Automatic modulation classification (AMC), which aims to blindly identify the modulation type of an incoming signal at the receiver in wireless communication systems, is a fundamental signal processing technique in the physical layer to improve the spectrum utilization efficiency.Motivated by deep learning (DL) high-impact success in many informatics domains, including radio signal processing for communications, numerous recent AMC methods exploiting deep networks have been proposed to overcome the existing drawbacks of traditional approaches.DL is capable of learning the underlying characteristics of radio signals effectively for modulation pattern recognition, which in turn improves the modulation classification performance under the presence of channel impairments.In this work, we first provide the fundamental concepts of various architectures, such as neural networks, recurrent neural networks, long short-term memory, and convolutional neural networks as the necessary background.We then convey a comprehensive study of DL for AMC in wireless communications, where technical analysis is deliberated in the perspective of state-of-the-art deep architectures.Remarkably, several sophisticated structures and advanced designs of convolutional neural networks are investigated for different data types of sequential radio signals, spectrum images, and constellation images to deal with various channel impairments.Finally, we discuss some primary research challenges and potential future directions in the area of DL for modulation classification.

Automotive radars, with a widespread emergence in the last decade, have faced various jamming attacks. Utilizing low probability of intercept (LPI) radar waveforms, as one of the essential solutions, demands an accurate waveform recognizer at the intercept receiver. Numerous conventional approaches have been studied for LPI radar waveform recognition, but their performance is inadequate under channel condition deterioration. In this letter, by exploiting deep learning (DL) to capture intrinsic radio characteristics, we propose a convolutional neural network (CNN), namely LPI-Net, for automatic radar waveform recognition. In particular, radar signals are first analyzed by a time-frequency analysis using the Choi-Williams distribution. Subsequently, LPI-Net, primarily consisting of three sophisticated modules, is built to learn the representational features of time-frequency images, in which each module is constructed with a preceding maps collection to gain feature diversity and a skip-connection to maintain informative identity. Simulation results show that LPI-Net achieves the 13-waveform recognition accuracy of over 98% at 0 dB SNR and further performs better than other deep models.

In this paper, we propose a novel hybrid user pairing (HUP) scheme in multiuser multiple-input single-output non-orthogonal multiple access networks with simultaneous wireless information and power transfer. In this system, two information users with distinct channel conditions are optimally paired while energy users perform energy harvesting (EH) under non-linearity of the EH circuits. We consider the problem of jointly optimizing user pairing and power allocation to maximize the overall spectral efficiency (SE) and energy efficiency (EE) subject to user-specific quality-of-service and harvested power requirements. A new paradigm for the EE-EH trade-off is then proposed to achieve a good balance of network power consumption. Such design problems are formulated as the maximization of non-concave functions subject to the class of mixed-integer non-convex constraints, which are very challenging to solve optimally. To address these challenges, we first relax binary pairing variables to be continuous and transform the design problems into equivalent non-convex ones, but with more tractable forms. We then develop low-complexity iterative algorithms to improve the objectives and converge to a local optimum by means of the inner approximation framework. Simulation results show the convergence of proposed algorithms and the SE and EE improvements of the proposed HUP scheme over state-of-the-art designs. In addition, the effects of key parameters such as the number of antennas and dynamic power at the BS, target data rates, and energy threshold, on the system performance are evaluated to show the effectiveness of the proposed schemes in balancing resource utilization.

This paper studies the performance of intelligent reflecting surface (IRS)-aided short-packet non-orthogonal multiple access (NOMA) systems under perfect and imperfect successive interference cancellation. Closed-form expressions for the average block error rate (BLER) with random and optimal phase shifts are derived. To gain some useful insights, an asymptotic analysis is carried out, based on which the diversity gain is achieved. Numerical results show that, at high signal-to-noise ratio, users with random phase shift achieve significant performance improvements in the performance gap between direct and non-direct links from a source when compared with that of the optimal phase shift. In addition, the proposed system outperforms its orthogonal multiple access counterpart in terms of both BLER and throughput. Furthermore, optimal channel coding rates of users can maximize the system throughput performance. Monte Carlo simulations are presented to corroborate the theoretical analysis.

This paper studies the performance of multi-hop cognitive wireless powered device-to-device (D2D) communications in wireless sensor networks (WSNs). In our analysis, each sensor node harvests energy from multiple dedicated power beacons and shares the spectrum resources with multiple primary receivers (PRs) using underlay cognitive radio. Additionally, we consider a practical scenario of cognitive wireless powered D2D communications in WSNs, where the knowledge of interference channels is assumed to be imperfect. To improve the network performance, we propose two user scheduling schemes, namely dual-hop scheduling (DHS) and best-path scheduling (BPS) schemes. We then investigate the performance of the proposed scheduling schemes in terms of outage probability and outage floor. Through numerical results, we show that BPS scheme significantly outperforms DHS scheme, which in turns outperforms the state-of-the-art solution. Moreover, the advantages and drawbacks of each scheme are analyzed and discussed comprehensively. We also point out that the inaccurate knowledge of the interference channels significantly affects any performance metric of multi-hop cognitive D2D communications in WSNs such as outage probability, outage floor, and performance loss.

In this article, we propose an efficient deep-neural-network-based relay selection (DNS) scheme to evaluate and improve the end-to-end throughput in wireless-powered cognitive Internet-of-Things (IoT) networks. In this system, multiple energy harvesting (EH) relays are deployed randomly to assist data transmission from a source node to multiple users under practical nonlinearity of the EH circuits. We first design an incremental relaying protocol, where a selected user will request the help from relays if the direct transmission is not favorable. In such a protocol, we develop a deep neural network framework for relay selection and throughput prediction with high accuracy, less channel feedback amount, and short execution time. Simulation results show that the proposed DNS scheme achieves higher throughput than the conventional relay selection methods, while it considerably reduces computational complexity, suggesting a real-time configuration for IoT systems under complex scenarios. Moreover, the proposed DNS scheme achieves the root-mean-square error (RMSE) of 6.6×10 -3 on the considered dataset, which exhibits the lowest RMSE as compared to the state-of-the-art machine learning approaches.

In this paper, we study short-packet communications in wireless-powered cognitive Internet-of-Things (IoT) networks with multiple primary receivers (PRs). The considered system can be applied for small factory automations, where a source and multiple relays harvest energy from a multi-antenna dedicated power beacon (PB) to send short packets to a robot destination for controlling purposes under cognitive radio constraint imposed by PRs. We propose an opportunistic relay selection (ORS) scheme to maximize the end-to-end signal-to-noise ratio in cognitive IoT systems. Closed-form expressions for the average block error rate (BLER) of the proposed system are obtained, based on which the performance floor analysis, goodput, and energy efficiency (EE) are also carried out. Relying on analytical results, we develop a deep learning framework for the BLER prediction with high accuracy and short execution time. Simulation results show the BLER, goodput, and EE improvements of the ORS scheme over conventional relay selection schemes. Moreover, the developed deep learning-based evaluation model achieves the equivalent performance as the ORS scheme in terms of BLER, goodput, and EE, while remarkably reducing the execution time in cognitive IoT systems.

In this article, we study wireless-powered cognitive nonorthogonal multiple access (NOMA) Internet of Things (IoT) networks with short-packet communications to improve spectrum utilization and sustainability, as well as reduce the latency under imperfect channel state information (CSI) and successive interference cancelation (SIC). For performance evaluation, closed-form expressions for the block error rate (BLER) of the NOMA users, goodput, energy efficiency, latency, and reliability are derived. To gain some further insights into the system design, two scenarios can be taken into account for the positions of the primary receivers: 1) they are located near the secondary network and 2) they are located far away from the secondary network. Moreover, we propose an effective algorithm to minimize the BLERs of the NOMA users by optimizing power allocation coefficients. In addition, a novel multi-output deep-learning (DL) framework is designed to simultaneously predict the BLERs and goodputs of users towards real-time configurations for IoT systems. Numerical results show the outstanding performance of the proposed system over the orthogonal multiple access (OMA) one in terms of the BLER and goodput. Moreover, the proposed system achieves a lower latency and higher reliability compared to the long packet communications under the same channel settings. Furthermore, our designed multioutput DL also exhibits the lowest error performance and a short run-time prediction compared to the other multioutput regression models, while the predicted results using the DL model are almost matched with the simulation ones.

In this article, we propose a cooperative nonorthogonal multiple access (NOMA)-enabled simultaneous wireless information and power transfer (SWIPT) Internet of Things (IoT) networks, where one information source harvests energy from a multiantennas power beacon (PB) to serve two IoT users via the help of multiple energy-limited relay nodes. To improve the performance of far IoT user, we propose reactive and proactive relay selection protocols together with time-power energy harvesting mechanism under imperfect successive interference cancellation. Closed-form expressions for the outage probability (OP), throughput, and energy efficiency (EE) of the proposed system are obtained, from which the asymptotic analysis for the throughput is also carried out. To further enhance the system performance, we propose a low-complexity method to optimize the outage and throughput performance subject to power allocation, time, and power splitting parameters. Toward real-time configurations in IoT networks, we design a deep learning framework for the sum-throughput and EE predictions with low computation complexity and high accuracy. The influences of antennas setting at PB, time-switching ratio, power-splitting ratio, power allocation factor, and the number of relays on the system OP, throughput, and EE are evaluated and discussed along with numerical results.

In this article, we study novel wireless powered cognitive nonorthogonal multiple access (NOMA)-based Internet-of-Things (IoT) relay networks to improve the performance of a cell-edge user under perfect and imperfect successive interference cancelation (SIC). In the secondary networks, a source node communicates with a cell-center user via direct link and with a cell-edge user through the assistance of a master IoT node under cognitive radio constraint. Exact closed-form analytical expressions for the outage probability (OP) of NOMA users and the overall system throughput are derived. To provide further insights, a performance floor analysis is also carried out considering two power-setting scenarios: 1) the transmit powers at the power beacon goes to infinity and 2) the maximum allowable power constraint goes to infinity. Moreover, we develop two iterative algorithms for minimizing OP users and maximizing system throughput subject to time-switching and power-allocation factors in two-hop transmission. Direct derivation of the closed-form expression for the ergodic capacity (EC) becomes unfeasible due to the high complexity of the proposed system model. To overcome this issue, we design a deep neural network (DNN) framework for the EC prediction toward real-time configurations. Our results show that the predicted results based on this DNN framework perfectly align with the simulations, validating our design framework. In addition, the DNN approach exhibits the lowest root-mean-square error and low run-time predictions among other regression models.