RU2665235C1 - Способ и устройство автоматического распознавания типа манипуляции радиосигналов - Google Patents
Способ и устройство автоматического распознавания типа манипуляции радиосигналов Download PDFInfo
- Publication number
- RU2665235C1 RU2665235C1 RU2017128626A RU2017128626A RU2665235C1 RU 2665235 C1 RU2665235 C1 RU 2665235C1 RU 2017128626 A RU2017128626 A RU 2017128626A RU 2017128626 A RU2017128626 A RU 2017128626A RU 2665235 C1 RU2665235 C1 RU 2665235C1
- Authority
- RU
- Russia
- Prior art keywords
- signal
- vector
- neural network
- unit
- amplitude
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 38
- 239000013598 vector Substances 0.000 claims abstract description 85
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 23
- 210000004027 cell Anatomy 0.000 claims description 22
- 210000002569 neuron Anatomy 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 17
- 230000014509 gene expression Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 238000013139 quantization Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
Изобретения относятся к радиотехнике. Технический результат заключается в повышении вероятности правильного распознавания анализируемых радиосигналов. Устройство содержит последовательно соединенные антенну, аналого-цифровой преобразователь, блок расчета сигнала, блок нормирования амплитуды, блок расчета признаков, блок статистической обработки, блок нормирования вектора признаков, блок нейронной сети, блок принятия решения и блок индикации, две входные шины. 2 н. и 3 з.п. ф-лы, 5 ил.
Description
Заявляемые объекты объединены единым изобретательским замыслом, относятся к радиотехнике, в частности к способам распознавания радиосигналов (PC) и могут быть использованы в технических средствах распознавания вида и параметров манипуляции PC, а также в средствах радиоконтроля для определения характеристик априорно неизвестного сигнала.
Известен способ распознавания типа манипуляции радиосигналов по Пат. РФ №2551903, МПК Н04В 1/06 от 18.04.2014 г. В известном аналоге предварительно задают эталонные PC равной длительности, которые дискретизируют и квантуют, выполняют операцию фреймового вейвлет-преобразования (ФВП). Формируют матрицу распределения энергии (МРЭ) для последовательности квантованных отсчетов каждого эталонного PC. Для каждого PC формируют вектор признаков (ВП) путем построчной конкатенации вейвлет-коэффициентов (ВК) полученных МРЭ, после чего ВК ВП нормируют. Принимают распознаваемый PC и формируют его ВП аналогично ВП эталонных PC, после чего идентифицируют распознаваемый PC путем сравнения его ВП с ВП каждого из эталонных PC. Причем ВП формируют путем построчной конкатенации ВК полученных МРЭ начиная со второй строки. Распознаваемый PC считают инцидентным эталонному PC, модуль разности параметров ВП с которым будет минимальным.
Недостатком известного способа является необходимость хранить ВП каждого из эталонных PC, что приводит к линейной зависимости между количеством эталонных сигналов и размером памяти, необходимой классификатору для работы, что в свою очередь существенно ограничивает возможное разнообразие эталонных сигналов. Отсутствие разнообразия эталонных сигналов сужает охватываемый класс распознаваемых радиосигналов. Кроме того, увеличение количества эталонных ВП влечет за собой снижение быстродействия способа.
Наиболее близким по технической сущности к заявленному является «Способ автоматического распознавания типа манипуляции радиосигналов» по Пат. РФ №2622846, МПК G06N 3/02 от 15.06.2016 г. В способе-прототипе принятый аналоговый PC дискретизируют по времени и квантуют, формируют синфазную I(n) и квадратурную Q(n) составляющие оцифрованных отсчетов сигнала S(n), нормируют к единице среднее значение амплитуды сигнала, формируют вектор признаков распознаваемого сигнала Vs путем вычисления кумулянтов второго CII, CIQ, CQQ, третьего CIII, CIIQ, CIQQ, CQQQ и четвертого CIIII, CIIIQ, CIIQQ, CIQQQ, CQQQQ порядков, максимального значения спектральной плотности мощности нормированной и центрированной амплитуды сигнала γmax, среднеквадратического отклонения модуля нормированной и центрированной амплитуды сигнала σаа, среднеквадратического отклонения модуля нелинейной составляющей мгновенной фазы сигнала σар, рассчитанного по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, среднеквадратического отклонения нелинейной составляющей мгновенной фазы сигнала σdp, рассчитанного по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, который подают на вход нейронной сети типа многослойный персептрон, предварительно обученную методом обратного распространения ошибки по значениям векторов признаков эталонных сигналов , нормируют к единичной сумме значения функции активации нейронов выходного слоя, сравнивают максимальное из полученных значений с порогом и при его превышении принимают решение о типе манипуляции PC.
Недостатком способа-прототипа является относительно низкая вероятность правильного определения типа и числа позиций манипуляции PC при отношении сигнал/шум (ОСШ) ниже 10 дБ. Ошибка в принятии решения превышает 25% при отношении ОСШ 10 дБ и увеличивается до 65% при уменьшении ОСШ до 0 дБ. В условиях реального применения, достигнуть значения ОСШ больше 15 дБ затруднительно или невозможно, что дополнительно ограничивает использование способа.
Целью заявляемого способа автоматического распознавания типа манипуляции радиосигналов является повышение вероятности правильного распознавания типа и числа позиций манипуляции анализируемых PC за счет нормирования по среднему значению и дисперсии вектора его признаков Vs и векторов признаков эталонных сигналов .
