Применение искусственных нейронных сетей для распознавания видов модуляций

Размещено на http://www.allbest.ru/

Применение искусственных нейронных сетей для распознавания видов модуляций

Ю.А. Аверьянова,

А.А. Строцев

Аннотация

Построен обобщенный алгоритм применения искусственных нейронных сетей для определения видов модуляции сигналов. Приведен пример структуры работы алгоритма с нейронными сетями.

Ключевые слова: искусственные нейронные сети; вид модуляций; БПФ; вейвлет-преобразование.

the artificial Neural networks application of identification modulation formats

Yu. A. Averyanova, A. A. Strotsev

FSUE "Rostov-on-Don scientifically research institute of a radio communication" (FSUE "RNIIRS"), Rostov-on-Don, Russia

Abstract. The generalized algorithm for the application of artificial neural networks of identification modulation formats is constructed. An example of the structure of algorithm working with neural networks is given.

Keywords: artificial neural network; modulation format; FFT; wavelet transform.

Введение

Нейронные сети применяются в качестве интеллектуальных методов анализа данных в различных задачах обработки сигнала, например, в задачах определения направления на источник излучения [1], или в задачах распознавания видов модуляции радиосигналов, в нахождении информативных признаков распознавания и построения базы знаний (логических правил, деревьев решений) по результатам анализа этих признаков [2]. Существует множество возможных решений для определения видов модуляции (манипуляции) сигналов без применения искусственных нейронных сетей (ИНС), таким образом, можно обобщить и скомбинировать методы определения видов манипуляций с применением ИНС.

Цель работы: обобщение возможных реализаций применения искусственных нейронных сетей для распознавания видов модуляций.

Решаемая задача: построение обобщённого алгоритма применения искусственных нейронных сетей для распознавания видов модуляций.

Постановка задачи

В общем случае задача определения вида модуляции сводится к двухэтапной процедуре: предварительная обработка сигнала, включающая в себя оценки несущей частоты, длительности информационного символа, мощности сигнала и т.д., и выбор алгоритма классификации. Существуют следующие методы определения видов модуляции: метод максимального правдоподобия (вероятностный), имеющий высокую вычислительную сложность; по характерным свойствам сигнала; статистические (по значениям кумулянтов) [2,3,4]; с использованием искусственной нейронной сети (ИНС) - на основе самоорганизующихся карт Конохена для распознавания вида модуляции по форме фазового созвездия [5] или многослойного персептрона [2,4]; генетические алгоритмы. Остановимся на применении нейросетевого алгоритма на основе многослойного персептрона.

В частности, в [2] представлен алгоритм нейросетевого распознавания видов модуляции многослойным персептроном, основанный на применении только статистических признаков: нейронный сеть сигнал

Этап 1. Исходя из заданного набора требуемых к распознаванию видов модуляции (n - количество видов модуляции) проводится анализ информативных признаков (m - количество информативных признаков), с использованием которых возможно распознавание этих видов модуляции.

Этап 2. Проводится анализ ограничений (k - количество ограничений) на решение задачи, обусловленных средой распространения сигнала и параметров приемо-передающей аппаратуры: наличие помех, предельных отношений сигнал/шум (ОСШ), качества синхронизации и т.д.

Этап 3. С учетом полученных ограничений V проводится анализ применимости выбранных признаков распознавания C, т.е.

(l - количество признаков с учетом ограничений).

Этап 4. С учетом количества признаков распознавания l и видов модуляций n формируется ИНС , где l - количество входов ИНС, соответствующих количеству признаков распознавания; n - количество выходов ИНС, соответствующих количеству распознаваемых видов модуляции; {Ns} - параметры нейронов сети (количество слоев, количество нейронов в каждом слое, вид функции активации и т.д.); {Tr} - параметры обучения ИНС (алгоритм обучения, максимальное количество циклов обучения, критерий остановки обучения и т.д.).

Этап 5. Проводится обучение ИНС. По результатам обучения возможна корректировка параметров {Ns} и {Tr}. По результатам обучения и корректировки формируется итоговая ИНС для распознавания видов модуляции.

Известный алгоритм опирается на выбор статистических признаков (кумулянтов высокого порядка). Однако современное развитие нейросетевых технологий и аппаратуры для них позволяют существенно увеличить количество информационных признаков, которыми могут также выступать всевозможные характерные свойства сигнала после различных преобразований, таких как быстрое преобразование Фурье (БПФ), вейвлет-преобразование [6,7]. При такой постановке задачи увеличится количество вычислений, необходимых для работы ИНС. Для ускорений вычислений возможно использовать аппаратно-программный комплекс CUDA (Compute Unified Device Architecture) [8], позволяющий использовать процессоры видеокарт как ускорители в расчетах.

