Формування навчальних IQ-вибірок для систем автоматичної класифікації модуляції в умовах некооперативного радіоприймання
Анотація
У роботі досліджено проблему доменно-розподільчої невідповідності між синтетичними та реальними IQ-сигналами в задачах автоматичної класифікації модуляції для систем радіорозвідки та аналізу каналів зв’язку безпілотних літальних апаратів. Показано, що використання класичних синтетичних підходів не забезпечує необхідної узагальнювальної здатності нейромережевих моделей у реальних умовах радіоприймання через неврахування комплексної дії канальних, апаратних, динамічних та інтерференційних спотворень. Запропоновано модель доменно-розподільчої невідповідності IQ-сигналів як багатовимірного статистичного розходження між синтетичним та реальним доменами. Розроблено інтегральний показник доменної невідповідності, який дозволяє кількісно оцінювати ступінь статистичного розходження між навчальними та цільовими сигналами. Запропоновано фізично обґрунтований метод формування квазіреальних IQ-вибірок, що реалізує послідовний перехід від ідеалізованого сигналу до фізично спотвореного та квазіреального домену. Для статистичного уточнення домену використано умовну генеративно-конкуруючу мережу CGAN. На відміну від традиційних GAN-підходів, CGAN застосовується не для збільшення обсягу даних, а для наближення статистичних характеристик синтетичних сигналів до реального радіодомену. Введено поняття доменно-орієнтоване CGAN навчання, за якого дискримінатор оцінює не лише належність сигналу до класу real/fake, а й ступінь його відповідності статистичній структурі реального радіоефіру. Для експериментальної перевірки сформовано 11 наборів IQ-сигналів із поступовим ускладненням умов приймання. Результати навчання ResNet моделей підтвердили, що використання фізично спотворених сигналів разом з доменною адаптацією забезпечує зменшення доменного розриву й підвищення точності класифікації в реальному домені.
Посилання
2.West N. E., O’Shea T. J. Deep Architectures for Modulation Recognition. IEEE DySPAN, 2017, pp. 1–6. DOI: 10.48550/arXiv.1703.09197.
3.O’Shea T. J., Roy T., Clancy T. C. Over-the-Air Deep Learning Based Radio Signal Classification. IEEE Journal of Selected Topics in Signal Processing, 2018, vol. 12, no. 1, pp. 168–179. DOI: 10.1109/JSTSP.2018.2797022.
4.Huang L., Pan W., Zhang Y., Qian L., Gao N., Wu Y. Data Augmentation for Deep Learning-Based Radio Modulation Classification. IEEE Access, 2019, vol. 8, pp. 1498–1506. DOI: 10.1109/ACCESS.2019.2960775.
5.Li M., Li O., Liu G., Zhang C. Generative Adversarial Networks-Based Semi-Supervised Automatic Modulation Recognition for Cognitive Radio Networks. Sensors, 2018, vol. 18, no. 11, article 3913. DOI: 10.3390/s18113913.
