Парамонов Алексей Анатольевич, д.т.н., профессор, кафедра радиоэлектронных систем и комплексов Института радиоэлектроники и информатики
119454, Москва, пр-т Вернадского, д. 78
Scopus Author ID 57208923552
Aleksei A. Paramonov, Dr. Sci. (Eng.), Professor, Department of Radio Electronic Systems and Complexes, Institute of Radio Electronics and Informatics
78, Vernadskogo pr., Moscow, 119454
Scopus Author ID 57208923552
Нгуен Ван Минь, аспирант, кафедра радиоэлектронных систем и комплексов Института радиоэлектроники и информатики
119454, Москва, пр-т Вернадского, д. 78
Van Minh Nguyen, Postgraduate Student, Department of Radio Electronic Systems and Complexes, Institute of Radio Electronics and Informatics
78, Vernadskogo pr., Moscow, 119454
Нгуен Минь Тыонг, к.т.н., доцент, кафедра информатики Института кибербезопасности и цифровых технологий
119454, Москва, пр-т Вернадского, д. 78
Minh Tuong Nguyen, Cand. Sci. (Eng.), Associate Professor, Department of Informatics, Institute for Cybersecurity and Digital Technologies
78, Vernadskogo pr., Moscow, 119454
Цели. Автоматическое распознавание видов модуляции неизвестных сигналов является важной задачей для различных областей техники: радиоконтроля и радиомониторинга, идентификации помех и источников радиоизлучения. Основная цель работы – разработка метода распознавания видов модуляции сигналов в условиях параметрической априорной неопределенности, в т.ч. неопределенности значений несущей частоты и начальной фазы сигнала. Дополнительной задачей является оценка значений отстроек от несущей частоты или фазы сигнала на начальном этапе процесса распознавания.
Методы. Использована многозадачная искусственная нейронная сеть, теория кумулянтов случайных величин.
Результаты. Для сигналов со сдвигом несущей частоты и начальной фазы вычислены кумулянты для модуляции QAM-8, APSK-16, QAM-64 и PSK-8. Представлена использующая кумулянтные признаки и алгоритм стандартизации данных многозадачная нейронная сеть. Результаты эксперимента показали, что использование многозадачной нейронной сети обеспечивает высокую точность распознавания модуляции QAM-8 и APSK-16, QAM-64 и PSK-8 в случае небольших отстроек несущей частоты или начальной фазы. Точность определения значений отстройки несущей частоты или начальной фазы сигнала для модуляции QAM-8, APSK-16, QAM-64 и PSK-8 оказывается высокой.
Выводы. Многозадачная нейронная сеть, использующая кумулянты сигналов высокого порядка, позволяет не только распознавать с высокой точностью виды модуляции в условиях априорной неопределенности параметров сигналов, но определять при этом значения отстроек несущей частоты или начальной фазы сигнала от ожидаемых значений.
Objectives. Automatic modulation recognition of unknown signals is an important task for various fields oftechnology such as radio control, radio monitoring, and identification of interference and sources of radio emission. The paper aims to develop a method for recognizing the types of signal modulation under conditions of parametric a priori uncertainty, including the uncertainty of carrier frequency- and initial signal phase values. An additional task consists in estimating the offset values of the carrier frequency or signal phase at the initial stage of the recognition process.
Methods. A multi-task learning with artificial neural network and the theory of cumulants of random variables are used.
Results. For signals with a carrier frequency and initial phase shift, cumulant approaches for QAM-8, APSK-16, QAM-64, and PSK-8 modulations are calculated. A multi-task learning with artificial neural network using cumulant features and a data standardization algorithm is presented. The results of the experiment show that using multi-task learning with an artificial neural network provides high accuracy of recognizing QAM-8 and APSK-16, QAM-64 and PSK-8 modulations with small mismatches of the carrier frequency or initial phase. The accuracy of determining the offset values from the carrier frequency or the initial phase for QAM-8, APSK-16, QAM-64, and PSK-8 modulation is high.
Conclusions. The multi-task learning with neural network using high-order signal cumulants makes it possible not only to recognize modulation types with high accuracy under conditions of a priori uncertainty of signal parameters, but also to determine the offset values of carrier frequency or initial signal phase from expected values.
The authors declare that there are no conflicts of interest present.