u0430, \u0438 \u0432 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0438 \u043e\u043d \u043d\u0435 \u0431\u0443\u0434\u0435\u0442 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c\u0441\u044f. \u0421\u0443\u043c\u043c\u0430\u0440\u043d\u044b\u0439 \u0440\u0430\u0437\u043c\u0435\u0440 Dataset \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0441\u044f X =(5400000,2,128) \u0441\u0435\u043c\u043f\u043b\u043e\u0432 \u0438\u043b\u0438 \u043f\u043e 600000 \u043d\u0430 \u043a\u0430\u0436\u0434\u044b\u0439 \u0432\u0438\u0434 \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0438. \u041c\u0430\u0441\u0441\u0438\u0432 \u043c\u0435\u0442\u043e\u043a Y =(5400000,9) \u0441\u0444\u043e\u0440\u043c\u0438\u0440\u043e\u0432\u0430\u043d \u0432 \u0444\u043e\u0440\u043c\u0430\u0442\u0435 ohe (One Hot Encoder) \u043f\u0440\u0438 \u043f\u043e\u043c\u043e\u0449\u0438 \u0443\u0442\u0438\u043b\u0438\u0442\u044b to_categoricall \u043e\u0442 Keras. <\/p>\n
    #  \u0437\u0430\u0433\u0440\u0443\u0436\u0430\u0435\u043c \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u044b\u0435 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0438  import pandas as pd from tensorflow.keras import utils  #\u0418\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c \u0434\u043b\u044f to_categoricall import numpy as np                  #\u0411\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u043c\u0430\u0441\u0441\u0438\u0432\u0430\u043c\u0438 import os                           #\u0414\u043b\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0444\u0430\u0439\u043b\u0430\u043c\u0438  from sklearn.model_selection import train_test_split    # \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0435\u043c \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0443 \u0434\u043b\u044f \u0440\u0430\u0437\u0431\u0438\u0432\u043a\u0438   # \u0410\u0423\u0413\u041c\u0415\u041d\u0422\u0410\u0426\u0418\u042f, \u0434\u0435\u043b\u0430\u0435\u043c \u043d\u0430\u0440\u0435\u0437\u043a\u0443 \u0448\u0430\u0433\u043e\u043c 1 \u043e\u0442\u0441\u0447\u0435\u0442, \u0441\u0435\u043c\u043f\u043b\u044b \u043f\u043e 128 \u043e\u0442\u0441\u0447\u0435\u0442\u043e\u0432  Mode_Type9 = [\"QPSK\",\"OQPSK\",\"P4QPSK\",\"QAM16\",\"QAM32\",\"QAM64\",\"QAM128\",\"QAM256\",\"QAM512\"]  X_ds = []  #  \u043c\u0430\u0441\u0441\u0438\u0432 X Y_ds = []  # \u043c\u0435\u0442\u043a\u0438 Y for i in range(len(Mode_Type9)):    #\u043f\u0440\u043e\u0445\u043e\u0434\u0438\u043c \u043f\u043e \u0432\u0441\u0435\u043c \u0442\u0438\u043f\u0430\u043c \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0438     md = Mode_Type9[i]              #\u0431\u0435\u0440\u0451\u043c \u0442\u0435\u043a\u0443\u0449\u0438\u0439 \u0442\u0438\u043f \u043c\u043e\u0434\u0443\u043b\u044f\u0446\u0438\u0438     for filename in os.listdir(\"D:\/ASD\/\"+ md):  #\u043f\u0440\u043e\u0445\u043e\u0434\u0438\u043c \u043f\u043e \u0444\u0430\u0439\u043b\u0430\u043c \u043f\u0430\u043f\u043a\u0438         name = \"D:\/ASD\/\"+md+\"\/\"+filename        # \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u043c \u043f\u043e\u043b\u043d\u044b\u0439 \u043f\u0443\u0442\u044c \u043a \u0444\u0430\u0439\u043b\u0443         dtt = np.fromfile(name, dtype = np.int16, count = 98304,offset = 8192).astype(np.float16) # \u0441\u0447\u0438\u0442\u044b\u0432\u0430\u0435\u043c count           for n in