Kort Charif, Chaimaa Mansouria2026-10-082026-10-082026-06-21https://dspace.univ-tlemcen.dz/handle/112/26959Face à la complexité croissante des environnements de communication et aux limites des approches classiques en conditions de faible rapport signal sur bruit, ce mémoire propose une solution de classification intelligente des modulations radio basée sur le Deep Learning. Après une étude approfondie des fondements des communications radio numériques couvrant les techniques de modulation analogiques (AM, FM, PM) et numériques (ASK, FSK, PSK, QAM, OFDM) ainsi que les contraintes du canal de transmission (bruit, fading, SNR), le travail explore les architectures de réseaux de neurones profonds (CNN, RNN, LSTM) et leur capacité à extraire automatiquement des caractéristiques discriminantes à partir de signaux bruts. Le modèle hybride proposé, CNNWithSNR, combine des couches convolutionnelles Conv1D pour l'analyse temporelle du signal et l'intégration explicite du SNR comme information contextuelle. Évalué sur le dataset RadioML2016.10a (11 types de modulations, SNR de −20 dB à +18 dB), il atteint des performances élevées mesurées par l'accuracy, le F1-score et les courbes ROC/AUC, tout en affichant une robustesse notable en conditions dégradées. Ce travail démontre que le Deep Learning constitue une approche fiable et compétitive pour la Reconnaissance Automatique des Modulations (AMC), avec des perspectives de déploiement sur systèmes embarqués en temps réelfrDeep LearningCNNConv1DAMCmodulations radioSNRRadioML2016.10aréseaux de neuronescommunications numériquesradio cognitiveThesis