Поставленная цель достигается тем, что в известном способе автоматического распознавания типов манипуляции радиосигналов, включающем дискретизацию принятого аналогового радиосигнала по времени и квантование, формирование синфазной I(n) и квадратурной Q(n) составляющих оцифрованных отсчетов сигнала S(n), нормирование к единице среднего значения амплитуды сигнала, формирование вектора признаков распознаваемого сигнала VS путем вычисления кумулянтов второго CII, CIQ, CQQ, третьего CIII, CIIQ, CIQQ, CQQQ и четвертого CIIII, CIIIQ, CIIQQ, CIQQQ, CQQQQ порядков, максимального значения спектральной плотности мощности нормированной и центрированной амплитуды сигнала γmax, среднеквадратического отклонения модуля нормированной и центрированной амплитуды сигнала σаа, среднеквадратического отклонения модуля нелинейной составляющей мгновенной фазы сигнала σар, рассчитанного по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, среднеквадратического отклонения нелинейной составляющей мгновенной фазы сигнала σdp, рассчитанного по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, передачу на вход нейронной сети типа многослойный персептрон, предварительно обученной методом обратного распространения ошибки по значениям векторов признаков эталонных сигналов , нормирование к единичной сумме значения функции активации нейронов выходного слоя, сравнение максимального из полученных значений с порогом и принятие решения о типе манипуляции PC, дополнительно на основе совокупности всех векторов признаков эталонных сигналов формируют вектор средних значений и вектор среднеквадратичного отклонения Vcp и Vско соответственно, после этого каждый вектор признаков эталонных сигналов , применяемых при обучении нейронной сети, и вектор признаков распознаваемого сигнала Vs нормируют по полученным среднему значению Vcp и дисперсии Vско.
При этом вектор средних значений признаков Vcp определяют в соответствии с формулой:
где L - размер множества эталонных сигналов, - вектор признаков l-ого эталонного сигнала обучающего множества, l=1, 2, …, L, V(i) - i-й элемент вектора V, а вектор среднеквадратичного отклонения признаков Vско определяют следующим образом:
Операцию нормирования векторов признаков эталонных сигналов и вектора признаков распознаваемого сигнала осуществляют в соответствии с выражениями:
Благодаря новой совокупности существенных признаков в заявленном способе за счет выполнения операции нормирования вектора признаков сигнала Vs и векторов признаков эталонных сигналов обеспечивается повышение вероятности правильного распознавания типа и числа позиций манипуляции PC.
Известно устройство автоматического распознавания типов манипуляции радиосигналов по Пат. РФ №2510077, МПК G06N 3/02, H04L 27/32 от 20.04.2012 г. Известный аналог содержит последовательно соединенные антенну, аналого-цифровой преобразователь (АЦП), обеспечивающий дискретизацию по времени и квантование радиосигнала, блок расчета сигнала (БРС), обеспечивающий формирование синфазной и квадратурной составляющей сигнала, блок расчета признаков (БРП), обеспечивающий расчет по значениям синфазной и квадратурной составляющих n-отсчетов сигнала кумулянтов, блок нейронной сети (БНС), обеспечивающий определение типа манипуляции сигнала, состоящего из i-ячеек входного слоя, j-ячеек промежуточного слоя, k-ячеек выходного слоя, причем каждая ячейка предыдущего слоя соединена весовой связью с каждой ячейкой последующего, а каждая ячейка БНС состоит из последовательно соединенных сумматора и нелинейного преобразователя, выход каждой ячейки выходного слоя является индикатором типа манипуляции и соединен с логическим устройством МАХ, обеспечивающим сравнение значений сигналов ячеек выходного слоя и выдачу на выход БНС опознавательного сигнала, соответствующего найденному типу манипуляции.
Недостатком известного устройства является зависимость качества работы от абсолютного значения амплитуды радиосигнала, что влечет зависимость в качестве распознавания от ОСШ.
Наиболее близким по технической сущности к предлагаемому устройству является устройство автоматического распознавания типа манипуляции радиосигналов по Пат. РФ №2619717, МПК G06N 3/02, H04L 27/32 от 23.05.2016 г. Устройство-прототип содержит последовательно соединенные антенну, аналого-цифровой преобразователь, обеспечивающий дискретизацию по времени и квантование радиосигнала, блок расчета сигнала, обеспечивающий формирование синфазной I(n) и квадратурной Q(n) составляющих n отсчетов сигнала, блок нормирования амплитуды, предназначенный для нормирования к единице среднего значения амплитуды сигнала, блок расчета признаков, формирующий вектор признаков сигнала Vs, состоящий из кумулянтов второго CIQ, CQQ, третьего CIII, CIIQ, CIQQ, CQQQ и четвертого CIIIQ, CIQQQ, CQQQQ порядков, блок нейронной сети типа многослойный персептрон, состоящий из K ячеек входного слоя, Н ячеек скрытого слоя и Е ячеек выходного слоя, причем каждая ячейка предыдущего слоя соединена весовой связью с каждой ячейкой последующего, а каждая ячейка блока нейронной сети состоит из последовательно соединенных сумматора и нелинейного преобразователя, блок принятия решения, предназначенный для нормирования к единичной сумме функций активации нейронов выходного слоя блока нейронной сети, сравнения максимального значения из нормированных функций активации нейронов выходного слоя блока нейронной сети с порогом и задания соответствия между номером нейрона выходного слоя и кодовой комбинации, определяющий тип манипуляции радиосигнала, и блок индикации, причем вторая группа информационных входов блока принятия решения является второй входной шиной устройства автоматического распознавания типа манипуляции радиосигналов и предназначена для задания порогового уровня, а первая входная шина устройства автоматического распознавания типа манипуляции радиосигналов соединена с группой входов управления аналого-цифрового преобразователя и предназначена для задания частоты дискретизации FS, полосы частот оцифровываемого сигнала ΔF и длительности ΔT.
