چکیده: چکیده تشخیص خودکار مدولاسیون، قالب مدولاسیون یک شکل موج دریافتی را در شرایطی شناسایی می‌کند که اطلاعات سیگنال‌دهی سمت فرستنده در دسترس نباشد. این پایان‌نامه یک چارچوب یادگیری ماشین مبتنی بر ویژگی و قابل تفسیر را برای پنج کلاس مدولاسیون دیجیتال BPSK، QPSK، 8PSK، 16-QAM و 64-QAM توسعه داده و ارزیابی می‌کند. آزمایش کنترل‌شده در MATLAB شامل 7,000 فریم مستقل تولیدشده در هفت سطح SNR از -10 تا 20 dB و دو شرایط کانالی AWGN و محوشدگی بلوکی تخت رایلی است. هر فریم پیش از استخراج ویژگی مرکززدایی و از نظر توان نرمال می‌شود. نمایش خط مبنا شامل یک بردار 22‌بعدی از آمار دامنه، گشتاورها و کومولانت‌های مختلط، توصیفگرهای فاز، هارمونیک‌های دایروی ناوردا نسبت به چرخش و سنجه‌های طیفی است. مدل‌های خط مبنا از یک تقسیم طبقه‌بندی‌شده مشترک 70/30 استفاده می‌کنند. سپس مطالعه عملی با ده تقسیم تکراری آموزش/آزمون، تحلیل حذف خانواده ویژگی و جست‌وجوی اعتبارسنجی متقابل پنج‌بخشی فقط بر داده‌های آموزش برای همه 31 ترکیب غیرتهی از پنج خانواده ویژگی تقویت شد. قاعده یک خطای استاندارد One-SE یک نمایش فشرده 10‌ویژگی شامل هفت توصیفگر دامنه و سه ویژگی آماری مختلط را انتخاب کرد. در تحلیل پایداری تقسیم‌های تکراری برای خط مبنای 22‌ویژگی، جنگل تصادفی به میانگین دقت 65.26%، SVM به 64.87% و KNN به 59.89% دست یافت؛ تفاوت RF-SVM در سطح 0.05 از نظر آماری قابل‌تشخیص نبود (p = 0.124). بهینه‌سازی ویژگی فقط بر داده‌های آموزش، 10 ویژگی را بدون استفاده از برچسب‌های مجموعه آزمون ثابت انتخاب کرد. در مقایسه نهایی آزمون ثابت، SVM با 10 ویژگی منتخب به دقت 65.19% و Macro-F1 برابر 66.09% رسید؛ جنگل تصادفی به 64.67% و 65.06% و KNN به 63.62% و 63.95% دست یافتند. نمایش 10‌ویژگی زمان آموزش و استنتاج SVM را کاهش داد و در عین حال عملکرد تشخیص را حفظ یا بهبود بخشید. عملکرد همچنان به‌شدت به SNR وابسته بود و ابهام میان 16-QAM و 64-QAM مهم‌ترین خطای باقی‌مانده بود. بنابراین توصیه مهندسی نهایی، SVM با نمایش 10‌ویژگی مبتنی بر دامنه و آمار مختلط است.