Аналіз архітектур Dense Neurla Network для класифікації сигналів на основі комплексних вибірок
DOI:
https://doi.org/10.34169/2414-0651.2025.3(47).57-64Ключові слова:
класифікація сигналів, Dense Neural Network, спектральна щільність потужності, метод Велча, комплексні вибірки сигналу, амплітуда, фаза, статистичні ознаки, глибинне навчанняАнотація
У статті проведено аналіз ефективності архітектури глибинного навчання – Dense Neural Network (DNN) – у задачі класифікації радіосигналів за ознаками, отриманими з комплексних низькочастотних вибірок (інфазної та квадратурної компонент). Для формування вхідного вектору ознак використано спектральну щільність потужності, обчислену методом Велча, а також додаткові статистичні, амплітудно-фазові та частотно-енергетичні характеристики сигналу. Модель було навчено, валідовано та протестовано на єдиному наборі ознак для забезпечення об’єктивності оцінки. Продуктивність оцінювалася за метриками точності, повноти, F1-міри та побудованими матрицями неточностей. Експериментальні результати показали, що Dense Neural Network здатна забезпечувати високу якість класифікації сигналів навіть у випадках змінних характеристик сигналу. Запропонований підхід може бути застосований у системах автоматизованого моніторингу та аналізу радіочастотного спектра, а також у задачах виявлення та ідентифікації сигналів у складних електромагнітних умовах.
Завантаження
Посилання
Kumar, S., Ahmadb, I., Höyhtyäc, M., Khand, S. & Gurtove, 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.
O’Shea,T. J., Roy, T. & Clancy, T. C. Over-the-Air Deep Learning Based Radio Signal Classification. Available at: https://arxiv.org/abs/1712.04578.
O’Shea, J. Hoydis. An Introduction to Deep Learning for the Physical Layer. Available at: https://arxiv.org/abs/1702.00832.
Welch, P. The Use of Fast Fourier Transform for the Estimation of Power Spectra: A Method Based on Time Averaging Over Short, Modified Periodograms. Available at: https://ieeexplore.ieee.org/document/1161901.
Krizhevsky, H., Sutskever, I. & Hinton, G. E. ImageNet Classification with Deep Convolutional Neural Networks. Available at: https://dl.acm.org/doi/10.1145/3065386.
Chollet, F. Keras: Deep Learning Library for Python. Available at: https://keras.io.
M. Abadi et al. TensorFlow: Large-Scale Machine Learning on Heterogeneous Systems. Available at: https://www.tensorflow.org.
Haykin, S. Communication Systems. Available at: https://onlinelibrary.wiley.com/doi/book/10.1002/9781119474744.
SciPy documentation – Signal Processing. Available at: https://docs.scipy.org/doc/scipy/reference/signal.html.
IQ Data Explained. PE0SAT Satellite Ground Station : Available at: https://www.pe0sat.vgnet.nl/sdr/iq-data-explained/.
IQ Signal Master Vector Signal Analysis Software. Anritsu : Available at: https://www.anritsu.com/en-us/test-measurement/products/mx280005a.
Downloads
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Вадим Слюсар,Вадим Козлов,Денис Козлов
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