Недостатком устройства-прототипа является низкая вероятность правильного определения типа и числа позиций манипуляции PC при ОСШ ниже 10 дБ. Ошибка в принятии решения превышает 25% при отношении ОСШ 10 дБ и увеличивается до 65% при уменьшении ОСШ до 0 дБ. В условиях реального применения, достигнуть значения ОСШ больше 15 дБ затруднительно или невозможно, что дополнительно ограничивает использование способа.
Целью заявляемого устройства автоматического распознавания типа манипуляции радиосигналов является повышение вероятности правильного распознавания типа и числа позиций манипуляции анализируемых PC за счет расширения вектора признаков, нормирования по среднему значению и дисперсии вектора признаков Vs и векторов признаков эталонных сигналов .
В заявляемом устройстве автоматического распознавания типа манипуляции радиосигналов поставленная цель достигается тем, что в известном устройстве, состоящем из последовательно соединенных антенны, аналого-цифрового преобразователя, обеспечивающего дискретизацию по времени и квантование радиосигнала, блока расчета сигнала, предназначенного для формирования синфазной I(n) и квадратурной Q(n) составляющих n отсчетов сигнала, блока нормирования амплитуды, предназначенный для нормирования к единице среднего значения амплитуды сигнала, и блока расчета признаков, формирующего вектор признаков сигнала VS, состоящий из кумулянтов второго CIQ, CQQ, третьего CIII, CIIQ, CIQQ, CQQQ и четвертого CIIIQ, CIQQQ, CQQQQ порядков, последовательно соединенных блока нейронной сети типа многослойный персептрон, состоящего из K ячеек входного слоя, Н ячеек скрытого слоя и Е ячеек выходного слоя, причем каждая ячейка предыдущего слоя соединена весовой связью с каждой ячейкой последующего, а каждая ячейка блока нейронной сети состоит из последовательно соединенных сумматора и нелинейного преобразователя, блока принятия решения, предназначенного для нормирования к единичной сумме функций активации нейронов выходного слоя блока нейронной сети, сравнения максимального значения из нормированных функций активации нейронов выходного слоя блока нейронной сети с порогом и задания соответствия между номером нейрона выходного слоя и кодовой комбинации, определяющей тип манипуляции радиосигнала, и блока индикации, причем вторая группа информационных входов блока принятия решения является второй входной шиной устройства автоматического распознавания типа манипуляции радиосигналов и предназначена для задания порогового уровня thrs, а первая входная шина устройства автоматического распознавания типа манипуляции радиосигналов соединена с группой входов управления аналого-цифрового преобразователя и предназначена для задания частоты дискретизации FS, полосы частот оцифровываемого сигнала ΔF и длительности ΔT, дополнительно введены последовательно соединенные блок статистической обработки, предназначенный для формирования вектора средних значений признаков Vcp и вектора среднеквадратичного отклонения признаков Vско на основе совокупности всех векторов признаков эталонных сигналов , применяемых при обучении блока нейронной сети, и блок нормирования вектора признаков, предназначенный для нормирования каждого вектора признаков эталонных сигналов , применяемых при обучении нейронной сети, и вектора признаков распознаваемого сигнала Vs по полученным значениям Vcp и Vско, причем группа информационных входов блока статистической обработки соединена с группой информационных выходов блока расчета признаков, а группа информационных выходов блока нормирования вектора признаков соединена с группой информационных входов блока нейронной сети.
При этом в блоке расчета признаков дополнительно определяют максимальное значение спектральной плотности нормированной и центрированной амплитуды сигнала γmax, среднеквадратическое отклонение модуля нормированной и центрированной амплитуды сигнала σаа, среднеквадратическое отклонение модуля нелинейной составляющей мгновенной фазы сигнала σар, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, среднеквадратическое отклонения нелинейной составляющей мгновенной фазы сигнала σdp, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr.
Перечисленная новая совокупность существенных признаков за счет введения новых элементов и связей позволяет достичь цели изобретения: повысить вероятность правильного распознавания анализируемых радиосигналов за счет расширения вектора признаков, нормирования по среднему значению и дисперсии вектора признаков Vs и векторов признаков эталонных сигналов .
Заявленный способ поясняется чертежами, на которых:
на фиг. 1 показан обобщенный алгоритм распознавания типа манипуляции PC;
на фиг. 2 иллюстрируется алгоритм обучения нейронной сети;
на фиг. 3 представлена обобщенная структурная схема устройства распознавания типа манипуляции PC;
на фиг. 4 показана структурная схема нейронной сети;
на фиг. 5 приведена зависимость ошибочного распознавания типа манипуляции PC от отношения сигнал/шум для способа-прототипа и заявленного способа.
В заявляемом способе, как и в прототипе, ключевым объектом, отвечающим за распознавание типа и числа позиций манипуляции PC, является блок нейронной сети. В связи с тем, что вектор признаков сигнала, подаваемый на вход, состоит из отличающихся по своей природе статистик, а весовые коэффициенты связей изначально инициализируются случайным образом, на их линейную комбинацию будут оказывать сильное влияние признаки, имеющие большее значение модуля вне зависимости от их информативности. Для решения данной проблемы применяется нормирование входных данных, подаваемых на вход нейронной сети (см.: J. Sola, J. Sevilla «Importance of input data normalization for the application of neural networks to complex industrial problems)) // IEEE Transactions on Nuclear Science, Volume 44, 1997). При анализе единичной реализации априорно неизвестного радиосигнала невозможно установить коэффициенты нормирования, по этой причине в качестве таких коэффициентов принимают значения, рассчитанные на основе совокупности векторов признаков эталонных сигналов всех типов манипуляции.
