Нейромережеве виявлення та детектування фазо- і частотно-модульованих сигналів у вузькосмугових радіоканалах
Анотація
У статті розглянуто нейромережевий підхід до виявлення та детектування фазо- і частотно-модульованих сигналів у вузькосмугових радіоканалах за умов адитивного шуму та зсуву несучої частоти. Актуальність дослідження зумовлена обмеженнями класичних алгоритмів детектування, зокрема фазових автопідлаштовувальних петель і фільтраційних методів, ефективність яких істотно знижується за відсутності апріорної інформації про параметри сигналу та каналу. Запропоновано метод спільного нейромережевого виявлення і детектування, що базується на безпосередньому аналізі IQ-вибірок прийнятого сигналу без реалізації явних процедур синхронізації. Як модель обробки використано багатошаровий перцептрон, навчений на синтетичних вибірках, сформованих для широкого діапазону відношень сигнал/шум і значень зсуву несучої частоти. Проведено порівняльний аналіз запропонованого методу з класичними підходами, зокрема схемою Костаса та двосмуговою фільтрацією, за однакових умов моделювання. Результати чисельних експериментів підтверджують підвищення точності виявлення та детектування фазо- і частотно-модульованих сигналів, а також зменшення чутливості до зсуву несучої частоти в умовах низького відношення сигнал/шум. Отримані результати свідчать про доцільність застосування нейромережевих методів у некооперативних радіосистемах і задачах автоматизованого радіомоніторингу
Посилання
Gao J., Yang P., Chen S., Luo Z., Zhang Y., Liu T. Bit Synchronization-Assisted Frequency Correction in Low-SNR Wireless Systems. Electronics, 14(12), 2319, 2025. DOI: https://doi.org/10.3390/electronics14122319.
O’Shea, T. J., Corgan, J., & Clancy, T. C. Convolutional Radio Modulation Recognition Networks. arXiv:1602.04105, 2016. 15 p. DOI: https://doi.org/10.48550/arXiv.1602.04105.
O’Shea T., Hoydis J. An Introduction to Deep Learning for the Physical Layer. IEEE Transactions on Cognitive Communications and Networking, vol. 3, no. 4, pp. 563-575, 2017. DOI: 10.1109/TCCN.2017.2758370.
Wang Z., Wei S., Zou L., Liao F., Lang W., Li Y. (). Deep-Learning-Based Carrier Frequency Offset Estimation and Its Cross-Evaluation in Multiple-Channel Models. Information, 14(2), 98. 2023. DOI: https://doi.org/10.3390/info14020098.
Lin M., Zhang X., Tian Y., Huang Y. Multi-Signal Detection Framework: A Deep Learning Based Carrier Frequency and Bandwidth Estimation. Sensors, 22(10), 3909, 2022. DOI: https://doi.org/10.3390/s22103909.
