У сучасних системах зв’язку визначення типу модуляції радіосигналів є важливим завданням для забезпечення ефективної обробки та передачі даних. Особливе значення це має в задачах радіорозвідки та радіомоніторингу [1]. Визначення типу модуляції дозволяє ідентифікувати та класифікувати джерела випромінювання, визначати стандарт зв'язку (GSM, LTE, 5G, Wi-Fi тощо), виявляти аномалії та невідомі сигнали, які можуть бути результатом незаконної та несанкціонованої діяльності; вирішувати задачі перехоплення голосових та цифрових даних, а для цього потрібно точно налаштувати демодулятор під виявлений тип модуляції; вирішувати задачі радіоелектронної боротьби та протидії. Знання типу модуляції підвищує точність прийому сигналів, зменшує ймовірність помилок при демодуляції та забезпечує адаптацію приймальних пристроїв до змін умов каналу зв’язку. Новітні методи визначення модуляції поєднують класичні підходи обробки сигналів із автоматичними алгоритмічними методами, що дозволяє досягати високої точності навіть у складних умовах ефіру.
В основі традиційних методів класифікації типів модуляції радіосигналу, лежить візуальний експертний аналіз часової та частотної областей сигналу: дослідження таких характеристик як амплітуда, фаза та частота. Візуальне виявлення характерних модуляційних ознак дозволяє визначити тип модуляції. Наприклад, амплітудна модуляція (АМ) у частотній області характеризується несучим коливанням (піком) у центрі спектра та двома боковими смугами. У разі односмугової (SSB) модуляції несуча відсутня або значно ослаблена. При частотній маніпуляції (FSK) спектр має вигляд двох або більше окремих піків, які відповідають різним частотам. Аналіз АМ у часовій області виявляє зміну амплітуди огинаючої сигналу відповідно до модулюючого сигналу, частота несучої - постійна. Застосування традиційних методів в умовах значного збільшення різновидів модуляцій вимагає високої кваліфікації оператора і є трудомістким процесом. Системи, що базуються на цих методах, використовують такі апаратні засоби як осцилографи, широкосмугові аналізатори спектру тощо. Вони забезпечують певну ефективність у простих умовах, проте мають обмеження в стійкості до шумів та мають труднощі при масштабуванні на багатоканальні або динамічні системи зв’язку.
Автоматичні методи визначення типу модуляції використовують цифрову обробку сигналів (ЦОС) і є основою сучасних моніторингових систем [2,3]. Автоматичні методи визначення типу модуляції радіосигналу можна також поділити на два класи: детерміновані та статистичні.
Детерміновані методи базуються на точній формі сигналу в часовій чи частотній області. Вони використовують чіткі вимірювані ознаки: кількість піків, наявність або відсутність несучої частоти, точні фазові сузір’я, ширина смуги частот тощо. Виділені ознаки порівнюють з еталонними для прийняття рішення щодо типу модуляції. Такі методи відзначаються відносною простотою реалізації, проте мають обмежену ефективність у присутності шумів, які здатні легко спотворювати форму сузір’я або піки спектра, роблячи ознаки ненадійними.
Статистичні методи, натомість, ґрунтуються на аналізі ймовірнісних характеристик сигналу та застосуванні методів машинного навчання. В якості ознак використовуються дисперсії миттєвої амплітуди та миттєвої частоти, коефіцієнт пікової до середньої потужності PAPR (Peak-to-Average Power Ratio), моменти та кумулянти сигналу тощо.
Найбільшого поширення набули нейронні мережі, зокрема згорткові (CNN) та рекурентні (LSTM) архітектури, здатні виявляти складні закономірності у часових послідовностях IQ-відліків і забезпечувати високу точність класифікації навіть за низького співвідношення сигнал/шум.
Одномірні згорткові нейронні мережі (1D-CNN) використовуються для автоматичного виділення просторових ознак сигналу з IQ-компонент. Згорткові шари дозволяють виявляти характерні локальні патерни сигналу, такі як зміни амплітуди, форми хвиль або переходи фаз. Завдяки цьому 1D-CNN забезпечує високу точність класифікації в умовах стабільного каналу та помірного шуму. Вони є відносно простими у реалізації та добре масштабуются при апаратній реалізації, де можлива паралельна обробка згорток, що забезпечує низькі затримки при обробці сигналів у реальному часі. Основним обмеженням 1D-CNN є те, що мережа не враховує часову структуру сигналу, що може знижувати ефективність при аналізі динамічних або багатоканальних систем зв’язку [4].