В процессе обучения нейронной сети на подготовительном этапе на ее вход должны поступать данные, полученные тем же методом, что будут использоваться в основном процессе работы. Поэтому все векторы признаков эталонных сигналов нормируются с использованием тех же коэффициентов, которые будут применятся при распознавании типа и числа позиций манипуляции неизвестного радиосигнала.
Реализация заявленного способа объясняется следующим образом. На подготовительном этапе (см. фиг. 2) в цифровом виде задают суммарно L эталонных PC равной длительности для всех типов манипуляции, которые подлежат распознаванию (обучающее множество). Количество комплексных временных отсчетов N сигнала выбирается в зависимости от требований по достоверности распознавания и минимальной гарантированной продолжительности PC. Для удобства и быстроты последующих вычислений, количество отсчетов PC берут из расчета N=2w, где w - натуральное число в диапазоне от 9 до 16, рекомендуемое значение 12.
Нормируют к единице среднее значение амплитуды всех сигналов обучающего множества по формулам:
Далее для всех PC обучающего множества вычисляют кумулянты второго порядка CI,I, CI,Q, CQ,Q, кумулянты третьего порядка CI,I,I, CI,I,Q, CI,Q,Q, CQ,Q,Q и кумулянты четвертого порядка CI,I,I,I, CI,I,I,Q, CI,I,Q,Q, CI,Q,Q,Q, CQ,Q,Q,Q.
Более подробно порядок вывода кумулянтов различных порядков и обоснование их применения даны в Приложении способа-прототипа.
Определяют значения мгновенной амплитуды А (огибающей) комплексного сигнала по формуле:
Для устранения зависимости в сигнале от характеристик оборудования, на котором он записывался, нормируют и центрируют значения мгновенной амплитуды сигнала по формулам:
Далее определяют максимальное значение спектральной плотности мощности нормированной и центрированной амплитуды сигнала γmax как:
где DFT(X) - функция дискретного преобразования Фурье, примененная к массиву X.
Находят среднеквадратическое отклонение модуля нормированной и центрированной амплитуды сигнала σаа по формуле:
Определяют среднеквадратическое отклонение модуля нелинейной составляющей мгновенной фазы сигнала σар, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, в соответствии с выражением:
где φNL - нелинейная составляющая фазы сигнала, С=|{n|An(n)>athr}|,
athr - заранее заданный порог, рекомендуемое значение равно 0.35.
Вычисляют среднеквадратическое отклонение нелинейной составляющей мгновенной фазы сигнала σdp, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, как:
Для каждого эталонного PC Sэт(n) формируется ВП, состоящий из набора 16 вещественных чисел вычисленных раньше:
Вычисляют вектор средних значений признаков Vcp как:
Вычисляют вектор среднеквадратичного отклонения признаков Vско в соответствии с выражением:
Нормируют все вектора признаков эталонных сигналов по формуле:
Инициализируют веса на ребрах нейронной сети (см. фиг. 4) типа многослойный персептрон с полными связями между слоями, содержащей входной слой, один скрытый слой нейронов с сигмоидальной функцией активации и выходной слой нейронов с сигмоидальной функцией активации случайными числами из диапазона от 0 до 1.
Производят обучение полученной на предыдущем шаге нейронной сети методом обратного распространения ошибки по значениям векторов признаков . Более детально алгоритм обучения нейронных сетей описан в книге Ф. Уоссермена «Нейрокомпьютерная техника: теория и практика», издательство «Мир», 1992 год.
Для оценки качества обучения используется метод кросс-валидации (скользящий контроль). Данная методика оценки моделей раскрыта в книге Воронцова К.В. "Комбинаторный подход к оценке качества обучаемых алгоритмов", серия "Математические вопросы кибернетики" под ред. О.Б. Лупанова, М.: Физматлит, 2004.
Последним действием подготовительного этапа является сохранение весовых связей нейронной сети и значений векторов Vcp, Vско в долговременной памяти.
На этапе распознавания типа манипуляции PC (см. фиг. 1) для распознаваемого сигнала S(t), принятого с частотой дискретизации Fs в полосе частот ΔF, имеющего продолжительность ΔТ=N/Fs, формируют его ВП Vs аналогично выше рассмотренным значениям для различных PC. С этой целью принятый PC дискретизируют и квантуют, формируют синфазную I(n) и квадратурную Q(n) составляющие, нормируют к единице среднее значение амплитуды сигнала в соответствии с (1) и (2), последовательно вычисляют кумулянты второго CI,I, CI,Q, CQ,Q, третьего CI,I,I, CI,I,Q, CI,Q,Q, CQ,Q,Q и четвертого CI,I,I,I, CI,I,I,Q, CI,I,Q,Q, CI,Q,Q,Q, CQ,Q,Q,Q порядков, значения γmax, σaa, σap, σdp в соответствии с (3)-(10).
