به‌طورکلی روش­‌های کلاسیک که برای حل مسئله AMR و ACR مورد استفاده قرارگرفته‌اند را می­توان به دو دسته Likelihood based و Feature based تقسیم نمود. با استفاده از الگوریتم Likelihood based، AMR و ACR درواقع به مسئله امتحان کردن فرضیه­‌های مختلف برای تشخیص مدولاسیون تبدیل می‌­شود. ایده این روش استفاده از تابع چگالی احتمال سیگنال مشاهده­‌شده است. برای محاسبه احتمال متعلق بودن نمونه سیگنال مشاهده‌شده به مدل­‌های مختلف از Likelihood استفاده می­‌شود. در الگوریتم Feature based ابتدا ویژگی‌­هایی استخراج می­‌شوند که می­‌توانند سیگنال­‌ها با مدولاسیون متفاوت را تفکیک کنند. با استفاده از الگوریتم‌­های یادگیری ماشین (ازجمله درخت تصمیم) و داده‌­های آموزشی، مدل مناسبی برای تصمیم‌­گیری بر مبنای این ویژگی­‌ها به­‌دست می­‌آید. با توجه به مشخص نبودن پارامتر­های سیگنال دریافت شده ازجمله SNR (نسبت سیگنال به نویز) و تغییر پارامتر­های کانال، ارائه مدلی که بتواند برای شرایط مختلف نوع مدلاسیون را به‌درستی پیش­بینی کند بسیار مشکل است. گسترش روزافزون الگوریتم­‌های مبتنی بر شبکه­‌های عصبی و عملکرد قابل‌قبول آن­ها در مسائل بینایی ماشین، نظر طراحان مخابرات بی­سیم را به استفاده از این الگوریتم‌­ها در پردازش سیگنال جلب کرده است. ازاین‌رو به نظر می­رسد با استفاده از شبکه­‌های عصبی عمیق می‌­توان مدلی ارائه نمود که با عملکرد بهتری نسبت به مدل­‌های ارائه‌شده قادر به تشخیص نوع مدولاسیون سیگنال برای شرایط مختلف کانال باشد.

به همین ترتیب هدف این پروژه، پیاده‌سازی بهینه‌ی الگوریتم‌های تشخیص خودکار مدولاسیون و کدینگ کانال بر روی پردازنده GPU Embedded به‌صورت بلادرنگ و مبتنی بر هوش مصنوعی می‌باشد. در گام اول پروژه انتظار می‌رود که مجری تحقیق بتواند تشخیص خودکار مدولاسیون دیجیتال را بر اساس هوش مصنوعی در سامانه‌های شنود پیاده‌سازی کند و سپس به بخش تشخیص خودکار کدینگ بر مبنای هوش مصنوعی بپردازد.