range(0, 120000, 4):  # \u0431\u0435\u0440\u0435\u043c \u0441 \u0448\u0430\u0433\u043e\u043c \u043f\u043e 4 \u0431\u0430\u0439\u0442 \u2013 \u044d\u0442\u043e 1 \u043e\u0442\u0441\u0447\u0435\u0442I\\Q             dd1 = np.frombuffer(dtt, dtype = np.float16, count = 256, offset = n) # \u0441\u0447\u0438\u0442\u044b\u0432\u0430\u0435\u043c \u043f\u043e 1 \u0441\u0435\u043c\u043f\u043b\u0443             X_ds.append(np.reshape(dd1, (-1,2)).T) # \u0440\u0430\u0441\u0449\u0435\u043f\u043b\u044f\u0435\u043c \u043d\u0430 I \u0438 Q, \u0442\u0440\u0430\u043d\u0441\u043f\u0430\u043d\u0438\u0440\u0443\u0435\u043c-\u0422 \u0438 \u043a\u0438\u0434\u0430\u0435\u043c \u0432 \u043c\u0430\u0441\u0441\u0438\u0432 X_ds             Y_ds.append(to_categorical(i, len(Mode_Type9))) #  \u043a\u0438\u0434\u0430\u0435\u043c \u0432 \u043c\u0430\u0441\u0441\u0438\u0432 \u043c\u0435\u0442\u043e\u043a Y_ds X_ds = np.array(X_ds)          # \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0438\u043c \u0432 \u043d\u0430\u043c\u043f\u0438 \u043c\u0430\u0441\u0441\u0438\u0432  Y_ds = np.array(Y_ds) print(X_ds.shape)              # \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0435\u043c \u0444\u043e\u0440\u043c\u0430\u0442 \u043c\u0430\u0441\u0441\u0438\u0432\u0430 \u0425= (5400000, 2, 128)  print(Y_ds.shape)              # \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0435\u043c \u0444\u043e\u0440\u043c\u0430\u0442 \u043c\u0435\u0442\u043e\u043a Y= (5400000, 9)  <\/code><\/pre>\n
    \u0414\u0430\u043b\u0435\u0435 \u043f\u0440\u0438 \u043f\u043e\u043c\u043e\u0449\u0438 \u0443\u0442\u0438\u043b\u0438\u0442\u044b train_test_split \u043e\u0442 Scikit-learn \u0440\u0430\u0437\u0431\u0438\u0432\u0430\u0435\u043c \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u043d\u044b\u0439 \u043c\u0430\u0441\u0441\u0438\u0432 \u043d\u0430 train \u0438 test \u0432\u044b\u0431\u043e\u0440\u043a\u0438 \u0432 \u043f\u0440\u043e\u043f\u043e\u0440\u0446\u0438\u0438 70 \u043d\u0430 30, \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0435\u043c \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c \u0438 \u0441\u043e\u0445\u0440\u0430\u043d\u044f\u0435\u043c \u0432 NumPy \u043c\u0430\u0441\u0441\u0438\u0432. \u0422\u0430\u043a\u0430\u044f \u0440\u0430\u0437\u0431\u0438\u0432\u043a\u0430 \u043d\u0435 \u0434\u0430\u0435\u0442 \u0442\u043e\u0447\u043d\u043e \u0441\u0431\u0430\u043b\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0435 \u043c\u0430\u0441\u0441\u0438\u0432\u044b \u043f\u043e \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u044b\u043c \u043a\u043b\u0430\u0441\u0441\u0430\u043c \u0438 \u043d\u0435\u0437\u043d\u0430\u0447\u0438\u0442\u0435\u043b\u044c\u043d\u0430\u044f \u0440\u0430\u0437\u0431\u0430\u043b\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u043a\u0430 \u043d\u0435 \u043f\u043e\u0432\u043b\u0438\u044f\u043b\u0430 \u043d\u0430 \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u044c.\u00a0 \u00a0\u00a0   <\/p>\n