Формируют ВП VS сигнала S(n) и нормируют его в соответствии с выражением:
Нормированный ВП сигнала S(n) подают на входной слой нейронной сети. Далее поочередно для скрытого и выходного слоев нейронной сети в каждом нейроне вычисляется значение функции активации на основе входных значений xj и коэффициентов весовых связей wj данного нейрона как:
где LC - линейная комбинация входных значений. В свою очередь последняя определяется выражением:
где K - количество входных связей нейрона. Значение функции активации нейрона Fact передается на синоптические связи следующего слоя в качестве соответствующих xj.
Значения функций Fact выходного слоя образуют вектор Fвых, который нормируется к единичной сумме своих элементов по формуле:
где Sвых=sum(Fвых). После этого определяется нейрон, которому соответствует максимальное значение элемента Fnвых.
В связи с тем, что каждый нейрон выходного слоя соответствует определенному типу манипуляции, выбор нейрона с максимальным значением Fnвых и определяет искомую величину.
Далее выполняется операция сравнения максимального значения Fnвых с заданным порогом thrs. При выполнении неравенства MAX(Fnвых)>thrs принимается решение о типе манипуляции PC. В противном случае считают, что тип манипуляции PC неизвестен, требуется повторная запись сигнала и его анализ.
Выполнен анализ характеристик предлагаемого технического решения методом численного моделирования. В качестве распознаваемых типов PC были приняты сигналы с:
2-позиционной амплитудной манипуляцией (АМн2);
4-позиционной амплитудной манипуляцией (АМн4);
16-позиционной квадратурно-амплитудной манипуляцией (KAM16);
64-позиционной квадратурно-амплитудной манипуляцией (КАМ64);
8-позиционной фазовой манипуляцией (ФМн8);
2-позиционной частотной манипуляцией (ЧМн2);
4-позиционной частотной манипуляцией (ЧМн4).
Обучающее множество состояло из 32000 сигналов: по L=4000 в каждом классе сигналов, длина каждого сигнала составляла N=4096 отсчета, частота дискретизации Fs в 4 раза превышала полезную полосу сигналов. В целях обеспечения разнообразия набора векторов признаков и увеличения обобщающей способности классификатора, каждый из сигналов S модифицировался в соответствии с выражением:
где α - случайное число из диапазона от 0 до 42, AWGNS,β - аддитивный белый гауссовский шум с энергией на β дБ меньше, чем у сигнала S, β - случайное число из диапазона от 0 до 24.
Приведенный способ модификации сигнала отражает не только изменчивость отношения сигнал/шум в диапазоне 24 дБ, но и изменение абсолютного уровня сигнала в диапазоне 42 дБ, что часто встречается в условиях сложной электромагнитной обстановки.
На сигналах описанного выше множества было обучено два классификатора: по способу-прототипу и предлагаемому способу. Сравнение результатов работы классификаторов представлено на фиг. 5. Ось абсцисс - отношение сигнал/шум β, выраженное в дБ. Ось ординат - вероятность ошибки распознавания Рош типа манипуляции PC от 0 до 1. В качестве тестового множества выступал набор сигналов, полученный методом, аналогичным описанному выше.
В результате тестирования определено, что предлагаемое введение операции нормирования ВП ведет к уменьшению вероятности ошибки Рош по сравнению с прототипом примерно на 0.20 при ОСШ меньше 8 дБ. При отношении сигнал/шум свыше 15 дБ вероятность ошибки распознавания Рош по сравнению с прототипом уменьшается примерно на 0.1, что повышает достоверность в принятии решения заявляемым способом.
Заявляемое устройство автоматического распознавания типа манипуляции радиосигналов (см. фиг. 3) содержит последовательно соединенные антенну 1, аналого-цифровой преобразователь 2, блок расчета сигнала 3, блок нормирования амплитуды 4, блок расчета признаков 5, блок статистической обработки 6, блок нормирования вектора признаков 7, блок нейронной сети 8, блок принятия решения 9 и блок индикации 10. Группа входов управления аналого-цифрового преобразователя является первой входной шиной 11 устройства автоматического распознавания типа манипуляции радиосигналов. Вторая группа информационных входов блока принятия решения 9 является второй входной шиной 12 устройства автоматического распознавания типа манипуляции радиосигналов
Работа устройства осуществляется следующим образом. На подготовительном этапе определяют круг сигналов, подлежащих распознаванию и выбирают суммарно L эталонных реализаций равной длительности. Эталонные сигналы последовательно подают на вход устройства. Названные сигналы с выхода антенны 1 поступают на группу информационных входов аналого-цифрового преобразователя 2. По группе управляющих входов (шина 11) задают параметры работы блока 2 (ΔT, ΔF, Fs). В функции блока 2 входит дискретизация аналогового радиосигнала длительностью ΔТ в полосе частот ΔF по времени и квантование по уровню с частотой дискретизации Fs. Оцифрованный эталонный сигнал Sэт(n) передают с выхода блока 2 на информационный вход блока расчета сигнала 3. В функцию последнего входит расчет по дискретным значениям сигнала Sэт(n) его синфазной I(n) и квадратурной Q(n) составляющих, которые с выходов блока 3 передаются на информационные входы блока нормирования амплитуды 4. Квадратурные составляющие сигнала нормируют в соответствии с (1) и (2), а полученные значения I1(n) и Q1(n) с выходов блока 4 поступают на информационные входы блока 5. Блок расчета признаков 5 формирует вектора признаков сигналов в соответствии с выражениями (3)-(11). Полученные элементы ВП параллельно поступают на информационные входы блока статистической обработки 6. Данные, поступающие на информационные входы блока 6, аккумулируются, а на их основе в соответствии с выражениями (12), (13) определяют вектор средних значений признаков Vcp и вектор среднеквадратичного отклонения признаков Vско. Накопленные в блоке 6 вектора признаков эталонных сигналов совместно с рассчитанными векторами Vcp и Vско параллельно поступают на информационные входы блока нормирования вектора признаков 7, где последние нормируют по формуле (14). Полученные элементы ВП параллельно поступают на информационные входы блока нейронной сети 8. Блок нейронной сети 8 (см. фиг. 4) реализует аналогичные функции соответствующего блока 6 прототипа на основе выражений (16) и (17). В результате на выходе каждого нейрона 18.1-18.E выходного слоя 15 формируют значения, которые образуют вектор результатов работы блока нейронной сети 8.
