НЕЙРОМЕРЕЖЕВИЙ МЕТОД ДОСЛІДЖЕННЯ СПЕКТРАЛЬНИХ ХАРАКТЕРИСТИК
DOI:
https://doi.org/10.34169/2414-0651.2025.2(46).35-44Ключові слова:
потужність, підхід, валідація, тестування, модель, система, ознака, класифікація, радіосигнали, амплітуда, фазаАнотація
У статті розглядається задача класифікації радіосигналів на основі спектральних ознак, сформованих із комплексних низькочастотних вибірок сигналу, що включають інфазну та квадратурну компоненти. Основною метою дослідження є розроблення моделі машинного навчання, здатної ефективно ідентифікувати тип сигналу за спектральними характеристиками. Для представлення вхідних даних використано спектральну щільність потужності (PSD), обчислену методом Petera Welcha, а також сукупність статистичних та частотно-енергетичних ознак, що відображають амплітудно-фазову структуру сигналу.
Порівняльний аналіз з класичними методами класифікації сигналів, заснованими на узагальнених статистиках, продемонстрував перевагу запропонованого підходу як за точністю, так і за швидкодією при обробці великих обсягів даних.
У межах дослідження запропоновано архітектуру моделі, описано процес її навчання, валідації та тестування. Додатково проаналізовано вплив параметрів спектрального розкладу на якість класифікації. Результати експериментального моделювання засвідчують, що поєднання спектральних та статистичних дескрипторів дозволяє досягти високої точності при розпізнаванні різних типів радіосигналів. Запропонований підхід може бути ефективно застосований у практичних системах автоматизованого аналізу радіочастотного спектра та виявлення сигналів в умовах складної електромагнітної обстановки.
Завантаження
Посилання
Kumar, S., Ahmad, I., Höyhtyä, M., Khan, S. & Gurtov, A. Deep Learning Frameworks for Cognitive Radio Networks: Review and Open Research Challenges. Available at: https://arxiv.org/pdf/2410.23949.
Kim, S., Kim, J., Doan, V. & Kim, D. Lightweight Deep Learning Model for Automatic Modulation Classification in Cognitive Radio Networks. Available at: https://www.researchgate.net/publication/346433098_Lightweight _Deep_Learning_Model_for_Automatic_Modulation_Classification_in_Cognitive_Radio_Networks.
Fekry, O., Abdalla, M. & Elsayed, A. Deep Learning-Based Automatic Modulation Classification Using Robust CNN Architecture for Cognitive Radio Networks. Available at: https://www.researchgate.net/publication/ 346433098_Lightweight_Deep_Learning_Model_for_Automatic_Modulation_Classification_in_Cognitive_Radio_Networks.
Slyusar, V.I. & Masesov, N.A. (2008). The limits of correcting quadrature imbalance using additional strobing of ADC samples. In: Proc. of the 2nd Intern. Scientific and Technical Conf. «Problems of Telecommunications». K.: Inst. of Telecommunication Systems of NTUU «KPI». Pp. 198—199.
Slyusar, V.I., Serdyuk, P.E. & Zhyvylo, E.A. (2011). The influence of digital I/Q demodulation on OFDM signals. In: Proc. of the Intern. Scientific and Technical Conf. «Information Systems and Technologies (IST-2011)». Nizhny Novgorod State Technical Univ. April 22. P. 45.
Slyusar, V.I. (2021). Neural network models based on tensor-matrix theory. In: «Problems of the Development of Advanced Micro- and Nanoelectronic Systems» (MES-2021). No. 2. Pp. 23—28. https://doi.org/10.31114/2078-7707-2021-2-23-28. DOI: https://doi.org/10.31114/2078-7707-2021-2-23-28
Slyusar, V.I. (2021). Multimodal Quasifractal Neural Networks. In: Proc. of the XX Intern. Scientific Conf. «Neural Network Technologies and Their Applications (NMTiZ-2021)». Kramatorsk: Donbas State Engineering Acad. December 8–9. Pp. 134—137.
Slyusar, V.I. & Bihun, N.S. A neural network for protecting UAV communication channels. In: Abstracts of the Intern. Scientific and Technical Conf. «Prospects for the Development of Armament and Military Equipment of the Land Forces». Lviv. May 17–18, 2023.
PySDR: A Guide to SDR and DSP using Python. 2022. Available at: https://pysdr.org.
SciPy Documentation – Signal Processing. Available at: https://docs.scipy.org/doc/scipy/reference/signal.html.
IQ Data Explained. PE0SAT Satellite Ground Station: [website]. Available at: https://www.pe0sat.vgnet.nl/sdr/iq-data-explained/.
IQ Signal Master Vector Signal Analysis Software. Anritsu: [website]. Available at: https://www.anritsu.com/en-us/test-measurement/products/mx280005a.
Lecture 9: Analog and Digital I/Q Modulation. Massachusetts Institute of Technology (MIT): [website]. Available at: https://web.mit.edu/6.02/www/f2006/handouts/Lec9.pdf.
IQ Signal Master™ MX280005A Vector Signal Analysis Software. Anritsu: Available at: https://dl.cdn-anritsu.com/en-us/test-measurement/files/Brochures-Datasheets-Catalogs/Brochure/11410-02844F.pdf.
West, N. & O'Shea, T. End-to-End Learning From Spectrum Data: A Deep Learning Approach for Wireless Signal Identification in Spectrum Monitoring Applications. ResearchGate: [website]. Available at: https://www.researchgate.net/publication/321761024_End-to-End_Learning_From_Spectrum_Data_A_Deep _Learning_Approach_for_Wireless_Signal_Identification_in_Spectrum_Monitoring_Applications.
O’Shea, T.J., West, N. & Clancy, T.C. (2019). Classification of Radio Signals and HF Transmission Modes with Deep Learning. Available at: https://arxiv.org/pdf/1906.04459.
Data Analysis in Python. ReadTheDocs: [website]. Available at: https://dataanalysispython.readthedocs.io/_/ downloads/en/latest/pdf/.
Lyons, R. Quadrature Signals: Complex, But Not Complicated. IEEE.li: [website]. Available at: https://www.ieee.li/pdf/essay/quadrature_signals.pdf.
Downloads
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Вадим Слюсар,Вадим Козлов,Денис Козлов
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