    # test_size=0.3 \u2013 \u0434\u043b\u044f \u0442\u0435\u0441\u0442\u0430 \u0431\u0443\u0434\u0435\u0442 \u0432\u044b\u0434\u0435\u043b\u0435\u043d\u043e 30% \u043e\u0442 \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043e\u0447\u043d\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445   # shuffle=True - \u043f\u0435\u0440\u0435\u043c\u0435\u0448\u0430\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0435 # x_train - \u0434\u0430\u043d\u043d\u044b\u0435 \u0434\u043b\u044f \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f # x_test - \u0434\u0430\u043d\u043d\u044b\u0435 \u0434\u043b\u044f \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0438 # y_train - \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0435 \u043e\u0442\u0432\u0435\u0442\u044b \u2013 \u043c\u0435\u0442\u043a\u0438 \u0434\u043b\u044f \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f, \u0444\u043e\u0440\u043c\u0430\u0442 OHE # y_test - \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0435 \u043e\u0442\u0432\u0435\u0442\u044b \u2013 \u043c\u0435\u0442\u043a\u0438 \u0434\u043b\u044f \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0438, \u0444\u043e\u0440\u043c\u0430\u0442 OHE x_train, x_test, y_train, y_test = train_test_split(X_ds, Y_ds, test_size=0.3, shuffle=True)     print (x_train.shape)    # (3780000, 2, 128) \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0430 \u0444\u043e\u0440\u043c\u0430\u0442\u0430 print (x_test.shape)      # (1620000, 2, 128) print (y_train.shape)    # (3780000, 9) print (y_test.shape)      # (1620000, 9) # \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0435\u043c \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c x_train = x_train.reshape(x_train.shape[0], 2, 128,1) x_test = x_test.reshape(x_test.shape[0], 2, 128,1) # \u0421\u043e\u0445\u0440\u0430\u043d\u044f\u0435\u043c X_train \u0438 X_test np.save(\"D:\/DSET9\/Signal_test\", x_test) np.save(\"D:\/DSET9\/Signal_train\", x_train) # \u0421\u043e\u0445\u0440\u0430\u043d\u044f\u0435\u043c Y_train \u0438 Y_test np.save(\"D:\/DSET9\/test_label\", y_test) np.save(\"D:\/DSET9\/train_label\", y_train) <\/code><\/pre>\n
    2. \u0410\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u043e\u0439 \u0441\u0435\u0442\u0438<\/strong><\/p>\n
    \u00a0\u00a0\u00a0 \u041d\u0430\u0448\u0430 \u041d\u0421 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0441\u0435\u0442\u044c\u044e \u043f\u0440\u044f\u043c\u043e\u0433\u043e \u0440\u0430\u0441\u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0435\u043d\u0438\u044f, \u043e\u0442\u043d\u043e\u0441\u0438\u0442\u0441\u044f \u043a \u0442\u0438\u043f\u0443 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0441 \u0443\u0447\u0438\u0442\u0435\u043b\u0435\u043c (supervised learning) \u0438 \u043f\u043e\u0445\u043e\u0436\u0430 \u043d\u0430 VGG-16 \u0441 \u0434\u043e\u0431\u0430\u0432\u043b\u0435\u043d\u0438\u0435\u043c \u043d\u0430 \u0432\u0445\u043e\u0434\u0435 \u0441\u043b\u043e\u044f \u043d\u043e\u0440\u043c\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0438 BatchNormalization \u0434\u043b\u044f \u0443\u0441\u0442\u0440\u0430\u043d\u0435\u043d\u0438\u044f \u043a\u043e\u0432\u0430\u0440\u0438\u0430\u0446\u0438\u043e\u043d\u043d\u043e\u0433\u043e \u0441\u0434\u0432\u0438\u0433\u0430. \u0414\u0430\u043b\u0435\u0435 \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u044b \u0442\u0440\u0438 \u0441\u0434\u0432\u043e\u0435\u043d\u043d\u044b\u0445 \u0434\u0432\u0443\u043c\u0435\u0440\u043d\u044b\u0445 \u0441\u0432\u0435\u0440\u0442\u043e\u0447\u043d\u044b\u0445 \u0441\u043b\u043e\u044f Conv2D \u0441\u043e \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u043c \u043f\u043e\u0440\u044f\u0434\u043a\u043e\u043c \u0444\u0438\u043b\u044c\u0442\u0440\u043e\u0432 32, 64, 128 \u0441 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u043c \u043e\u043a\u043d\u0430 (1,3) \u0438 (2,3) \u0434\u043b\u044f \u043f\u0435\u0440\u0432\u043e\u0433\u043e \u0441\u043b\u043e\u044f \u0438 (2,3) \u0434\u043b\u044f \u0432\u0441\u0435\u0445 \u043e\u0441\u0442\u0430\u043b\u044c\u043d\u044b\u0445. \u0414\u0430\u043b\u044c\u043d\u0435\u0439\u0448\u0435\u0435 \u0443\u0432\u0435\u043b\u0438\u0447\u0435\u043d\u0438\u0435 \u0440\u0430\u0437\u043c\u0435\u0440\u0430 \u044f\u0434\u0440\u0430 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u0438 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0430 \u0441\u0432\u0435\u0440\u0442\u043e\u0447\u043d\u044b\u0445 \u0441\u043b\u043e\u0435\u0432 \u043d\u0435 \u0434\u0430\u0435\u0442 \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u0433\u043e \u0443\u043b\u0443\u0447\u0448\u0435\u043d\u0438\u044f \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0430 \u0440\u0430\u0441\u043f\u043e\u0437\u043d\u0430\u0432\u0430\u043d\u0438\u044f. \u0424\u0443\u043d\u043a\u0446\u0438\u044f \u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438 \u2013 \u043b\u0438\u043d\u0435\u0439\u043d\u044b\u0439 \u0432\u044b\u043f\u0440\u044f\u043c\u0438\u0442\u0435\u043b\u044c relu. \u0417\u0430\u0442\u0435\u043c \u043f\u0440\u043e\u0432\u043e\u0434\u0438\u043b\u0438\u0441\u044c \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u044b \u0441 \u043f\u043b\u043e\u0442\u043d\u044b\u043c \u0441\u043b\u043e\u0435\u043c Dense, \u0431\u044b\u043b\u043e \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u043e, \u0447\u0442\u043e \u0443\u0432\u0435\u043b\u0438\u0447\u0435\u043d\u0438\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0430 \u043d\u0435\u0439\u0440\u043e\u043d\u043e\u0432 \u0441\u0432\u0435\u0440\u0445 256 \u043d\u0435 \u0443\u043b\u0443\u0447\u0448\u0430\u0435\u0442 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044c. \u0414\u043b\u044f \u0443\u0441\u0442\u0440\u0430\u043d\u0435\u043d\u0438\u044f \u044d\u0444\u0444\u0435\u043a\u0442\u0430 \u043f\u0435\u0440\u0435\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u043b\u0438\u0441\u044c \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u044b \u0440\u0435\u0433\u0443\u043b\u044f\u0440\u0438\u0437\u0430\u0446\u0438\u0438 Dropout \u0434\u043e \u043e\u043f\u0442\u0438\u043c\u0430\u043b\u044c\u043d\u044b\u0445 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439 \u0432 20% \u0434\u043b\u044f \u043f\u0435\u0440\u0432\u043e\u0433\u043e \u0438 \u0432\u0442\u043e\u0440\u043e\u0433\u043e \u0438 30% \u0442\u0440\u0435\u0442\u044c\u0435\u0433\u043e \u0441\u043b\u043e\u044f Conv2D. \u041f\u043e\u0441\u043b\u0435 \u043f\u043b\u043e\u0442\u043d\u043e\u0433\u043e \u0441\u043b\u043e\u044f Dense \u0442\u0430\u043a \u0436\u0435 \u0434\u043e\u0431\u0430\u0432\u043b\u0435\u043d \u0441\u043b\u043e\u0439 Dropout \u0432 50 %.<\/p>\n
    \u0418\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c \u0441\u0442\u0430\u043d\u0434\u0430\u0440\u0442\u043d\u044b\u0439 \u043f\u043e\u0434\u0445\u043e\u0434 \u0434\u043b\u044f \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438, \u0432 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u043e\u0448\u0438\u0431\u043a\u0438 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c «categorical_crossentropy» (\u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0430\u043b\u044c\u043d\u0443\u044e \u043a\u0440\u043e\u0441\u0441-\u044d\u043d\u0442\u0440\u043e\u043f\u0438\u044e), \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0442\u043e\u0440 Adam \u0441 \u0448\u0430\u0433\u043e\u043c 0.001, \u043c\u0435\u0442\u0440\u0438\u043a\u0443 «accuracy».<\/p>\n
