Гибридная архитектура нейронной сети ResBiLSTM-BiGRU для эффективного подавления шума в радиоканале с цифровыми модулированными сигналами

Цели. Целью данной работы является разработка эффективного метода подавления аддитивного гауссовского шума в радиоканале, обеспечивающего высокое качество восстановления цифровых модулированных сигналов при низких значениях отношения сигнал/шум (signal-to-noise ratio, SNR).

Методы. Для решения поставленной задачи предложена гибридная архитектура, объединяющая рекуррентные нейронные сети типов долгой краткосрочной памяти (long short-term memory, LSTM) и управляемых рекуррентных блоков (gated recurrent unit, GRU). Модель ResBiLSTM-BiGRU обеспечивает более стабильное обучение, повышенное качество восстановления и более точное моделирование временной структуры сигналов. Эффективность модели оценивалась на многомодуляционном наборе данных при различных уровнях входного SNR.

Результаты. Экспериментальные исследования показали, что предложенная модель в среднем обеспечивает увеличение выходного SNR на 2–3 дБ по сравнению с релятивистской усредненной генеративно-состязательной сетью (relativistic average generative adversarial networks, RaGAN) и более чем на 10 дБ по сравнению с методом на основе вейвлет-преобразования при одинаковых условиях моделирования. Модель характеризуется меньшими значениями среднеквадратической ошибки и более высокими коэффициентами корреляции во всем диапазоне входных SNR от −10 до 10 дБ. Значения пикового SNR также свидетельствуют о высоком качестве восстановления сигналов, особенно при низких уровнях входного SNR. Анализ архитектурных параметров показал, что наилучшие результаты достигаются при использовании 128 скрытых узлов и глубокой архитектуры ResBiLSTM-BiGRU.

Выводы. Полученные результаты подтверждают эффективность и практическую применимость гибридной архитектуры ResBiLSTM-BiGRU для подавления аддитивного гауссовского шума в радиоканале и восстановления цифровых модулированных сигналов, особенно в условиях низкого SNR.

1. Wang W. Evaluation of Adaptive Filtering Algorithms in Signal Denoising: Insights from Simulation and Algorithmic Enhancement. Theoretical and Natural Science . 2025;101(1):61–69. https://doi.org/10.54254/2753-8818/2025.CH22293

2. Lei J., Zhou J., Jian Z., Liu H., Zhang L., Feng Y., Wu Z. A Wiener Filter Denoising Based Intelligent Modulation Recognition. In: 2022 IEEE/CIC International Conference on Communications in China ( ICCC ). IEEE. 2022. P. 88–93. https://doi.org/10.1109/ICCC55456.2022.9880789

3. Guo T., Zhang T., Lim E., López-Benítez M., Ma F., Yu L. A Review of Wavelet Analysis and Its Applications: Challenges and Opportunities. IEEE Access . 2022;10:58869–58903. https://doi.org/10.1109/ACCESS.2022.3179517

4. Akkaya S. Wavelet-Based Denoising Strategies for Non-Stationary Signals in Electrical Power Systems: An Optimization Perspective. Electronics . 2025;14(16):3190. https://doi.org/10.3390/electronics14163190

5. Facciolo G., Pierazzo N., Morel J.-M. Conservative Scale Recomposition for Multiscale Denoising. (The Devil is in the High Frequency Detail). SIAM J. Imaging Sci . 2017;10(3):1603–1626. https://doi.org/10.1137/17M1111826

6. Wahab M.F., Gritti F., C. O’Haver T. Discrete Fourier transform techniques for noise reduction and digital enhancement of analytical signals. TrAC Trends in Analytical Chemistry. 2021;143(4):116354. https://doi.org/10.1016/j.trac.2021.116354

7. Zhao S., Ma L., Xu L., Liu M., Chen X. A Study of Fault Signal Noise Reduction Based on Improved CEEMDAN-SVD. Appl. Sci. 2023;13(19):10713. https://doi.org/10.3390/app131910713

8. Wang H., Yao Y., Zhang G., Pan J., Gao L., Jin H., Wang C. Enhanced Noise Suppression in Partial Discharge Signals via SVD and VMD with Wavelet Thresholding. Modelling and Simulation in Engineering . 2024;2024:5676986. https://doi.org/10.1155/2024/5676986

9. Almazrouei E., Gianini G., Almoosa N., Damiani E. A Deep Learning Approach to Radio Signal Denoising. In: 2019 IEEE Wireless Communications and Networking Conference Workshop ( WCNCW ). IEEE. 2019. https://doi.org/10.1109/WCNCW.2019.8902756

10. Duan R., Chen Z., Zhang H., Wang X., Meng W., Sun G. Dual Residual Denoising Autoencoder with Channel Attention Mechanism for Modulation of Signals. Sensors . 2023;23(2):1023. https://doi.org/10.3390/s23021023

11. He S., Zhu L., Yao C., Wang L., Qin Z. A Novel Approach Based on Generative Adversarial Network for Signal Enhancement in Wireless Communications. Wireless Communications and Mobile Computing . 2022. https://doi.org/10.1155/2022/7050573

12. Peng L., Fang S., Fan Y., Wang M., Ma Z. A Method of Noise Reduction for Radio Communication Signal Based on RaGAN. Sensors . 2023;23(1):475. https://doi.org/10.3390/s23010475

13. Yao H., Zhou Q., Chen Z., Huang L., Xu D., Xuan Q. Denoising of Radio Modulation Signal Based on Deep Learning. In: Xuan Q., Xiang Y., Xu D. (Eds.). Deep Learning Applications . 2023. Ch. 7. P. 125–143. https://doi.org/10.1142/9789811266911_0007

14. Wu T., Chen Z., He D., Qian L., Xu Y., Tao M. CDDM: Channel Denoising Diffusion Models for Wireless Semantic Communications. IEEE Trans. on Wireless Commun . 2024;23(9):11168–11183. https://doi.org/10.1109/TWC.2024.3379244

15. Letafati M., Ali S., Latva-Aho M. Conditional Denoising Diffusion Probabilistic Models for Data Reconstruction Enhancement in Wireless Communications. IEEE Trans. on Machine Learning in Communications and Networking . 2025;3:133–146. https://doi.org/10.1109/TMLCN.2024.3522872

16. Ji Z., Wang S., Yang K., Zhang Q., Ye P. Transfer Learning Guided Noise Reduction for Automatic Modulation Classification. In: 2025 IEEE 102nd Vehicular Technology Conference ( VTC2025-Fall ). IEEE. 2025. https://doi.org/10.1109/VTC2025-Fall65116.2025.11310099

17. Chung J., Gulcehre C., Cho K.H., Bengio Y. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling. arXiv preprint. arXiv:1412.3555. 2014. http://arxiv.org/abs/1412.3555

18. O’Shea T.J., Roy T., Clancy T.C. Over-the-Air Deep Learning Based Radio Signal Classification. IEEE J. Selected Topics in Signal Process . 2018;12(1):168–179. https://doi.org/10.1109/JSTSP.2018.2797022