Способ распознавания типов манипуляции радиосигналов



Способ распознавания типов манипуляции радиосигналов
Способ распознавания типов манипуляции радиосигналов
Способ распознавания типов манипуляции радиосигналов
Способ распознавания типов манипуляции радиосигналов
Способ распознавания типов манипуляции радиосигналов
Способ распознавания типов манипуляции радиосигналов
Способ распознавания типов манипуляции радиосигналов
Способ распознавания типов манипуляции радиосигналов

Владельцы патента RU 2682304:

Федеральное государственное казённое военное образовательное учреждение высшего образования "Военная академия воздушно-космической обороны имени Маршала Советского Союза Г.К. Жукова" Министерства обороны Российской Федерации (RU)

Изобретение относится к области обработки и распознавания радиосигналов, в частности к распознаванию типа манипуляции радиосигналов, и может быть использовано в радиотехнических устройствах для распознавания манипуляции радиосигналов. Техническим результатом является автоматическое распознавание типов манипуляции радиосигналов в условиях отсутствия высокоточной синхронизации по несущей частоте входного сигнала для широкого алфавита типов манипуляции (4-х уровневой импульсной амплитудной манипуляцией, двоичной фазовой, квадратурной фазовой, фазовой манипуляцией 8-го порядка, квадратурной манипуляцией 8-го, 16-го и 32-го порядка). Способ распознавания типов манипуляции радиосигналов отличается тем, что по значениям синфазной и квадратурной составляющей N отсчетов сигнала устраняют его расстройку по несущей частоте путем введения поправки на расстройку, которой соответствует максимальное значение модуля кумулянта С40, рассчитывают значения кумулянтов С42 и C61 и подают их на предварительно обученную методом обратного распространения ошибки по значениям кумулянтов С42 и С61 сигналов обучающей выборки нейронную сеть типа многослойный персептрон, которая распознает сигналы. 3 ил., 1 табл.

 

Изобретение относится к области обработки и распознавания радиосигналов, в частности к распознаванию типа манипуляции радиосигналов, и может быть использовано в радиотехнических устройствах для распознавания амплитудной, амплитудно-фазовой и фазовой манипуляции радиосигналов.

Известен способ автоматического распознавания типов манипуляции радиосигналов [1], в котором принятый аналоговый радиосигнал дискретизируют по времени, квантуют по уровню, формируют синфазную и квадратурную составляющие оцифрованных отсчетов сигнала, по значениям синфазной и квадратурной составляющей N отсчетов сигнала рассчитывают кумулянты С40, С20, С22, значения которых подаются на предварительно обученную методом обратного распространения ошибки по значениям кумулянтов С40, С20, С22 сигналов обучающей выборки нейронную сеть типа многослойный персептрон, которая в автоматическом режиме распознает радиосигналы с амплитудной (AM), амплитудно-фазовой (КАМ), фазовой (ФМ) и частотной (ЧМ) манипуляцией.

Недостатком данного способа является ограниченность алфавита распознаваемых типов манипуляции радиосигналов четырьмя: AM, КАМ, ФМ иЧМ.

Наиболее близким к предлагаемому изобретению является известный способ [1], выбранный в качестве прототипа.

Данный способ не требует высокоточной синхронизации по несущей частоте, но позволяет распознавать только четыре типа манипуляции сигналов -AM, КАМ, ФМ и ЧМ, что не позволяет достигнуть указанного ниже технического результата.

Техническим результатом изобретения является расширение алфавита распознаваемых типов манипуляции радиосигналов с 4-х до 7, включающего:

4-х уровневую импульсную амплитудную манипуляцию (4-РАМ);

двоичную фазовую манипуляцию (PBSK);

квадратурную фазовую манипуляцию (QBSK);

фазовую манипуляцию 8-го порядка (8-PSK);

квадратурную манипуляцию 8-го порядка (8-QAK);

квадратурную манипуляцию 16-го порядка (16-QAK);

квадратурную манипуляцию 32-го порядка (32-QAK).

