Підхід до оброблення радіосигналів з амплітудною модуляцією багатьох складових з використанням одновимірної згорткової нейронної мережі
DOI:
https://doi.org/10.15587/1729-4061.2023.292854Ключові слова:
оброблення сигналів, штучна нейронна мережа, згорткова нейронна мережаАнотація
Об’єктом дослідження є методики застосування одновимірних згорткових нейронних мереж в радіоприймальних системах з метою підвищення їх завадостійкості.
Завданням досліджень є перевіряння гіпотези про імовірну більшу ефективність розпізнавання радіосигналів в умовах високих шумів (або малих амплітудах сигналів) моделями штучних нейронних мереж приймання радіосигналів в порівнянні з тривіальними приймальними системами.
З використанням згорткових нейронних мереж досягнуто вищої ефективності виділення корисної інформації з суміші сигнал-шум при достатньо високих рівнях шуму, і, відповідно, вищої точності розпізнавання радіосигналів. Такий результат досягнуто завдяки специфічній архітектурі згорткових нейронних мереж, здатності автоматично виявляти важливі закономірності в даних, більш глибоко та інформативно аналізувати радіосигнали. Ієрархічне представлення даних з виділенням більш складних і абстрактних особливостей сигналу за умови ускладнення моделей згорткових нейронних мереж є однією з основних переваг використання запропонованих методів та алгоритмів в складних умовах передавання радіосигналів.
Порівняння з тривіальними способами оброблення радіосигналів виконано на основі параметру ймовірності символьної помилки при різних відношеннях сигнал-шум досліджуваних сигналів та демонструє стабільне зменшення імовірності символьної помилки при відношеннях сигнал-шум менше 4 дБ.
Результати можуть бути використані в реальних радіокомунікаційних системах, особливо в умовах, коли потрібно швидко і надійно розпізнавати радіосигнали серед шумів, в умовах штучних завад або при малих амплітудах сигналів. Також вони можуть бути корисними у військових застосуваннях, системах дистанційного зондування Землі, мобільних комунікаційних мережах тощо
Посилання
- Xu, S., Li, J., Liu, K., Wu, L. (2019). A Parallel GRU Recurrent Network Model and its Application to Multi-Channel Time-Varying Signal Classification. IEEE Access, 7, 118739–118748. doi: https://doi.org/10.1109/access.2019.2936516
- Yang, R., Zha, X., Liu, K., Xu, S. (2021). A CNN model embedded with local feature knowledge and its application to time-varying signal classification. Neural Networks, 142, 564–572. doi: https://doi.org/10.1016/j.neunet.2021.07.018
- Xian, Y., Pu, Y., Gan, Z., Lu, L., Thompson, A. (2016). Modified DCTNet for audio signals classification. Journal of the Acoustical Society of America, 140, 3405–3405. doi: https://doi.org/10.1121/1.4970932
- Yildirim, A., Kiranyaz, S. (2020). 1D Convolutional Neural Networks Versus Automatic Classifiers for Known LPI Radar Signals Under White Gaussian Noise. IEEE Access, 8, 180534–180543. doi: https://doi.org/10.1109/access.2020.3027472
- Xiong, J., Pan, J., Du, M. (2023). A Cascade Network for Pattern Recognition Based on Radar Signal Characteristics in Noisy Environments. Remote Sensing, 15 (16), 4083. doi: https://doi.org/10.3390/rs15164083
- Rahman, M. H., Sejan, M. A. S., Aziz, M. A., You, Y.-H., Song, H.-K. (2023). HyDNN: A Hybrid Deep Learning Framework Based Multiuser Uplink Channel Estimation and Signal Detection for NOMA-OFDM System. IEEE Access, 11, 66742–66755. doi: https://doi.org/10.1109/access.2023.3290217
- Zhou, Y., Jiao, X. (2021). Intelligent analysis system for signal processing tasks based on LSTM recurrent neural network algorithm. Neural Computing and Applications, 34 (15), 12257–12269. doi: https://doi.org/10.1007/s00521-021-06478-6
- Cox, J. A., James, C. D., Aimone, J. B. (2015). A Signal Processing Approach for Cyber Data Classification with Deep Neural Networks. Procedia Computer Science, 61, 349–354. doi: https://doi.org/10.1016/j.procs.2015.09.156
- Chen, S., Eldar, Y. C., Zhao, L. (2021). Graph Unrolling Networks: Interpretable Neural Networks for Graph Signal Denoising. IEEE Transactions on Signal Processing, 69, 3699–3713. doi: https://doi.org/10.1109/tsp.2021.3087905
- Rey, S., Segarra, S., Heckel, R., Marques, A. G. (2022). Untrained Graph Neural Networks for Denoising. IEEE Transactions on Signal Processing, 70, 5708–5723. doi: https://doi.org/10.1109/tsp.2022.3223552
- Monga, V., Li, Y., Eldar, Y. C. (2021). Algorithm Unrolling: Interpretable, Efficient Deep Learning for Signal and Image Processing. IEEE Signal Processing Magazine, 38 (2), 18–44. doi: https://doi.org/10.1109/msp.2020.3016905
- Zhang, M., Liu, Z., Li, L., Wang, H. (2018). Enhanced Efficiency BPSK Demodulator Based on One-Dimensional Convolutional Neural Network. IEEE Access, 6, 26939–26948. doi: https://doi.org/10.1109/access.2018.2834144
- Zhu, M., Hu, S., Yang, K., Yan, T., Ye, L., Li, H., Jin, Y. (2023). GMSK Demodulation Combining 1D‐CNN and Bi‐LSTM Network Over Strong Solar Wind Turbulence Channel. Radio Science, 58 (1). doi: https://doi.org/10.1029/2022rs007438
- Horbatyi, I. V. (2013). Novi riznovydy moduliatsiyi syhnalu v tsyfrovykh radioreleinykh systemakh peredavannia. Problemy telekomunikatsiy, 2 (11), 44–55. Available at: https://pt.nure.ua/wp-content/uploads/2020/01/132_gorbatyy_modulation.pdf
- Horbatyi, I., Tsymbaliuk, I. (2021). Method for forming datasets of signals with amplitude modulation of many components for neural networks learning. Infocommunication and Computer Technologies, 2 (02), 172–181. doi: https://doi.org/10.36994/2788-5518-2021-02-02-12
- Gorbatyy, I. V. (2014). Investigation of the technical efficiency of state-of-the-art telecommunication systems and networks with limited bandwidth and signal power. Automatic Control and Computer Sciences, 48 (1), 47–55. doi: https://doi.org/10.3103/s0146411614010039
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2023 Ivan Tsymbaliuk, Ivan Horbatyi
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
