Применение методов машинного обучения для классификации радиосигналов

Радиотехника, в том числе системы и устройства телевидения


Авторы

Малыгин И. В.1*, Бельков С. А.1**, Тарасов А. Д.1***, Усвяцов М. Р.2****

1. Уральский федеральный университет имени первого Президента России Б. Н. Ельцина, ул. Мира, 19, Екатеринбург, 620002, Россия
2. Московский физико-технический институт (национальный исследовательский университет), МФТИ, Институтский пер., 9, Долгопрудный, Московская облаcть, 141701, Россия

*e-mail: pit_pit2@mail.ru
**e-mail: buf2@mail.ru
***e-mail: alex@chrns.com
****e-mail: m.usvyatsov@gmail.com

Аннотация

Статья посвящена проблеме распознавания принимаемых кодированных последовательностей радиосигналов. Традиционно в системах связи для обнаружения и обработки шумоподобных сигналов используются корреляторы или согласованные фильтры. Обе модели параметризованы порогом обнаружения. Оптимальность традиционных методов по количеству правильных и ложных обнаружений доказана для случая, когда шум в среде передачи является аддитивным Гауссовским. Для улучшения качества распознавания сигналов в среде с помехами общего вида предлагается использовать нейронную сеть. Предполагается, что качество распознавания будет лучше, чем при традиционном использовании автокорреляционной функции так как в процессе обучения нейронной сеть способна запомнить особенности помех в канале связи, и, следовательно, использовать полученную модель на этапе классификации сигналов. В данной работе также приводится схема эксперимента, позволяющего подтвердить данное предположение.

Ключевые слова

нейронная сеть, обработка сигналов, М-последовательность, коды Баркера, коррелятор

Библиографический список

  1. Barker R.H. Group synchronizing of binary digital sequences // Communication theory, Butterworth, London, 1953, pp. 273-287.

  2. Digital Design and Computer Architecture. 2nd Edition. David Harris Sarah Harris, ISBN: 9780123978165, Paperback ISBN: 9780123944245, Imprint: Morgan Kaufmann, Published Date: 24th July 2012, 712 p.

  3. Forney G. Generalized minimum distance decoding // IEEE Transactions on Information Theory. 1966. Vol. 12, no. 2, pp. 125-131.

  4. Rüschendorf L. The Wasserstein distance and approximation theorems // Zeitschrift für Wahrscheinlichkeitstheorie und verwandte Gebiete. 1985. Vol. 70, no. 1, pp. 117-129.

  5. Welch L. Lower bounds on the maximum cross correlation of signals // IEEE Transactions on Information theory. 1974. Vol. 20, no. 3, pp. 397-399.

  6. Amari S. Backpropagation and stochastic gradient descent method // Neurocomputing. 1993. Vol. 5, no. 4-5, pp. 185-196.

  7. Воронцов К.В. Математические методы обучения по прецедентам (теория обучения машин). URL: http://www.machinelearning.ru/wiki/images/6/6d/Voron-ML-1

  8. Chen T., Chen H. Universal approximation to nonlinear operators by neural networks with arbitrary activation functions and its application to dynamical systems // IEEE Transactions on Neural Networks. 1995. Vol. 6, no. 4, pp. 911-917.

  9. Shore J., Johnson R. Axiomatic derivation of the principle of maximum entropy and the principle of minimum cross-entropy // IEEE Transactions on information theory. 1980. Vol. 26, no. 1, pp. 26-37.

  10. Гураков М.А., Кривоносов Е.О., Костюченко Е.Ю. Показатели качества систем распознавания пользователей по динамике подписи на основе наивного классификатора Байеса и нейронной сети // Труды МАИ. 2016. № 86. URL: http://trudymai.ru/published.php?ID=67851

  11. Ефимов Е.Н., Шевгунов Т.Я. Формирование оценки направления прихода сигнала с использованием искусственных нейронных сетей // Труды МАИ. 2015. № 82. URL: http://trudymai.ru/published.php?ID=58786

  12. Филатов В.И. Широкополосная система радиосвязи повышенной скорости передачи информации // Труды МАИ. 2015. № 81. URL: http://trudymai.ru/published.php?ID=57889

  13. Суханов Н.В. Схема управления летательным аппаратом на основе нейронных сетей // Труды МАИ. 2013. № 65. URL: http://trudymai.ru/published.php?ID=36013

  14. Тюменцев Ю.В., Козлов Д.С. Нейросетевые методы обнаружения отказов датчиков и приводов летательного аппарата // Труды МАИ. 2012. № 52. URL: http://trudymai.ru/published.php?ID=29421

  15. Ефимов Е.Н., Шевгунов Т.Я. Разработка и исследование методики построения нейронных сетей на основе адаптивных элементов // Труды МАИ. 2012. № 51. URL: http://trudymai.ru/published.php?ID=29159


Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2024

 Вход