Поэтому известный алгоритм может быть усовершенствован в части увеличения типов используемых для распознавания признаков.

1. Обобщённый алгоритм применения искусственных нейронных сетей для распознавания видов модуляции

Обобщённый алгоритм нейросетевого распознавания многослойным персептроном можно представить в следующей последовательности действий:

1. Анализ информативных признаков и формирование M групп признаков, необходимых для распознавания видов модуляций . Выбор информационных признаков формируется в зависимости от предварительной обработки сигнала с учетом:

- ограничений, обусловленных внешней средой, параметрами аппаратуры и т.д.;

- алгоритма классификации вида модуляции.

2. Формирование М ИНС первого уровня:

,

где - количество входов ИНС, соответствующие количеству признаков в группе;

m - номер группы признаков, характерный для m-ой ИНС первого уровня;

n - количество выходов ИНС; - параметры нейронов m-ой ИНС первого уровня (количество слоев, количество нейронов в каждом слое, вид функции активации и т.д.);

- параметры обучения m-ой ИНС первого уровня (алгоритм обучения, максимальное количество циклов обучения, критерий остановки обучения и т.д.).

3. Обучение M ИНС первого уровня. По результатам обучения возможна корректировка параметров и . По результатам обучения и корректировки формируются итоговые ИНС первого уровня для распознавания требуемых значений из множества Т.

4. Формирование ИНС второго уровня принятия решения:

,

где n - количество входов ИНС, соответствующие количеству определяемых видов модуляций; количество выходов ИНС - один вид из множества модуляций Т;

- параметры нейронов ИНС второго уровня (количество слоев, количество нейронов в каждом слое, вид функции активации и т.д.); - параметры обучения ИНС второго уровня (алгоритм обучения, максимальное количество циклов обучения, критерий остановки обучения и т.д.).

5. Обучение ИНС второго уровня. По результатам обучения возможна корректировка параметров и . По результатам обучения и корректировки формируются итоговая ИНС второго уровня, выходом которой является найденный вид модуляции из множества Т.

Для обеспечения работы алгоритма (рис.1) на вход блока формирования групп признаков подается оцифрованный квадратурный сигнал:

,

где i - номера цифровых отсчетов, I - количество цифровых отсчетов. Выходом блока формирования групп признаков могут быть:

- амплитудный спектр, полученный после БПФ;

- фазовый спектр, полученный после БПФ;

- спектр мощности, полученный после БПФ;

- кепстральный спектр, полученный после БПФ;

- частотно-временной спектр, полученный после вейвлет-преобразования;

- по форме фазового созвездия;

- кумулянты высоких порядков.

На вход m-ой ИНС первого уровня поступает m-ая группа признаков , на выходе сети - оценки вероятности видов модуляций сигнала из множества T. Эти оценки поступают на вход ИНС второго уровня, которая принимает решение о виде модуляции.

Рис. 1. Схема работы ИНС для определения вида модуляции.

2. Пример построения ИНС, реализующей распознавание видов модуляции

Пусть входными данными для обобщенного алгоритма будет оцифрованный квадратурный сигнал . Формирование признаков будет проводиться по трем (М=3) группам: по значениям кумулянтов С 20, С 22, С 40 (обозначения соответствуют введенным в [2]); по амплитудному спектру, полученному после БПФ; по частотно-временному спектру, полученному после вейвлет-преобразования. Таким образом, количество признаков в первой группе k1 = 3; во второй группе - k2 = I, и в третьей - k3 = I. Для распознавания выбраны 6 видов модуляций: FSK-2, ASK, psk-2, psk-4, psk-8, QAM-16 (n=6).

Количество нейронов во входном слое m-ой ИНС первого уровня - соответствует количеству подготовленных информативных признаков , в скрытом слое - в зависимости от количества информативных признаков, в выходном - n, функция активации - сигмоидная [9]. Количество нейронов во входном слое ИНС второго уровня - соответствует количеству видов модуляций n, в скрытом слое - удвоенному количеству видов модуляций, в выходном - 1, функция активации - сигмоидная.

Рис. 2. Пример схемы работы ИНС при определении вида модуляции.

Заключение

Построенный алгоритм позволил обобщить возможные реализации применения искусственных нейронных сетей для распознавания видов модуляции. Был рассмотрен пример, в котором в качестве групп признаков были выбраны: кумулянты высокого порядка, амплитудный спектр и частотно-временной спектр. В дальнейших работах планируется провести численное моделирование предложенной идеи для каждой возможной группы признаков, а также их совместной оценки вида модуляции при использовании двухуровневых нейронных сетей. Планируется проведение исследований по применению алгоритма для определения основных видов модуляций с целью проверки его универсальности.

