Многозадачная нейронная сеть в задаче распознавания вида QAM- и PSK-модуляции в условиях параметрической априорной неопределенности

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.

1. Парамонов А.А., Нгуен М.В. Распознавание видов цифровой модуляции радиосигналов с использованием многозадачной нейронной сети. Вестник воздушно-космической обороны. 2022;4(36):91–97. URL: https://www.elibrary.ru/item.asp?id=49815162

2. Парамонов А.А., Тихонова О.В., Нгуен В.М. Распознавание видов цифровой модуляции радиосигналов с использованием многослойной нейронной сети по кумулятным признакам. Системы компьютерной математики и их приложения: Материалы ХXIII международной научной конференции. Смоленск: Изд-во СмолГУ; 2022. Вып. 23. С. 23–28.

3. Набилков В.Д., Приоров А.Л., Дубов М.А. Использование сверточной нейронной сети CLDNN в задаче распознавания видов модуляции радиосигналов. Цифровая обработка сигналов и ее применение (ЦОС – 2021): доклады ХXIII Международной конференции. М.: Российское научно-техническое общество радиотехники, электроники и связи им. А.С. Попова; 2021. С. 228–231. URL: https://www.elibrary.ru/item.asp?id=45841831

4. Нгуен М.В., Милорадов Г.А., Парамонов А.А. Сверточная нейронная сеть в задаче распознавания цифровой модуляции радиосигналов. Актуальные проблемы и перспективы развития радиотехнических и инфокоммуникационных систем (Радиоинфоком – 2022): сборник научных статей по материалам VI Международной научно-практической конференции. М.: МИРЭА – Российский технологический университет; 2022. С. 181–185. URL: https://www.elibrary.ru/item.asp?id=49447332&pff=1

5. Аведьян Э.Д., Дам В.Н. К выбору кумулянтных признаков в задаче распознавания видов цифровой модуляции радиосигналов. Информатизация и связь. 2015;4:11–15. URL: https://www.elibrary.ru/item.asp?id=24853422

6. Аджемов С.С., Кленов Н.В., Терешонок М.В., Чиров Д.С. Методы распознавания видов цифровой модуляций сигналов в когнитивных радиосистемах. Вестник Московского Университета. Серия 3. Физика. Астрономия. 2015;6:19–27. URL: https://www.elibrary.ru/item.asp?id=25580690

7. Гришин П.С., Шабанов А.В., Чеглов А.В. Распознавание цифровых модуляций радиосигналов с использованием многозадачной сверточной нейронной сети. Интеллектуальные информационные системы: Теория и практика: сборник научных статей по материалам I Всероссийской конференции. Часть 1. Курск: Курский государственный университет; 2020. С. 22–31. URL: https://elibrary.ru/KADKBX

8. Архипенков Д.В. Анализ параметров радиосигналов для идентификации источника излучения. Доклады Белорусского государственного университета информатики и радиоэлектроники. 2020;18(1):52–58. https://doi.org/10.35596/1729-7648-2020-18-1-52-58

9. Кендалл М., Стьюарт А. Теория распределений: пер. с англ. М.: Наука; 1966. 588 с.

10. Хайкин С. Нейронные сети: полный курс: пер. с англ. М.: Вильямс; 2006. 1104 с.

11. Elgendy M. Deep Learning for Vision Systems. Manning Publications Co; 2020. 480 p. ISBN 978-1-6172-9619-2

12. Geron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly Media, Inc.; 2019. 856 p. ISBN 978-1-4920-3264-9

13. Finlay S. Artificial Intelligence and Machine Learning for Business: A No-Nonsense Guide to Data Driven Technologies. ‎Relativistic; 2017. 150 p.

14. Raschka S., Mirjalili V. Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2. Packt Publishing; 2019. 770 р. ISBN 978-1-7899-5575-0

15. Воронина В.В., Михеев А.В., Ярушкина Н.Г., Святов К.В. Теория и практика машинного обучения. Ульяновск: УлГТУ; 2017. 290 с. ISBN 978-5-9795-1712-4