По выходным значениям блока нейронной сети 8 и априорно известной информации о типа манипуляции сигнала обучающего множества обновляют весовые коэффициенты связей wij блока нейронной сети в соответствии с процедурой обратного распространения ошибки по аналогии с прототипом.
После обработки всех сигналов обучающего множества значения вектор средних значений признаков Vcp, вектор среднеквадратичного отклонения признаков Vско сохраняют в блоке нормирования ВП 7, а весовые связи нейронной сети сохраняют в блоке нейронной сети 8.
В процессе работы сигнал, подлежащий распознаванию, с выхода антенны 1 поступает на группу информационных входов аналого-цифрового преобразователя 2. По группе управляющих входов (шина 11) задают параметры работы блока 2 (ΔТ, ΔF, Fs). В функции блока 2 входит дискретизация аналогового радиосигнала длительностью ΔТ в полосе частот ΔF по времени и квантование по уровню с частотой дискретизации Fs. Оцифрованный сигнал S(n) передают с выхода блока 2 на информационный вход блока расчета сигнала 3. В функцию последнего входит расчет по дискретным значениям сигнала S(n) его синфазной I(n) и квадратурной Q(n) составляющих, которые с выходов блока 3 передаются на информационные входы блока нормирования амплитуды 4. Квадратурные составляющие сигнала нормируют в соответствии с (1) и (2), а полученные значения I1(n) и Q1(n) с выходов блока 4 поступают на информационные входы блока 5. Блок расчета признаков 5 формирует вектор признаков сигнал Vs в соответствии с выражениями (3)-(11). Полученные элементы ВП параллельно поступают на информационные входы блока статистической обработки 6 и передаются при помощи его информационных выходов на информационные входы блока нормирования амплитуды 7. В блоке 7 вектор признаков сигнала Vs нормируют в соответствии с выражением (15) используя полученные на подготовительном этапе вектор средних значений признаков Vcp и вектор среднеквадратичного отклонения признаков Vско, а элементы полученного нормированного ВП параллельно поступают на информационные входы блока нейронной сети 8. Блок нейронной сети 8 (см. фиг. 4) реализует аналогичные блоку нейронной сети 6 прототипа функции на основе выражений (16) и (17). В результате на выходе каждого нейрона 18.1-18.Е выходного слоя 15 формируют значения, которые образуют вектор результатов работы блока нейронной сети 8 Fвых. Указанные величины параллельно поступают в блок принятия решения 9. По второй входной шине 12 на его вторую группу входов подают пороговое значение thrs. В функции блока 9 входит нормализация данных, поступивших на первую группу информационных входов в соответствии с (18), выбор элемента массива с наибольшим значением (аналогично прототипу), сравнение значения максимального нормированного элемента массива Fnвых с пороговым значением thrs.
При выполнении условия MAX(Fnвых)>thrs блок 9 генерирует на своем выходе кодовую комбинацию, соответствующую определенному типу манипуляции радиосигнала, которая передается на блок индикации 10. В противном случае считают, что тип манипуляции PC неизвестен, требуется повторная запись сигнала и его анализ.
В устройстве, реализующем предложенный способ, используются элементы и блоки, описанные в научно-технической литературе. Варианты реализации антенны 1 широко рассмотрены в литературе (см. Проектирование фазовых автоматических пеленгаторов. / Саидов А.С. И др. - М.: Радио и связь, 1997).
Реализация блока аналого-цифрового преобразователя 2 известна и трудностей не вызывает. Наиболее предпочтительным является вариант реализации блока 2 на базе микросхем AD7667 (см.: http://www.analog.com/en/products/analog-to-digital-converters/ad-converters/ad7667.html).
Блоки расчета сигнала 3, нормирования амплитуды 4, расчета признаков 5, статистической обработки 6 и нормирования вектора признаков 7 целесообразно выполнить на сигнальном процессоре TMS320c6416 (см.: http://focus.ti.com/docs/prod/folders/print/TMS320c6416.html).
Реализация блока нейронной сети известна и трудностей не вызывает. Наиболее предпочтительным является вариант реализации блока 8 на базе нейро-процессора Л1879ВМ1 (NM6403) (см. http://www.module.ru/upload/files/vm1.pdf).
Блок принятия решения 9 может быть реализован на базе микропроцессора (см. Шевкоплес Б.В. / Микропроцессорные структуры. Инженерные решения: Справочник. - 2-е изд., перераб. и доп. - М.: Радио и связь, 1990. - 512 с.). В качестве последнего целесообразно использовать 16-разрядный микропроцессор К1810ВМ86.
Реализация блока индикации 10 известна и трудностей не вызывает (см. Сто схем с индикаторами / Быстров А.Ю и др. - М.: Радио и связь, 1990. - 112 с.).
