Применение методов обучения по прецедентам для решения задачи распознавания модуляции

Размещено на http://www.allbest.ru/

Применение методов обучения по прецедентам для решения задачи распознавания модуляции

А. И. Косяк¹, А. М. Деркач¹

Аннотация. В статье приводится описание модификации одного из известных методов распознавания фазовой модуляции на основе применения методов обучения по прецедентам и сравнительный анализ результата модификации с исходным модифицируемым методом.

Ключевые слова: автоматическое распознавания модуляции, фазовая модуляция, обучение по прецедентам.

APPLICATION OF METHODS OF TRAINING ON PRECEDENTS FOR SOLVING THE TASK OF RECOGNITION OF MODULATION

A. I. Kosyak¹, V. G. Author¹, A. M. Derkach ¹

¹ MOU "Institute of Engineering Physics" (MIU "IIF RF"), Serpukhov, Russia

Abstract. The article describes the modification of one of the known methods of modulation recognition based on the use of training methods based on use cases and a comparative analysis of the modification result with the original modifiable method

Keywords: automatic recognition of modulation, phase modulation, learning by use of precedents. модификация фазовый распознавание

1. Введение

Автоматическое распознавание модуляции (AMC - automatic modulation classification) находит широкое применение, как в гражданской, так и в военной сфере. Данные алгоритмы решают задачу распознавания как цифровой, так и аналоговой модуляции, они являются итеративными, многоэтапными с наличием разветвлений на промежуточных этапах.

Существует большой набор широко распространенных алгоритмов АМС, эффективность которых представлена на рисунке ниже.

Рис. 1. Эффективность общеизвестных алгоритмов АМС [3]

Из графика представленного выше видно, что применимость данных алгоритмов в условиях расстройки по несущей частоте весьма ограничена.

К отдельному виду алгоритмов АМС можно отнести «слепые» алгоритмы, в которых задача АМС решается в условиях отсутствия какой-либо априорной информации, позволяющей провести точную подстройку по несущей частоте, символьную синхронизацию, оценку параметров формирующего фильтра, компенсацию межсимвольных искажений и т.д.

Одним из таких алгоритмов является алгоритм, представленный в работе [1], предназначенный для определения кратности фазовой манипуляции (M=2,4,8) и основанный на степенном преобразовании анализируемого сигнала.

2. Исходный алгоритм (сп.1)

Этапы исходного алгоритма [1]:

1. Расчет спектра степенного преобразования исходного сигнала , где n - степень степенного преобразования исходного сигнала, равная кратности фазовой манипуляции M.

2. Определение максимальной спектральной составляющей S_max=max(S(w)) в спектре Y_n;

3. Определение второй максимальной составляющей S_max1=max(S(w)), которая меньше по своему значению первой, но больше всех остальных;

4. Расчет статистики S

(1)

и сравнение с порогом S₀=0,4.

5. Применение решающего правила: если порог превышен, выносится решение о присутствии в спектре реализации Y_n регулярной составляющей (N=n); иначе - осуществление преобразования (1) для других значений кратности n и повторение шагов алгоритма.

В работе [2] проведен анализ данного алгоритма, показаны его достоинство - устойчивость к частотному рассогласованию, что особенно актуально при решении задачи «слепого» AMC и недостаток - отсутствие 100% надежности решения задачи даже в условиях большого значения SNR.

3. Модификация алгоритма №1 (сп.2)

Так же в работе [2] предложена модификация алгоритма. Модификация состояла в изменении алгоритма и решающего правила:

- расчет статистики S проводить для каждой кратности фазовой манипуляции n=M;

- принимать решение о кратности модуляции по критерию максимума относительно статистики S.

Сравнительный анализ исходного алгоритма и предложенного способа представлен в таблице ниже.

Таблица 1. Сравнительный анализ исходного и модифицированного способа определения кратности фазовой манипуляции

Значения в ячейках таблицы - вероятность распознавания кратности фазовой манипуляции. Как видно из представленной таблицы, предложенная модификация позволила повысить уровень 100% надежности распознавания до 11 Дб.