Указанный технический результат достигается тем, что принятый аналоговый радиосигнал дискретизируют по времени и квантуют по уровню, формируют синфазную и квадратурную составляющие оцифрованных отсчетов сигнала, по значениям синфазной и квадратурной составляющей N отсчетов сигнала рассчитывают кумулянты, по значениям которых производят определение типа манипуляции, отличающийся тем, что по значениям синфазной и квадратурной составляющей N отсчетов сигнала устраняют его расстройку по несущей частоте путем введения поправки на расстройку, которой соответствует максимальное значение модуля кумулянта С40, рассчитывают значения кумулянтов С42 и С61 и подают их на предварительно обученную методом обратного распространения ошибки по значениям кумулянтов С42 и С61 сигналов обучающей выборки нейронную сеть типа многослойный персептрон, которая распознает сигналы с 4-х уровневой импульсной амплитудной манипуляцией, двоичной фазовой, квадратурной фазовой, фазовой манипуляцией 8-го порядка, квадратурной манипуляцией 8-го, 16-го и 32-го порядка.

Технический результат достигается за счет устранения расстройки по несущей частоте на основе использования критерия максимума кумулянта С40, чувствительного к расстройке по несущей частоте, а так же использования новых признаков распознавания (кумулянтов С42 и C61). Для принятия решения, как и в прототипе, используется предварительно обученная нейронная сеть типа многослойный персептрон, которая показывает высокую эффективность построения многомерных разделяющих поверхностей. В соответствии со следствием из теоремы Колмогорова-Арнольда-Хехт-Нильсена любую многомерную функцию нескольких переменных можно представить с помощью двухслойной нейронной сети с прямыми полными связями фиксированной размерности [2].

Способ иллюстрируется следующими чертежами.

Фиг. 1. Зависимости модуля кумулянта С40 радиосигналов с типами манипуляции BPSK, QPSK, 8-PSK, 4-РАМ, 8-QAM, 16-QAM и 32-QAM от абсолютного изменения фазы сигнала в течение выборки.

Фиг. 2. Распределение значений модулей кумулянтов С42 и C61 радиосигналов с типами манипуляции BPSK, QPSK, 8-PSK, 4-РАМ, 8-QAM, 16-QAM и 32-QAM и разделяющие поверхности, сформированные при обучении нейронной сети.

Фиг. 3. Нейронная сеть типа многослойный персептрон.

Цифрами на фиг.3 обозначены:

1 - входной слой;

2 - скрытый слой;

3 - выходной слой.

Заявленный способ распознавания типов манипуляции радиосигналов заключается в последовательном выполнении следующих действий:

1. Принятый аналоговый радиосигнал, имеющий длительность Ts, дискретизируют по времени с шагом td и квантуют по уровню, формируют синфазную и квадратурную составляющие оцифрованных отсчетов сигнала, в результате чего получают массив из N комплексных отсчетов сигнала.

2. По значениям N оцифрованных отсчетов устраняют расстройку по несущей частоте входного сигнала sвх, для чего производится принудительная расстройка его частоты с фиксированным шагом расстройки Δƒ в диапазоне ожидаемой расстройки с расчетом кумулянта С40 сигнала для каждого значения расстройки. Критерием минимальной расстройки является максимальное значение модуля кумулянта С40.

Диапазон ожидаемой расстройки имеет нижнюю Fmin и верхнюю Fmax границы. Шаг расстройки Δƒ выбирается равным

где Δϕ - абсолютное изменение фазы сигнала за время Ts, выбираемое в интервале (0.1, 0.2).

Расстройка по частоте осуществляется поэлементным умножением массива отсчетов входного сигнала на функцию sΔ

s0=sвхsΔ,

где

ƒ=Fmin, Fminƒ, Fmin+2Δƒ, … Fmax;

t=0, td, 2td, (N-l)td;

Для каждого сигнала s0 производится расчет кумулянта С40 [3]

где Мpr - совместные моменты порядков pr, рассчитываемые по формуле

s - исходной сигнал, состоящий из N отсчетов.

Методом полного перебора значений расстроек из заданного диапазона значений определяется расстройка, которой соответствует максимальное значение модуля кумулянта С40. Сигнал, соответствующий данной расстройке, обозначается sвых и используется на последующем этапе.

3. Для сигнала sвых с устраненной расстройкой по несущей частоте рассчитывают модули значений кумулянтов С42 и С61 [3]

Моменты, входящие в выражения для расчета кумулянтов, вычисляют в соответствии с (1).