    # \u0437\u0430\u0433\u0440\u0443\u0436\u0430\u0435\u043c \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u044b\u0435 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0438  from tensorflow.keras.models import Sequential #\u0421\u0435\u0442\u044c \u043f\u0440\u044f\u043c\u043e\u0433\u043e \u0440\u0430\u0441\u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0435\u043d\u0438\u044f #\u0411\u0430\u0437\u043e\u0432\u044b\u0435 \u0441\u043b\u043e\u0438 \u0434\u043b\u044f \u0441\u0432\u0451\u0440\u0442\u043e\u0447\u043d\u044b\u0445 \u0441\u0435\u0442\u0435\u0439 from tensorflow.keras.layers import Dense, Conv2D, MaxPooling2D, Flatten, Dropout, BatchNormalization from tensorflow.keras.optimizers import Adam # \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0442\u043e\u0440 from tensorflow.keras.preprocessing import image #\u0414\u043b\u044f \u043e\u0442\u0440\u0438\u0441\u043e\u0432\u043a\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 from sklearn.preprocessing import LabelEncoder, StandardScaler # \u0424\u0443\u043d\u043a\u0446\u0438\u0438 \u0434\u043b\u044f \u043d\u043e\u0440\u043c\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0438 \u0434\u0430\u043d\u043d\u044b\u0445 from sklearn import preprocessing # \u041f\u0430\u043a\u0435\u0442 \u043f\u0440\u0435\u0434\u0432\u0430\u0440\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0439 \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u0434\u0430\u043d\u043d\u044b\u0445 import numpy as np #\u0411\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u043c\u0430\u0441\u0441\u0438\u0432\u0430\u043c\u0438 import matplotlib.pyplot as plt #\u0414\u043b\u044f \u043e\u0442\u0440\u0438\u0441\u043e\u0432\u043a\u0438 \u0433\u0440\u0430\u0444\u0438\u043a\u043e\u0432 import math # \u043c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u043a\u0430  import os #\u0414\u043b\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0444\u0430\u0439\u043b\u0430\u043c\u0438  import pandas as pd  %matplotlib inline #============= \u0417\u0430\u0433\u0440\u0443\u0436\u0430\u0435\u043c DataSet train\\test \u0432\u044b\u0431\u043e\u0440\u043a\u0438============ # Train data Xtrain = np.load('D:\/DataSet9\/Signal_train.npy') Ytrain = np.load('D:\/DataSet9\/train_label.npy') # Test data Xtest  = np.load('D:\/DataSet9\/Signal_test.npy') Ytest  = np.load('D:\/DataSet9\/test_label.npy') # =================\u0421\u0415\u0422\u042c============ #\u0437\u0430\u0434\u0430\u0451\u043c batch_size batch_size = 512 #\u0421\u043e\u0437\u0434\u0430\u0435\u043c \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u0443\u044e \u043c\u043e\u0434\u0435\u043b\u044c model = Sequential() model.add(BatchNormalization(input_shape=(2, 128, 1))) #\u041f\u0435\u0440\u0432\u044b\u0439 \u0441\u0432\u0435\u0440\u0442\u043e\u0447\u043d\u044b\u0439 \u0441\u043b\u043e\u0439 model.add(Conv2D(32, (1, 3), padding='same', activation='relu')) model.add(Conv2D(32, (2, 3), padding='same', activation='relu')) model.add(MaxPooling2D(pool_size=(1, 