Ивченко Д. С.

Национальный технический университет Украины «Киевский политехнический институт имени Игоря Сикорского», Украина

Определение типа модуляции сигнала с помощью нейронных сетей

Распознавание типа модуляции неизвестного сигнала обеспечивает понимание его структуры, происхождения и свойств. Автоматическая классификация модуляции используется для наблюдения спектра, идентификации помех, идентификации источника и тому подобное.

Традиционным средством для анализа цифровой модуляции является сигнальное созвездие. Оно обеспечивает графическое понимание структуры сигнала и отношение между различными состояниями модуляции. Наиболее распространенными являются двумерные созвездия, которые превращают сигнал на модель состояний амплитуд и фаз, отраженных на двумерной плоскости.

Если созвездие однозначно описывают стандарт модуляции, то распознавание созвездие позволит установить тип цифровой модуляции неизвестного сигнала. Такой подход сводит задачу распознавания модуляции к задаче нахождения соответствия формы. Распознавание модуляции – это промежуточный шаг на пути к полному восстановлению сообщений [1].

Нейронные сети – аналог головного мозга, описанный математической моделью. Эти системы способны к обучению, в процессе которого собственно и производится их настройка. Нейронные сети часто используются для задач классификации сигналов.

Интеллектуальные системы на основе искусственных нейронных сетей позволяют с успехом решать проблемы распознавания образов, выполнения прогнозов, оптимизации, ассоциативной памяти и управления. Традиционные подходы к решению этих проблем не всегда дают необходимую гибкость. Много применений выигрывают от использования нейросетей [2].

Для решения задачи распознавания типа модуляции использовано самую простую двухслойную сеть прямого распространения (рис. 1). Так как нейронные сети работают с числовыми данными, то каждый сигнал, модуляцию которого надо определить, должен быть приведен к определенному нормализованному виду, например, массив чисел в диапазоне от -1 до 1. На выходе получаем решение о том, насколько входной сигнал соответствует определенному типу модуляционного созвездия, а, следовательно, и типу модуляции.

Рисунок 1. Схема нейронной сети прямого распространения

Перед использованием, система искусственной нейронной сети должна быть обученной. Существует два вида обучения данной математической модели: с учителем и без учителя. В первом случае для обучения необходимо задать входные данные, и соответствующие им правильные ответы на выходе сети. Во втором – нет нужды задавать правильные результаты на выходе. Обучение считается законченным при достижении нейросетью определенного пользователем уровня эффективности. Этот уровень означает, что сеть достигла желаемой статистической точности, поскольку она выдает желаемые выходы для заданной последовательности входов. Если после контролируемого обучения нейросеть эффективно обрабатывает данные обучающего множества, важным становится ее эффективность при работе с данными, которые не использовались для обучения. В случае получения неудовлетворительных результатов для тестового множества, обучение продолжается. Тестирование используется для обеспечения запоминания не только данных заданного обучающего множества, но и создание общих образов, которые могут содержаться в данных [3].

Создана нейронная сеть была настроена и обучена на распознавание следующих типов модуляции: QAM4, QAM16, QAM32, QAM64 и QAM256. Для обучения сети были сгенерированы тестовые идеальные входные сигналы каждого типа модуляций и по 10-12 образцов сигналов с добавлением разного уровня шумов. По завершению обучения сеть показала хорошие результаты в определении правильного типа модуляции.

Литература:

1. Maria Wikström, «A Survey оf Mоdulatiоn Classificatiоn Methоds fоr QAM Signals», Swedish Defence Research Agency, Methоdоlоgy repоrt, March 2005.

2. Bijan G. Mоbasseri, «Digital mоdulatiоn classificatiоn using cоnstellatiоn shape», Signal Prоcessing, vоl. 80, issue 2, p.251-277, Feb. 2000.

3. Курс лекций «Технологии искусственных нейронных сетей». http://victоria.lviv.ua/html/neural_nets/.