4. Рассчитанные значения модулей кумулянтов С42 и C61 подаются на предварительно обученную методом обратного распространения ошибки по значениям кумулянтов сигналов обучающей выборки нейронную сеть типа многослойный персептрон (Фиг. 3).

5. Нейронная сеть формирует на своих выходах значения. Решение о распознавании типа манипуляции сигнала принимается по номеру выхода нейронной сети имеющем максимальное значение.

Предварительное обучение нейронной сети осуществляется с использованием метода обратного распространения ошибки в следующей последовательности.

Для обучения нейронной сети используется набор обучающих выборок, состоящий из двух составляющих: входной и целевой. Входная составляющая представляет собой пары модулей кумулянтов С42 и С61 рассчитанные для сигналов с типами модуляций BPSK, QPSK, 8-PSK, 4-РАМ, 8-QAM, 16-QAM и 32-QAM, а целевая - желаемое состояние выходов нейронной сети, соответствующее входной составляющей выборки. По обучающей выборке производится обучение нейронной сети по критерию малости ошибки выходного слоя. Настраиваемыми параметрами нейронной сети являются весовые связи ее ячеек.

По результатам обучения, при подаче на вход не зашумленного сигнала с заданным типом манипуляции, на одном из выходов нейронной сети формируется значение, равное 1, а на всех остальных 0.

Нейронная сеть типа двуслойный персептрон (фиг. 3) имеет два нейрона входного слоя 1, десять нейронов скрытого слоя 2 и семь нейронов выходного слоя 3. Функция активации нейронной сети - сигмоида.

Приведенные в таблице 1 результаты распознавания получены методом имитационного моделирования при следующих исходных данных.

число выборок сигналов по каждому виду модуляции 1000;

число отсчетов сигнала N=2000;

отношение сигнал/шум - случайная величина, равномерно распределенная в интервале (5, 30) дБ;

начальная фаза сигнала - случайная.

Преимущество изобретения состоит в том, что по сравнению с прототипом заявленный способ позволяет решать задачу автоматического распознавания типов манипуляции радиосигналов для более широкого алфавита типов манипуляции. Заявляемый способ позволяет распознавать различные типы одночастотной манипуляции (BPSK, QPSK, 8-PSK, 4-РАМ, 8-QAM, 16-QAM, 32-QAM) с вероятностью не ниже 0.85 при отношении сигнал/шум не хуже 5 дБ.

Литература

1. RU 2510077.

2. Hecht-Nielsen R. Kolmogorov's Mapping Neural Network Existence Theorem // IEEE First Annual Int. Conf. on Neural Networks, San Diego, 1987, Vol. 3, pp. 11-13.

3. William H. Clark IV. Blind comprehension of waveforms through statistical observations. Robert W. McGwier, Chair T. Charles Clancy R. Michael Buehrer. Blacksburg, Virginia, 2014. pp. 12.

Способ распознавания типов манипуляции радиосигналов, заключающийся в том, что принятый аналоговый радиосигнал дискретизируют по времени и квантуют по уровню, формируют синфазную и квадратурную составляющие оцифрованных отсчетов сигнала, по значениям синфазной и квадратурной составляющей N отсчетов сигнала рассчитывают кумулянты, по значениям которых производят определение типа манипуляции, отличающийся тем, что по значениям синфазной и квадратурной составляющей N отсчетов сигнала устраняют его расстройку по несущей частоте путем введения поправки на расстройку, которой соответствует максимальное значение модуля кумулянта С40, рассчитывают значения кумулянтов С42 и C61 и подают их на предварительно обученную методом обратного распространения ошибки по значениям кумулянтов С42 и С61 сигналов обучающей выборки нейронную сеть типа многослойный персептрон, которая распознает сигналы с 4-х уровневой импульсной амплитудной манипуляцией, двоичной фазовой, квадратурной фазовой, фазовой манипуляцией 8-го порядка, квадратурной манипуляцией 8-го, 16-го и 32-го порядка.



 

Похожие патенты:

Изобретение относится к настройкам и функциям транспортного средства. Техническим результатом является расширение арсенала технических средств, в частности предоставление возможности управления настройками транспортного средства пассажиру на заднем сидении.

