Система распознавания модуляции сигналов на основе нейронной сети с использованием ПЛИС

DOI: 10.34759/trd-2021-121-13

Авторы

Бахтин А. А.^*, Волков А. С.^**, Солодков А. В.^***, Свиридов И. А.^****

Национальный исследовательский университет «МИЭТ», 124498, Москва, Зеленоград, пл. Шокина, д. 1

*e-mail: bah@miee.ru
**e-mail: leshvol@mail.ru
***e-mail: solodkov_aw@mail.ru
****e-mail: igor@mekatto.com

Аннотация

В системах когнитивного радио, в том числе в программно-определяемых радиосистемах важной задачей является распознавание типа модуляции принимаемых сигналов при различных соотношениях сигнал/шум в канале связи. Среди задач радиомониторинга стоит схожий вопрос не только обнаружения фактора выхода в эфир, но и определения конкретного типа сигнально-кодовой конструкции, что требует обязательной достоверной оценки типа и позиционности модуляции.

В статье предложена система для распознавания типа модуляции сигналов на основе нейронной сети с использованием ПЛИС.

Аппаратно-программный комплекс состоит из отладочной платы Digilent Zedboard, трансивера на базе AD9361 и сопроцессора DPU. Классификация типов модуляции происходит при помощи нейронной сети, вычисления которой производятся на конфигурируемом сопроцессоре, реализованном на ПЛИС, что позволяет уменьшить задержку между приемом сигнала и принятием решения о типе модуляции.

Система распознает тип модуляции с достоверностью не менее 0,7 при отношении сигнал/шум около 2 дБ без предварительного установления синхронизации. Показано, что по сравнению с традиционными методами определения типа модуляции и методами на основе статистических характеристик сигнала применение предложенной системы позволит снизить требования соотношения сигнал/шум для систем когнитивного радио и радиомониторинга при большом количестве применяемых типов модуляции сигналов.

Ключевые слова:

прием радиосигналов, цифровая модуляция, когнитивное радио, нейронные сети, автоматическая классификация сигналов, ПЛИС, Digilent Zedboard, AD9361

Библиографический список

1. O’Shea T.J., Roy T., Clancy T.C. Over-the-air deep learning based radio signal classification // IEEE Journal of Selected Topics in Signal Processing, 2018, vol. 12, no. 1, pp. 168-179. DOI:10.1109/JSTSP.2018.2797022
2. Amjad M., Rehmani M.H., Mao S. Wireless multimedia cognitive radio networks: A comprehensive survey // IEEE Communications Surveys & Tutorials, 2018, vol. 20, no. 2, pp. 1056-1103. DOI:10.1109/COMST.2018.2794358
3. Бычков Е.Д., Коваленко О.Н., Беленков Д.В. Интегрированная модель доступа к частотному спектру узлов в беспроводной сети передачи данных // Динамика систем, механизмов и машин. 2019. Т. 7. № 4. DOI: 10.25206/2310-9793-7-4-192-199
4. Зуев А.В. Распределение канальных ресурсов в когнитивной радиосети на основе аукционного метода управления доступом к среде передачи // Системы управления, связи и безопасности. 2019. № 3. DOI: 10.24411/2410-9916-2019-10302
5. Шевцов В.А., Бородин В.В., Крылов М.А. Построение совмещенной сети сотовой связи и самоорганизующейся сети с динамической структурой // Труды МАИ. 2016. № 85. URL: http://trudymai.ru/published.php?ID=66417
6. Wang Y. et al. Data-driven deep learning for automatic modulation recognition in cognitive radios // IEEE Transactions on Vehicular Technology, 2019, vol. 68, no. 4, pp. 4074-4077. DOI:10.1109/TVT.2019.2900460
7. Ibnkahla M. Adaptation in wireless communications Taylor & Francis Group, 2009, 485 p.
8. Бородин В.В., Петраков А.М., Шевцов В.А. Анализ эффективности передачи данных в сети связи группировки беспилотных летательных аппаратов // Труды МАИ. 2015. № 81. URL: http://trudymai.ru/published.php?ID=57894
9. Бородин В.В., Петраков А.М., Шевцов В.А. Моделирование служебного канала передачи маршрутной информации адаптивной летающей сети связи // Электросвязь. 2016. № 11. С. 41-45.
10. Рембовский А.М. Радиомониторинг. Задачи, методы, средства. — М.: Горячая линия-Телеком, 2010. — 623 с.
11. Аджемов С.С., Кленов Н.В., Терешонок М.В., Чиров Д.С. Методы распознавания видов цифровой модуляции сигналов в когнитивных радиосистемах // Вестник Московского университета. Серия 3. Физика. Астрономия. 2015. №. 6. С. 19-27.
12. O’Shea T.J., Corgan J., Clancy T.C. Convolutional radio modulation recognition networks // International conference on engineering applications of neural networks, Springer, Cham, 2016, pp. 213-226. DOI:10.1007/978-3-319-44188-7_16
13. Hazza A. et al. An overview of feature-based methods for digital modulation classification // 2013 1st international conference on communications, signal processing, and their applications (ICCSPA), IEEE, 2013, pp. 1-6. DOI:10.1109/ICCSPA.2013.6487244
14. Pu D., Cozma A., Hill T. Four quick steps to production: Using model-based design for software-defined radio // Analog Dialogue, 2015, vol. 49, pp. 1-5.
15. Tridgell S. Low Latency Machine Learning on FPGAs, Ph.D, Thesis, University of Sydney, Sydney, Australia, 2020.
16. Xilinx DPU Product Guide. URL: https://www.xilinx.com/support/documentation/ip_documentation/dpu/v3_2/pg338-dpu.pdf
17. Kedia R., Goel S., Balakrishnan M., Paul K., Sen R. Design Space Exploration of FPGA-Based System With Multiple DNN Accelerators // IEEE Embedded Systems Letters, 2021, vol. 13, no. 3, pp. 114-117.
18. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition // arXiv preprint: arXiv:1409.1556, 2014.
19. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition // Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 770-778. DOI:10.1109/CVPR.2016.90
20. Szegedy C. et al. Going deeper with convolutions // Proceedings of the IEEE conference on computer vision and pattern recognition, 2015, pp. 1-9. DOI:10.1109/CVPR.2015.7298594
21. Peng S. et al. Modulation classification based on signal constellation diagrams and deep learning // IEEE transactions on neural networks and learning systems, 2018, vol. 30, no. 3, pp. 718-727. DOI:10.1109/TNNLS.2018.2850703

Скачать статью