Литература

1. Аверьянова Ю.А., Строцев А.А. Двухэтапный алгоритм работы пеленгатора с применением искусственной нейронной сети. // XX-я Международная конференция "Цифровая обработка сигналов и её применение", М.: ИПУ РАН, 28-30 марта 2018 г.

2. Аджемов С.С., Терешонок М.В., Чиров Д.С. Распознавание видов цифровой модуляции радиосигналов с использованием нейронных сетей. // ВМУ. Серия 3. Физика. Астрономия, 2015, № 1 - С. 23-28.

3. Нагорнюк А.А., Писарчук А.А. Оптимизация набора кумулянтов для распознавания типа фазового созвездия сигналов с цифровой линейной модуляцией // Наука і техніка Повітряних Сил Збройних Сил України, 2014, № 1(14) - С.147-151

4. Аджемов С.С., Терешонок М.В., Чиров Д.С. Распознавание видов цифровой модуляции радиосигналов с использованием нейронных сетей. // ВМУ. Серия 3. Физика. Астрономия, 2015, № 6 - С. 19-27.

5. Аджемов С.С., Стогов А.А., Терешонок М.В., Чиров Д.С., Иванкович М.В. Алгоритм распознавания вида цифровой модуляции сигнала по форме фазового созвездия с использованием самоорганизующихся карт Кохонена // T-COMM: Телекоммуникации и транспорт. 2011. № 11. С. 4-6.

6. Макаров К.С. Методы распознавания модуляции // Цифровая Обработка Сигналов 2014, № 1 - С.29-35

7. Prakasam P., Madheswaran M. M-ary shift keying modulation scheme identification algorithm using wavelet transform and higher order statistical moment // Jornal of applied sciences, 2008. № 1. P. 112-119

8. Изотов П.Ю., Суханов С.В., Головашкин Д.Л. Технология реализации нейросетевого алгоритма в среде CUDA на примере распознавания рукописных цифр // Компьютерная оптика, 2010 г., том 34, № 2. - С.243-251

9. Хайкин, С. Нейронные сети: полный курс, 2-е изд., испр.: Пер. с англ. - М.: ООО "И.Д. Вильямс", 2006. - 1104 с.: ил. - Парал. тит. англ.

References

1. Averyanova Yu. A., Strotsev A. A. Two-stage algorithm of work of a direction finder with application of simulated neuronic network.//XX International conference "Digital Processing of Signals and Its Application", M.: To YIP RAHN, on March 28-30, 2018.

2. Adzhemov S.S., Tereshonok M.V., Chirov D.S. The Discernment of types of digital modulation of radio signals with use of neuronic networks.//VMU. Series 3. Physics. Astronomy, 2015, No. 1 - p. 23-28.

3. Nagornyuk A.A., Pisarchuk A.A. Optimization of a set of cumulants for a discernment like the phase constellation of signals with digital linear modulation//Science і a tekhnika Povitryanikh Sil Zbroynikh Sil Ukraina, 2014, No. 1(14) - p. 147-151

4. Adzhemov S.S., Tereshonok M.V., Chirov D.S. The Discernment of types of digital modulation of radio signals with use of neuronic networks.//VMU. Series 3. Physics. Astronomy, 2015, No. 6 - p. 19-27.

5. Adzhemov S.S., Stacks A.A., Tereshonok M.V., Chirov D.S., Ivankovic M.V. Algoritm of a discernment of a type of digital modulation of a signal in a form of the phase constellation with use of the self-organized cards Kokhonena//T-COMM: Telecommunications and transport. 2011. No. 11. p. 4-6.

6. Makarov K.S. Modulation discernment methods//Digital Processing of Signals 2014, No. 1 - p. 29-35

7. Prakasam P., Madheswaran M. M-ary shift keying modulation scheme identification algorithm using wavelet transform and higher order statistical moment//Jornal of applied sciences, 2008.

8. No. 1. p. 112-119

9. Izotov P. Yu., Sukhanov S.V., Golovashkin D.L. Technology of realization of a neural network algorithm in the environment of CUDA on the example of a discernment of hand-written figures//Computer optics, 2010, volume 34, No. 2. - p. 243-251

10. Haykin, Simon. Neuronic networks: a comprehensive foundationthe, 2nd prod.: The lane with English - M.: LLC I. D. Williams, 2006. - 1104 P.: ooze. - Paral. Tit. English.

Размещено на Allbest.ru