Claims (10)
1. Способ автоматического распознавания типа манипуляции радиосигналов, заключающийся в том, что принятый аналоговый радиосигнал дискретизируют по времени и квантуют, формируют синфазную I(n) и квадратурную Q(n) составляющие оцифрованных отсчетов сигнала S(n), нормируют к единице среднее значение амплитуды сигнала, по значениям синфазной и квадратурной составляющих N-отсчетов сигнала рассчитывают вектор признаков сигнала VS, состоящий из значений кумулянтов второго CII, CIQ, CQQ, третьего CIII, CIIQ, CIQQ, CQQQ и четвертого CIIII, CIIIQ, QIIQQ, CIQQQ, CQQQQ порядков, максимального значения спектральной плотности мощности нормированной и центрированной амплитуды сигнала γmax, среднеквадратического отклонения модуля нормированной и центрированной амплитуды сигнала σ аа , среднеквадратического отклонения модуля нелинейной составляющей мгновенной фазы сигнала σ а р, рассчитанного по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, среднеквадратического отклонения нелинейной составляющей мгновенной фазы сигнала σdp, рассчитанного по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, который подают на входы предварительно обученной методом обратного распространения ошибки по значениям эталонных сигналов обучающей выборки нейронную сеть типа многослойный персептрон, значения функции активации нейронов выходного слоя нормируют к единичной сумме и принимают решение о типе манипуляции принятого радиосигнала, отличающийся тем, что дополнительно на основе совокупности всех векторов признаков эталонных сигналов формируют вектор средних значений и вектор среднеквадратичного отклонения Vcp и Vско соответственно, после этого каждый вектор признаков эталонных сигналов , применяемых при обучении нейронной сети, и вектор признаков распознаваемого сигнала VS нормируют по полученным среднему значению Vcp и дисперсии Vско.
2. Способ по п. 1, отличающийся тем, что вектор средних значений признаков Vcp вычисляют по формуле:
4. Устройство автоматического распознавания типа манипуляции радиосигналов, содержащее последовательно соединенные антенну, аналогово-цифровой преобразователь, обеспечивающий дискретизацию по времени и квантование радиосигнала, блок расчета сигнала, предназначенный для формирования синфазной I(n) и квадратурной Q(n) составляющих n отсчетов сигнала, блок нормирования амплитуды, предназначенный для нормирования к единице среднего значения амплитуды сигнала, и блок расчета признаков, формирующий вектор признаков сигнала VS, состоящий из кумулянтов второго CIQ, CQQ, третьего CIII, CIIQ, CIQQ, CQQQ и четвертого CIIIQ, CIQQQ, CQQQQ порядков, последовательно соединенные блок нейронной сети типа многослойный персептрон, состоящий из K-ячеек входного слоя, H-ячеек скрытого слоя и E-ячеек выходного слоя, причем каждая ячейка предыдущего слоя соединена весовой связью с каждой ячейкой последующего, а каждая ячейка блока нейронной сети состоит из последовательно соединенных сумматора и нелинейного преобразователя, блок принятия решения, предназначенный для нормирования к единичной сумме функций активации нейронов выходного слоя блока нейронной сети, сравнения максимального значения из нормированных функций активации нейронов выходного слоя блока нейронной сети с порогом и задания соответствия между номером нейрона выходного слоя и кодовой комбинации, определяющей тип манипуляции радиосигнала, и блок индикации, причем вторая группа информационных входов блока принятия решения является второй входной шиной устройства автоматического распознавания типа манипуляции радиосигналов и предназначена для задания порогового уровня thrs, а первая входная шина устройства автоматического распознавания типа манипуляции радиосигналов соединена с группой входов управления аналого-цифрового преобразователя и предназначена для задания частоты дискретизации FS, полосы частот оцифровываемого сигнала ΔF и длительности ΔT, дополнительно введены последовательно соединенные блок статистической обработки, предназначенный для формирования вектора средних значений признаков Vcp и вектора среднеквадратичного отклонения признаков Vско на основе совокупности всех векторов признаков эталонных сигналов , применяемых при обучении блока нейронной сети, и блок нормирования вектора признаков, предназначенный для нормирования каждого вектора признаков эталонных сигналов , применяемых при обучении нейронной сети, и вектора признаков распознаваемого сигнала VS по полученным значениям Vcp и Vско, причем группа информационных входов блока статистической обработки соединена с группой информационных выходов блока расчета признаков, а группа информационных выходов блока нормирования вектора признаков соединена с группой информационных входов блока нейронной сети.