4. Предлагаемая модификация алгоритма №2

Для проведения дальнейшей модификации алгоритма обратим внимание на вид спектральной плотности мощности степенного преобразования сигналов, где М - кратность фазовой манипуляции искомого анализируемого сигнала, n = 2 степень степенного преобразования.

Рис. 2. Признаковое пространство Фмн сигналов

Из представленного рисунка видно, что для каждого вида манипуляции характерен свой набор видов спектральной плотности мощности сигнала. Ну а что если рассмотреть задачу АМС как решение задачи обучения по прецедентам в признаковом пространстве статистики S? Вид сформированного признакового пространства представлен на рисунке 2 справа. Каждой кратности степенного преобразования поставлен в соответствие свой цвет. Области «смешивания» признакового пространства соответствует высокий уровень SNR.

В качестве основы предложенной модификации возьмем стандартные алгоритмы машинного обучения, а именно алгоритмы:

- k-ближайших соседей (knn);

- метод опорных векторов с линейным ядром (svm-line);

- метод опорных векторов с радиальным ядром (svm-rbf);

- метод опорных векторов с полиномиальным ядром (svm-poly);

Оценку эффективности классификаторов будем проводить по отложенной выборке.

Исходными данными для формирования обучающей и контрольной выборки были:

- рассматриваемый пул видов модуляции: «Фмн 2,4,8»;

- входной сигнал: «грубая» комплексная огибающая;

- диапазон значений SNR: -10:25Дб;

- длина сообщения: 1024 символа;

- сдвиг по несущей: 0.1 относительно символьной скорости;

- число испытаний: 1000;

- критерий сравнения методов: минимальное значение SNR при 100%-ой вероятности определения кратности манипуляции.

Оценка эффективности предложенных методов представлена на рисунке ниже.

Рис. 2. Сравнительная характеристика рассматриваемых алгоритмов

5. Заключение

По вертикальной оси графика отложена вероятность определения (распознавания) кратности модуляции.

Из графика представленного выше видно, что наиболее эффективным является метод, основанный на классификаторе опорных векторов с полиномиальным ядром. Приращение в эффективности предложенного метода относительно модификации 1 [2] составляет 5 Дб.

Направление дальнейших исследований:

- оценка применимости предложенного метода для решения задачи АМС относи-тельно других видов квадратурной модуляции (КАМ с различными уровнями);

- оценка эффективности предложенного метода относительно ошибки первого рода (в условиях наличия в анализируемом множестве сигналов без модуляции);

- обучение и оценка эффективности для каждого уровня SNR в отдельности (оценка применимости к АМС в условиях наличия механизма оценки SNR).

Литература

1. Борисов В.А., Воробьев М.Ю. Определение вида манипуляции АФМ сигнала // Радиотехнические тетради. - 1998. - №14.

2. Косяк А.И., Шиманов С.Н., Кривоного А.Н. Определение кратности фазовой модуляции посредством нелинейного преобразования сигнала - модификация 1. Труды ХХXVI Всероссийской научно-технической конференции: «Проблемы эффективности и безопасности функционирования сложных технических и информационных систем», Серпухов, 2017 г., С. 21-25

3. Zhu, Zhechen. Automatic modulation classification : principles, algorithms, and applications / Zhechen Zhu and Asoke K. Nandi.

References

1. Borisov V.A., Vorobiev M.Yu. Determination of the type of manipulation of the AFM signal // Radio engineering notebooks. - 1998. - №14.

2. Kosyak A.I., Shimanov S.N., Krivonogo A.N. Determination of the multiplicity of phase modulation by means of nonlinear transformation of the signal - modification 1. Proceedings of the XXXVI All-Russian Scientific and Technical Conference: «Problems of efficiency and safety of functioning of complex technical and information systems», Serpuhov, 2017 г., С. 21-25

3. Zhu, Zhechen. Automatic modulation classification : principles, algorithms, and applications / Zhechen Zhu and Asoke K. Nandi.

Размещено на Allbest.ru