Ghellai, MariaGuenineche, Djawida2026-10-082026-10-082026-06-22https://dspace.univ-tlemcen.dz/handle/112/26960Ce mémoire porte sur la classification automatique des modulations radio (AMC) à l’aide d’une architecture hybride CNN-TCN appliquée à la base de données RadioML 2016.10a. L’objectif est d’améliorer la reconnaissance des signaux radio dans différentes conditions de bruit en intégrant l’information du rapport signal sur bruit (SNR) au processus de classification. Afin d’assurer l’interprétabilité du modèle, des techniques d’intelligence artificielle explicable (XAI), notamment SHAP et Integrated Gradients, sont utilisées pour analyser l’influence des composantes I/Q sur les décisions du réseau. Les résultats obtenus montrent que le modèle proposé offre de bonnes performances de classification tout en permettant une meilleure compréhension de son fonctionnement interne. Cette approche combine ainsi précision, robustesse et interprétabilité pour les applications de communications radio intelligentes.frClassification automatique des modulations radioapprentissage profondarchitecture CNN-TCNintégration du SNRinterprétabilité des modèlesintelligence artificielle explicableSHAPgradients intégrés.Thesis