5. Устройство по п. 4, отличающееся тем, что в блоке расчета признаков дополнительно определяют максимальное значение спектральной плотности нормированной и центрированной амплитуды сигнала γmax, среднеквадратическое отклонение модуля нормированной и центрированной амплитуды сигнала σ аа , среднеквадратическое отклонение модуля нелинейной составляющей мгновенной фазы сигнала σ а р, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, среднеквадратическое отклонения нелинейной составляющей мгновенной фазы сигнала σdp, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог a thr.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2017128626A RU2665235C1 (ru) | 2017-08-10 | 2017-08-10 | Способ и устройство автоматического распознавания типа манипуляции радиосигналов |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2017128626A RU2665235C1 (ru) | 2017-08-10 | 2017-08-10 | Способ и устройство автоматического распознавания типа манипуляции радиосигналов |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2665235C1 true RU2665235C1 (ru) | 2018-08-28 |
Family
ID=63459653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2017128626A RU2665235C1 (ru) | 2017-08-10 | 2017-08-10 | Способ и устройство автоматического распознавания типа манипуляции радиосигналов |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2665235C1 (ru) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2713693C1 (ru) * | 2019-05-28 | 2020-02-06 | Федеральное государственное бюджетное учреждение "Центральный научно-исследовательский институт Воздушно-космических сил" Министерства обороны Российской Федерации (ФГБУ "ЦНИИ ВКС" Минобороны России) | Устройство автоматического распознавания типов манипуляции радиосигналов |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5909675A (en) * | 1994-10-17 | 1999-06-01 | Alcatel Mobile Communication France | Device for recognizing information conveyed by a received signal |
US20100098193A1 (en) * | 2007-03-16 | 2010-04-22 | Peng Liu | Apparatus and method for classifying modulations in multipath environments |
RU2423735C1 (ru) * | 2010-03-17 | 2011-07-10 | Государственное образовательное учреждение высшего профессионального образования "Военная академия связи имени С.М. Буденного" Министерства обороны Российской Федерации | Способ распознавания радиосигналов |
RU2510077C2 (ru) * | 2012-04-20 | 2014-03-20 | Федеральное государственное образовательное бюджетное учреждение высшего профессионального образования Московский технический университет связи и информатики (ФГОБУ ВПО МТУСИ) | Способ и устройство автоматического распознавания типов манипуляции радиосигналов |
RU2622846C1 (ru) * | 2016-06-15 | 2017-06-20 | федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия связи имени Маршала Советского Союза С.М. Буденного" Министерства обороны Российской Федерации | Способ автоматического распознавания типа манипуляции радиосигналов |
-
2017
- 2017-08-10 RU RU2017128626A patent/RU2665235C1/ru not_active IP Right Cessation
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5909675A (en) * | 1994-10-17 | 1999-06-01 | Alcatel Mobile Communication France | Device for recognizing information conveyed by a received signal |
US20100098193A1 (en) * | 2007-03-16 | 2010-04-22 | Peng Liu | Apparatus and method for classifying modulations in multipath environments |
RU2423735C1 (ru) * | 2010-03-17 | 2011-07-10 | Государственное образовательное учреждение высшего профессионального образования "Военная академия связи имени С.М. Буденного" Министерства обороны Российской Федерации | Способ распознавания радиосигналов |
RU2510077C2 (ru) * | 2012-04-20 | 2014-03-20 | Федеральное государственное образовательное бюджетное учреждение высшего профессионального образования Московский технический университет связи и информатики (ФГОБУ ВПО МТУСИ) | Способ и устройство автоматического распознавания типов манипуляции радиосигналов |
RU2622846C1 (ru) * | 2016-06-15 | 2017-06-20 | федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия связи имени Маршала Советского Союза С.М. Буденного" Министерства обороны Российской Федерации | Способ автоматического распознавания типа манипуляции радиосигналов |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2713693C1 (ru) * | 2019-05-28 | 2020-02-06 | Федеральное государственное бюджетное учреждение "Центральный научно-исследовательский институт Воздушно-космических сил" Министерства обороны Российской Федерации (ФГБУ "ЦНИИ ВКС" Минобороны России) | Устройство автоматического распознавания типов манипуляции радиосигналов |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10003483B1 (en) | Biologically inspired methods and systems for automatically determining the modulation types of radio signals using stacked de-noising autoencoders | |
Savitha et al. | Projection-based fast learning fully complex-valued relaxation neural network | |
Suresh et al. | A sequential learning algorithm for complex-valued self-regulating resource allocation network-CSRAN | |
CN108256436B (zh) | 一种基于联合分类的雷达hrrp目标识别方法 | |
WO2019232851A1 (zh) | 语音区分模型训练方法、装置、计算机设备及存储介质 | |
Wei et al. | PRI modulation recognition based on squeeze-and-excitation networks | |
RU2622846C1 (ru) | Способ автоматического распознавания типа манипуляции радиосигналов | |
CN111948622A (zh) | 基于并联cnn-lstm的线性调频雷达信号toa估计算法 | |
CN110690930B (zh) | 信源数量检测方法及装置 | |
RU2665235C1 (ru) | Способ и устройство автоматического распознавания типа манипуляции радиосигналов | |
RU151549U1 (ru) | Искусственная нейронная сеть | |
CN112835008B (zh) | 基于姿态自适应卷积网络的高分辨距离像目标识别方法 | |
RU2619717C1 (ru) | Способ и устройство автоматического распознавания типа манипуляции радиосигналов | |
Ðalto et al. | Neural-network-based ultra-short-term wind forecasting | |
CN111160419B (zh) | 一种基于深度学习的电子式互感器数据分类预测方法及装置 | |
Dasgaonkar et al. | Analysis of multi-layered perceptron, radial basis function and convolutional neural networks in recognizing handwritten digits | |
CN112259107A (zh) | 一种会议场景小样本条件下的声纹识别方法 | |
Weinberg | Minimum-based sliding window detectors in correlated Pareto distributed clutter | |
CN113469357A (zh) | 一种人工神经网络到脉冲神经网络的映射方法 | |
Zhang et al. | LSSVM parameters optimizing and non-linear system prediction based on cross validation | |
Klevecka | Short-term traffic forecasting with neural networks | |
CN113723253B (zh) | 基于杂波预分类的运动目标检测方法 | |
Fan et al. | Improving gravitational wave detection with 2d convolutional neural networks | |
CN111580059A (zh) | 基于谱图切分预处理和卷积神经网络的雷达hrrp目标识别方法 | |
Li et al. | Data modeling of calibration parameter measurement based on MLP model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20190811 |