2))) model.add(Dropout(0.2)) #\u0412\u0442\u043e\u0440\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043e\u0447\u043d\u044b\u0439 \u0441\u043b\u043e\u0439 model.add(Conv2D(64, (2, 3), padding='same', activation='relu')) model.add(Conv2D(64, (2, 3), padding='same', activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) #\u0421\u043b\u043e\u0439 \u0440\u0435\u0433\u0443\u043b\u044f\u0440\u0438\u0437\u0430\u0446\u0438\u0438 Dropout model.add(Dropout(0.2)) #\u0422\u0440\u0435\u0442\u0438\u0439 \u0441\u0432\u0435\u0440\u0442\u043e\u0447\u043d\u044b\u0439 \u0441\u043b\u043e\u0439 model.add(Conv2D(128, (2, 3), padding='same', activation='relu')) model.add(Conv2D(128, (2, 3), padding='same', activation='relu')) model.add(MaxPooling2D(pool_size=(1, 2))) #\u0421\u043b\u043e\u0439 \u0440\u0435\u0433\u0443\u043b\u044f\u0440\u0438\u0437\u0430\u0446\u0438\u0438 Dropout model.add(Dropout(0.3)) model.add(Flatten()) #\u041f\u043e\u043b\u043d\u043e\u0441\u0432\u044f\u0437\u043d\u044b\u0439 \u0441\u043b\u043e\u0439 \u0434\u043b\u044f \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 model.add(Dense(256, activation='relu')) model.add(Dropout(0.5)) #\u0412\u044b\u0445\u043e\u0434\u043d\u043e\u0439 \u043f\u043e\u043b\u043d\u043e\u0441\u0432\u044f\u0437\u043d\u044b\u0439 \u0441\u043b\u043e\u0439 model.add(Dense(9, activation='softmax'))   # #\u041a\u043e\u043c\u043f\u0438\u043b\u0438\u0440\u0443\u0435\u043c \u0441\u0435\u0442\u044c model.compile(loss=\"categorical_crossentropy\", optimizer=Adam(lr=1e-3), metrics=[\"accuracy\"]) <\/code><\/pre>\n
    3. \u041e\u0431\u0443\u0447\u0435\u043d\u0438\u0435, \u0442\u0435\u0441\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435, \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u044b <\/strong><\/p>\n
        \u041c\u0435\u0442\u043e\u0434\u043e\u043c fit \u0437\u0430\u043f\u0443\u0441\u043a\u0430\u0435\u043c \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435, \u043d\u0430 \u0432\u0445\u043e\u0434 \u0441\u0435\u0442\u0438 \u043f\u043e\u0441\u0442\u0443\u043f\u0430\u044e\u0442 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u044b Xtrain \u0438 Ytrain \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u043c batch_size \u0438 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e \u043f\u0440\u043e\u0433\u043e\u043d\u044f\u044e\u0442\u0441\u044f \u0447\u0435\u0440\u0435\u0437 \u0432\u0441\u0435 \u0441\u043b\u043e\u0438 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f. \u041d\u0430\u0448\u0430 \u043e\u0431\u0443\u0447\u0430\u044e\u0449\u0430\u044f \u0432\u044b\u0431\u043e\u0440\u043a\u0430 \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 7383 \u0431\u0430\u0442\u0447\u0435\u0439 (batch) \u043f\u043e 512 \u0441\u0435\u043c\u043f\u043b\u043e\u0432, \u0447\u0442\u043e \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0443\u0435\u0442 \u043e\u0434\u043d\u043e\u0439<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-344367","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/344367","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=344367"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/344367\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=344367"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=344367"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=344367"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}