Изобретение относится к области специальной радиотехники и может быть использовано в цифровых системах связи для обмена информацией между быстродвижущимися объектами.

Изобретение относится к области беспроводных сетей связи, а именно к услугам, оказываемым пассажирам транспортных средств. Техническим результатом является обеспечение непрерывной передачи мультимедиа контента на абонентские устройства пассажиров движущегося транспорта.

Изобретение относится к технике связи и может использоваться для передачи информации в СДВ диапазоне. Технический результат состоит в обеспечении связи с подводными объектами.

Изобретение относится к системам связи, а именно к информационным системам для обеспечения потребителей мониторинговой информацией, и может быть использовано для контроля объекта (района, явления) и прогнозирования развития ситуации на территориях без стационарных средств мониторинга.
Изобретение относится к области радиотехники. .
Изобретение относится к области радиотехники и может быть использовано для передачи информации. .
Изобретение относится к области радиотехники и может быть использовано для передачи многобитовой информации. .
Изобретение относится к области радиотехники и может использоваться для передачи многобитовой информации. .

Изобретение относится к передаче информации на расстояние и может быть использовано в системах проводной и беспроводной связи, кодировании и декодировании информации.

Изобретение относится к компьютерным системам, основанным на биологических моделях, и может быть использовано при разработке аппаратной реализации нейронной сети.

Изобретение относится к медицине, может быть использовано для прогнозирования уровня заболеваемости ВИЧ-инфекцией в регионе на основе эволюционного моделирования.

Изобретение относится к области вычислительной техники. Технический результат заключается в предоставлении самообновляющегося устройства для характеризации предмета, которое выполнено с возможностью автоматического обновления параметров своей памяти на основе параметров памяти других машин из соответствующей сети машин.

Изобретение относится к области обработки синтеза речи и интерактивных диалогов. Техническим результатом является обеспечение возможности регулировки формы и/или содержания диалогового контента, произносимого человекоподобным роботом.

Изобретение относится к области алгоритмов машинного обучения. Техническим результатом является повышение точности модели DNN (Глубокая нейронная сеть) с уменьшенным размером.

Группа изобретений относится к вычислительной области техники, в частности к визуальным маркерам и способам их продуцирования, которые могут использоваться в робототехнике, виртуальной и дополненной реальности.

Изобретение относится к области безопасности и газоанализаторов, а именно к способам обнаружения взрывчатых и/или наркотических веществ в воздухе. В основе изобретения лежит анализ ЭКоГ сигналов, снятых имплантированными в мозг крысы электродами.

Изобретение относится к биотехнологии. Описаны трансляторы на основе нуклеиновых кислот, способные осуществлять логические операции с улучшенной эффективностью, максимизированным выходом и сниженным побочным действием, в частности в биологической системе.

Изобретение относится к способу диалога между машиной и человеческим существом. Технический результат заключается в обеспечении более естественного диалога с машиной, адаптированного к собеседнику (не стереотипного).

Изобретение относится к вычислительным системам. Технический результат направлен на повышение точности, извлекаемой из текстов на естественном языке информации.

Изобретение относится к области медицинской техники и может использоваться для ориентации людей, имеющих сложности с визуальным восприятием информации - полностью или частично утратившими зрение.

Изобретение относится к области обработки и распознавания радиосигналов, в частности к распознаванию типа манипуляции радиосигналов, и может быть использовано в радиотехнических устройствах для распознавания манипуляции радиосигналов. Техническим результатом является автоматическое распознавание типов манипуляции радиосигналов в условиях отсутствия высокоточной синхронизации по несущей частоте входного сигнала для широкого алфавита типов манипуляции. Способ распознавания типов манипуляции радиосигналов отличается тем, что по значениям синфазной и квадратурной составляющей N отсчетов сигнала устраняют его расстройку по несущей частоте путем введения поправки на расстройку, которой соответствует максимальное значение модуля кумулянта С40, рассчитывают значения кумулянтов С42 и C61 и подают их на предварительно обученную методом обратного распространения ошибки по значениям кумулянтов С42 и С61 сигналов обучающей выборки нейронную сеть типа многослойный персептрон, которая распознает сигналы. 3 ил., 1 табл.

Наверх