Рекурентні нейронні мережі з довгою короткочасною пам’яттю (LSTM) спеціалізуються на обробці послідовних даних і здатні моделювати залежності сигналу у часі. Завдяки рекурентним з’єднанням LSTM запам’ятовують довготривалі взаємозв’язки між IQ-відліками, що особливо важливо для сигналів з динамічною фазою або змінними характеристиками каналу. Такі мережі показують високу точність у складних умовах прийому, проте вимагають більшого часу навчання та значних обчислювальних ресурсів. Апаратна реалізація LSTM є більш складною порівняно з 1D-CNN, оскільки необхідно зберігати стан мережі та оптимізувати обчислювальні потоки. LSTM добре підходять для багатоканальних або мобільних систем, де часові залежності сигналів відіграють критичну роль для правильної класифікації [5].
Комбіновані архітектури LSTM + 1D-CNN поєднують переваги обох підходів. У таких системах IQ-дані спершу обробляються згортковими шарами для виділення локальних просторових ознак, після чого результат передається LSTM-шару для аналізу часових залежностей. Це дозволяє досягати максимальної точності класифікації навіть у складних умовах низького співвідношення сигнал/шум та динамічного каналу зв’язку. Однак комбінована архітектура є найскладнішою для апаратної реалізації, оскільки потребує оптимізації паралельності обчислень та ефективного використання пам’яті. Такі рішення доцільні для сучасних багатоканальних радіо моніторингових систем і складних комунікаційних середовищ, де критично важливі швидкість обробки та точність класифікації.
Таким чином, сучасні підходи до автоматичного визначення типу модуляції радіосигналів поєднують класичні методи обробки сигналів із сучасними алгоритмами машинного навчання, що забезпечує високу точність та стійкість систем навіть у складних умовах прийому. Детерміновані методи залишаються корисними для швидкої та простої класифікації за відомими ознаками, тоді як статистичні підходи, зокрема нейронні мережі та технології глибокого навчання (DL-Deep Learning) , дозволяють автоматично виділяти ознаки та враховувати складні залежності у сигналі.
Вибір конкретної архітектури нейронної мережі залежить від умов застосування та апаратних обмежень. 1D-CNN забезпечує ефективну обробку локальних ознак сигналу із відносно простою реалізацією на апаратному рівні, LSTM дозволяє виявляти часові залежності та підвищує точність у динамічних каналах, а комбінована архітектура LSTM + 1D-CNN поєднує переваги обох підходів і є оптимальним рішенням для складних багатоканальних систем, де критично важливі швидкість обробки та висока точність класифікації.
Загалом, розвиток та інтеграція нейронних мереж у системи класифікації модуляційних типів сприяє підвищенню ефективності радіомоніторингу, оптимізації апаратної реалізації та створенню адаптивних систем, здатних працювати в умовах змінного середовища та різноманітних стандартів зв’язку. Це відкриває перспективи для практичного застосування таких систем у військових, промислових та цивільних комунікаційних мережах, де швидкість і точність прийому сигналів є критичними параметрами.
Література
1. Слободянюк П.В., Благодарний В.Г. Радіомоніторинг : вчора, сьогодні, завтра (Теорія і практика побудови системи радіомоніторингу)//Прилуки: ТОВ “Видавництво “Аір-поліграф”. 2010, 296 с.
2. О.А.Нагорнюк, В.В. Павлюк. Алгоритм автоматичного виявлення та класифікаціїї сигналів//Вісник ЖДТУ. 2011. №4 (59), С.71-80.
3. Нагорнюк О.А., Писарчук О.О., Павлюк В.В. Методика автоматизованого визначення параметрів сигналу та розпізнання виду модуляції засобами радіомоніторингу в умовах апріорної параметричної невизначеності //Сучасні інформаційні технології у сфері безпеки та оборони. 2014. №1 (19), С.63-69.
4. І.Цимбалюк. Одновимірна згорткова модель нейронної мережі для оброблення сигналів з амплітудною модуляцією багатьох складових// Інфокомунікаційні технології та електронна інженерія. 2024. Вип. 4, No1, С.102–111.
5. Rajendran, S., Meert, W., et al. Deep Learning Models for Wireless Signal Classification with Distributed Spectrum Sensors//IEEE Transactions on Cognitive Communications and Networking. 2018. 4(3), p.433–445.
|
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter