Способ автоматического распознавания типа манипуляции радиосигналов Российский патент 2017 года по МПК G06N3/02 

Заявляемый способ относится к радиотехнике, в частности к способам распознавания радиосигналов (PC) и может быть использован в технических средствах распознавания вида и параметров манипуляции PC, а также в средствах радиоконтроля для определения характеристик априорно неизвестного сигнала.

Известен способ распознавания типа манипуляции радиосигналов по Пат. РФ №2551903, МПК Н04В 1/06 от 18.04.2014 г. В известном аналоге предварительно задают эталонные PC равной длительности, которые дискретизируют и квантуют, выполняют операцию фреймового вейвлет-преобразования (ФВП). Формируют матрицу распределения энергии (МРЭ) для последовательности квантованных отсчетов каждого эталонного PC. Для каждого PC формируют вектор признаков (ВП) путем построчной конкатенации вейвлет-коэффициентов (ВК) полученных МРЭ, после чего ВК ВП нормируют. Принимают распознаваемый PC и формируют его ВП аналогично ВП эталонных PC, после чего идентифицируют распознаваемый PC путем сравнения его ВП с ВП каждого из эталонных PC. Причем ВП формируют путем построчной конкатенации ВК полученных МРЭ начиная со второй строки. Распознаваемый PC считают инцидентным эталонному PC, модуль разности параметров ВП с которым будет минимальным.

Недостатком известного способа является необходимость хранить ВП каждого из эталонных PC, что приводит к линейной зависимости между количеством эталонных сигналов и размером памяти, необходимой классификатору для работы, что в свою очередь существенно ограничивает возможное разнообразие эталонных сигналов. Отсутствие разнообразия эталонных сигналов сужает охватываемый класс распознаваемых радиосигналов. Кроме того, увеличение количества эталонных ВП влечет за собой снижение быстродействия способа.

Наиболее близким по технической сущности к заявленному является «Способ автоматического распознавания типов манипуляции радиосигналов» по Пат. РФ №2510077, МПК G06N 3/02, H04L 27/32 от 20.04.2012 г. В способе-прототипе принятый аналоговый PC дискретизируют по времени и квантуют, формируют синфазную и квадратурную составляющие оцифрованных отсчетов сигнала, по значениям синфазной и квадратурной составляющих n отсчетов сигнала рассчитывают кумулянты C_IIII, C_II, C_IIQQ значения которых подаются на нейронную сеть типа многослойный персептрон* (*многослойный перцептрон - частный случай перцептрона Розенблатта, в котором один алгоритм обратного распространения ошибки обучает все слои (см. http://ru.wikipedia.org/wiki/многослойный перцепрон Ру-мельхарта)), которая предварительно обучена методом обратного распространения ошибки по значениям кумулянтов C_IIII, C_II, C_IIQQ сигналов обучающей выборки, с помощью нейронной сети в автоматическом режиме распознают сигналы с амплитудной (АМн), амплитудно-фазовой (КАМ), фазовой (ФМн) и частотной (ЧМн) манипуляциями.

Недостатком способа-прототипа является относительно низкая вероятность правильного определения типа и числа позиций манипуляции PC. Ошибка в принятии решения достигает значения в 66% при отношении сигнал/шум (ОСШ) 12 дБ и более. В условиях реального применения, достигнуть такого значения ОСШ не всегда удается, что дополнительно затрудняет использование способа.

Целью заявляемого способа автоматического распознавания типа манипуляции радиосигналов является повышение вероятности правильного распознавания типа и числа позиций манипуляции анализируемых PC за счет расширения вектора его признаков, дополнительной нормализации амплитуды входного сигнала и вектора значений функции активации нейронов выходного слоя.

Поставленная цель достигается тем, что в известном способе автоматического распознавания типов манипуляции радиосигналов, включающем дискретизацию принятого аналогового радиосигнала по времени и квантование, формирование синфазной I(n) и квадратурной Q(n) составляющих оцифрованных отсчетов сигнала S(n), расчет кумулянтов C_IIII, C_II, C_IIQQ по значениям синфазной и квадратурной составляющих N-отсчетов сигнала, подачу их значений на входы предварительно обученной методом обратного распространения ошибки по значениям кумулянтов C_IIII, C_II, C_IIQQ сигналов обучающей выборки нейронной сети типа многослойный персептрон, распознающей в автоматическом режиме радиосигналы, дополнительно нормируют к единице среднее значение амплитуды сигнала, расширяют векторы признаков эталонных сигналов , применяемых при обучении нейронной сети, и вектор признаков распознаваемого сигнала V_S путем вычисления кумулянтов второго C_IQ, C_QQ, третьего C_III, C_IIQ, C_IQQ, C_QQQ и четвертого C_IIIQ, C_IQQQ, C_QQQQ порядков, максимального значения спектральной плотности мощности нормализованной и центрированной амплитуды сигнала γ_max, среднеквадратического отклонения модуля нормализованной и центрированной амплитуды сигнала σ_аа, среднеквадратического отклонения модуля нелинейной составляющей мгновенной фазы сигнала σ_ар, рассчитанного по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог a_thr, среднеквадратического отклонения нелинейной составляющей мгновенной фазы сигнала σ_dp, рассчитанного по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог a_thr, который подают на вход нейронной сети, а значения функции активации нейронов выходного слоя нормируют к единичной сумме.

Благодаря новой совокупности существенных признаков в заявленном способе за счет расширения вектора признаков классифицируемого PC и выполнения операции нормировки обеспечивается повышение вероятности правильного распознавания типа и числа позиций манипуляции PC.

Заявленный способ поясняется чертежами, на которых:

на фиг. 1 показан обобщенный алгоритм распознавания типа манипуляции PC;

на фиг. 2 иллюстрируется алгоритм обучения нейронной сети;

на фиг. 3 представлена обобщенная структурная схема устройства распознавания типа манипуляции PC;

на фиг. 4 показана структурная схема нейронной сети;

на фиг. 5 показана зависимость ошибочного распознавания типа манипуляции PC от отношения сигнал/шум для способа-прототипа и заявленного способа.

Реализация заявленного способа объясняется следующим образом. На подготовительном этапе (см. фиг. 2) в цифровом виде задают по L эталонных PC равной длительности для всех типов манипуляции, которые подлежат распознаванию (обучающее множество). Количество комплексных временных отсчетов N сигнала выбирается в зависимости от требований по достоверности распознавания и минимальной гарантированной продолжительности PC. Для удобства и быстроты последующих вычислений, количество отсчетов PC берут вида N=2^w, где w - натуральное число в диапазоне от 9 до 16, рекомендуемое значение 12.

Нормируют к единице среднее значение амплитуды всех сигналов обучающего множества по формулам:

где .

Далее для всех PC обучающего множества вычисляют кумулянты второго порядка C_I,I, C_I,Q, C_Q,Q, кумулянты третьего порядка C_I,I,I, C_I,I,Q, C_I,Q,Q, C_Q,Q,Q и кумулянты четвертого порядка C_I,I,I,I, C_I,I,I,Q, C_I,I,Q,Q, C_I,Q,Q,Q,, C_Q,Q,Q,Q.

Более подробно порядок вывода кумулянтов различных порядков и обоснование их применения даны в Приложении.

В ряде работ, например, в статье M.L.D. Wong, А.K. Nandi, «Automatic identification of digital modulation types» // Signal Processing 47, 1995, P. 55-69, высказывается предположение о положительном эффекте от применения дополнительных признаков: максимальное значение спектральной плотности мощности нормализованной и центрированной амплитуды сигнала γ_max, среднеквадратическое отклонение модуля нормализованной и центрированной амплитуды сигнала σ_аа, среднеквадратическое отклонение модуля нелинейной составляющей мгновенной фазы сигнала σ_ар, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог a_thr, среднеквадратическое отклонение нелинейной составляющей мгновенной фазы сигнала σ_dp, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог a_thr. Однако, совместное использование указанных выше четырех признаков с кумулянтами различных порядков позволяет уменьшить вероятность ошибки как относительно только кумулянтного анализа, так и относительно применения только признаков γ_max, σ_аа, σ_ар, σ_dp.

При нахождении названных выше признаков необходимы промежуточные вычисления. Определяют значения мгновенной амплитуды А (огибающей) комплексного сигнала по формуле:

и среднее значение мгновенной амплитуды сигнала в соответствии с выражением:

Для устранения зависимости в сигнале от характеристик оборудования, на котором он записывался, нормируют и центрируют значения мгновенной амплитуды сигнала по формулам:

Далее вычисляют максимальное значение спектральной плотности мощности нормализованной и центрированной амплитуды сигнала γ_max как:

где DFT(X) - функция дискретного преобразования Фурье, примененная к массиву X.

Значение величины γ_max отражает наличие в сигнале периодических изменений его комплексной огибающей. Такие изменения характерны для некоторых классов PC, таких как, например, PC с амплитудной и фазовой манипуляциями. Напротив, для PC с частотной модуляцией (манипуляцией) периодические изменения мгновенной амплитуды будут иметь малую энергию.

Находят среднеквадратическое отклонение модуля нормализованной и центрированной амплитуды сигнала σ_аа по формуле:

Данный параметр показывает, как сильно изменяется абсолютное значение мгновенной амплитуды.

Вычисляют среднеквадратическое отклонение модуля нелинейной составляющей мгновенной фазы сигнала σ_ар, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог a_thr, в соответствии с выражением:

где φ_NL - нелинейная составляющая фазы сигнала, ,

a_thr - заранее заданный порог, рекомендуемое значение равно 0.35.

Учет значений фазы только в моменты времени с большой амплитудой необходим из-за того, что при низком уровне сигнала мгновенное изменение фазы может быть велико, но при этом не несет какой-либо информации.

Вычисляют среднеквадратическое отклонение нелинейной составляющей мгновенной фазы сигнала σ_dp, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог a_thr, как:

Для каждого эталонного PC S_эт(n) формируется ВП, состоящий из набора 16 вещественных чисел вычисленных раньше:

Инициализируют веса на ребрах нейронной сети (см. фиг. 4) типа многослойный персептрон с полными связями между слоями, содержащей входной слой, один скрытый слой нейронов с сигмоидальной функцией активации и выходной слой нейронов с сигмоидальной функцией активации случайными числами из диапазона от 0 до 1.

Производят обучение полученной на предыдущем шаге нейронной сети методом обратного распространения ошибки по значениям векторов признаков . Более детально алгоритм обучения нейронных сетей описан в книге Ф. Уоссермена «Нейрокомпьютерная техника: теория и практика», издательство «Мир», 1992 год.

Для оценки качества обучения используется метод кросс-валидации (скользящий контроль). Данная методика оценки моделей раскрыта в книге Воронцова К.В. "Комбинаторный подход к оценке качества обучаемых алгоритмов", серия "Математические вопросы кибернетики" под ред. О.Б. Лупанова, М.: Физматлит, 2004.

Последним действием подготовительного этапа является сохранение весовых связей нейронной сети в долговременной памяти.

На этапе распознавания типа манипуляции PC (см. фиг. 1) для распознаваемого сигнала S(t), принятого с частотой дискретизации Fs в полосе частот _ΔF, имеющего продолжительность _ΔT=N/Fs, формируют его ВП V_S аналогично выше рассмотренным значениям для различных PC. С этой целью принятый PC дискретизируют и квантуют, формируют синфазную I и квадратурную Q составляющие, нормируют к единице среднее значение амплитуды сигнала в соответствии с (1) и (2), последовательно вычисляют кумулянты второго C_I,I, C_I,Q, C_Q,Q, третьего C_I,I,I, C_I,I,Q, C_I,Q,Q, C_Q,Q,Q и четвертого C_I,I,I,I, C_I,I,I,Q, C_I,I,Q,Q, C_I,Q,Q,Q,, C_Q,Q,Q,Q порядков, значения γ_max, σ_аа, σ_ар, σ_dp в соответствии с (3)-(10) и формулами из приложения.

Сформированный ВП V_S сигнала S(n) подают на входной слой нейронной сети. Далее поочередно для скрытого и выходного слоев нейронной сети в каждом нейроне вычисляется значение функции активации на основе входных значений x_j и коэффициентов весовых связей w_j данного нейрона как:

где LC - линейная комбинация входных значений. В свою очередь последняя определяется выражением ,

K - количество входных связей нейрона. Значение функции активации нейрона F_act передается на синоптические связи следующего слоя в качестве соответствующих x_i.

Значения функций F_act выходного слоя образуют вектор F_вых, который нормируется к единичной сумме своих элементов по формуле:

где S_вых=sum(F_вых). После этого определяется нейрон, которому соответствует максимальное значение элемента Fn_вых.

В связи с тем, что каждый нейрон выходного слоя соответствует определенному типу манипуляции, выбор нейрона с максимальным значением Fn_вых и определяет искомую величину.

Дале выполняется операция сравнения максимального значения Fn_вых с заданным порогом thrs. При выполнении неравенства MAX(Fn_вых)>thrs принимается решение о типе манипуляции PC. В противном случае считают, что тип манипуляции PC неизвестен, требуется повторная запись сигнала и его анализ.

Выполнен анализ характеристик предлагаемого технического решения методом численного моделирования. В качестве распознаваемых типов PC были приняты сигналы с:

2-позиционной амплитудной манипуляцией (АМн2);

4-позиционной амплитудной манипуляцией (АМн4);

16-позиционной квадратурно-амплитудной манипуляцией (KAMI6);

64-позиционной квадратурно-амплитудной манипуляцией (КАМ64);

8-позиционной фазовой манипуляцией (ФМн8);

4-позиционной дифференциальной фазовой манипуляцией ;

2-позиционной частотной манипуляцией (ЧМн2);

4-позиционной частотной манипуляцией (ЧМн4).

Обучающее множество состояло из 32000 сигналов: по L=4000 в каждом классе сигналов, длина каждого сигнала составляла N=4096 отсчета, частота дискретизации Fs в 4 раза превышала полезную полосу сигналов. В целях обеспечения разнообразия набора векторов признаков и увеличения обобщающей способности классификатора, каждый из сигналов 5 модифицировался в соответствии с выражением:

где α - случайное число из диапазона от 0 до 42, AWGN_S,β - аддитивный белый гауссовский шум с энергией на β дБ меньше, чем у сигнала S, β - случайное число из диапазона от 0 до 24.

Такой способ модификации сигнала отражает не только изменчивость отношения сигнал / шум в диапазоне 24 дБ, но и изменение абсолютного уровня сигнала в диапазоне 42 дБ, что часто встречается в условиях сложной электромагнитной обстановки.

На сигналах описанного выше множества было обучено два классификатора: с признаками способа-прототипа и предлагаемого способа. Сравнение результатов работы классификаторов представлено на фиг. 5. Ось абсцисс - отношение сигнал/шум β, выраженное в дБ. Ось ординат - вероятность ошибки распознавания Р_ош типа манипуляции PC от 0 до 1. В качестве тестового множества выступал набор сигналов, полученный методом, аналогичным описанному выше. В результате тестирования определено, что предлагаемое изменение набора признаков (его расширение) и введение операции нормализации ведет к уменьшению вероятности ошибки Р_ош примерно на 0.45 и более.

Из приведенного графика следует, что при отношении сигнал/шум свыше 12 дБ вероятность ошибки распознавания Р_ош меньше 0.2, что совпадает с характеристикой способа прототипа, однако, применение заявляемого способа позволяет определить не только класс манипуляции, но и число позиций, что необходимо для успешного приема, демодуляции и дальнейшего анализа радиосигнала.

Реализация способа известна и трудностей не вызывает (см. фиг. 3). Устройство автоматического распознавания типа манипуляции радиосигналов содержит последовательно соединенные антенну 1, служащую для приема радиосигналов, аналого-цифровой преобразователь 2, производящий дискретизацию и квантование радиосигналов длительностью _ΔT в полосе частот _ΔF с частотой дискретизации F_S, значения которых поступают по входной шине 9, блок расчета сигнала 3, вычисляющий синфазную I и Q квадратурную составляющие сигнала, блок нормализации амплитуды 4, модифицирующий сигнал в соответствии с выражениями (1) и (2), блок расчета признаков 5, служащий для нахождения значений признаков сигнала по формулам (2)-(10), в том числе: максимальное значение спектральной плотности мощности нормализованной и центрированной амплитуды сигнала γ_max, среднеквадратическое отклонение модуля нормализованной и центрированной амплитуды сигнала σ_аа, среднеквадратическое отклонение модуля нелинейной составляющей мгновенной фазы сигнала σ_ар, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог a_thr, среднеквадратическое отклонение нелинейной составляющей мгновенной фазы сигнала σ_dp, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог a_thr, блок нейронной сети 6, выполняющий роль классификатора, блок принятия решения 7, кодирующий с учетом порогового значения thrs, поступающего по входной шине 10, результат работы блока 6 в кодовую комбинацию, которая передается на блок индикации 8.

Реализация всех блоков известна и трудностей не вызывает. Варианты реализации антенны 1 широко рассмотрены в литературе (см. Проектирование фазовых автоматических пеленгаторов. / Саидов А.С. И др. - М.: Радио и связь, 1997).

Реализация блока аналого-цифрового преобразователя 2 известна и трудностей не вызывает. Наиболее предпочтительным является вариант реализации блока 2 на базе микросхем AD7667 (см. Analog Devices: http://www.analog.com/en/products/analog-to-digital-converters/ad-converters/ad7667.html).

Блоки расчета сигнала 3, нормализации амплитуды 4 и расчета признаков 5 целесообразно выполнить на сигнальном процессоре TMS320c6416 (см. TMS320c6416: http://focus.ti.com/docs/prod/folders/print/TMS320c6416.html).

Реализация блока нейронной сети известна и трудностей не вызывает. Наиболее предпочтительным является вариант реализации блока 6 на базе нейро-процессора Л1879ВМ1 (NM6403) (см. http://www.module.ru/upload/files/vml.pdf).

Блок принятия решения 7 может быть реализован на базе микропроцессора (см. Шевкоплес Б.В. / Микропроцессорные структуры. Инженерные решения: Справочник. - 2-е изд., перераб. и доп. - М.: Радио и связь, 1990. - 512 с.). В качестве последнего целесообразно использовать 16-разрядный микропроцессор К1810ВМ86.

Реализация блока индикации 8 известна и трудностей не вызывает (см. Сто схем с индикаторами / Быстров А.Ю и др. - М.: Радио и связь, 1990. - 112 с.).

Изобретение относится к радиотехнике и может быть использовано для определения типа и числа позиций априорно неизвестного сигнала. Технический результат заключается в повышении вероятности правильного определения числа позиций манипулированного радиосигнала. Указанный результат достигается тем, что расширяют вектор признаков, выполняют нормализацию амплитуды входного сигнала и вектора значений функции активации нейронов выходного слоя. 4 з.п. ф-лы, 5 ил.

1. Способ автоматического распознавания типа манипуляции радиосигналов, заключающийся в том, что принятый аналоговый радиосигнал дискретизируют по времени и квантуют, формируют синфазную I(n) и квадратурную Q(n) составляющие оцифрованных отсчетов сигнала S(n), по значениям синфазной и квадратурной составляющих N-отсчетов сигнала рассчитывают кумулянты C_IIII, C_II, C_IIQQ, значения которых подают на входы предварительно обученной методом обратного распространения ошибки по значениям кумулянтов C_IIII, C_II, C_IIQQ сигналов обучающей выборки нейронной сети типа многослойный персептрон, которая в автоматическом режиме распознает радиосигналы, отличающийся тем, что нормируют к единице среднее значение амплитуды сигнала, расширяют векторы признаков эталонных сигналов , применяемых при обучении нейронной сети, и вектор признаков распознаваемого сигнала V_s путем вычисления кумулянтов второго C_IQ, C_QQ, третьего C_III, C_IIQ, C_IQQ, C_QQQ и четвертого C_IIIQ, C_IQQQ, C_QQQQ порядков, максимального значения спектральной плотности мощности нормализованной и центрированной амплитуды сигнала γ_max, среднеквадратического отклонения модуля нормализованной и центрированной амплитуды сигнала σ_aa, среднеквадратического отклонения модуля нелинейной составляющей мгновенной фазы сигнала σ_ар, рассчитанного по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог a_thr, среднеквадратического отклонения нелинейной составляющей мгновенной фазы сигнала σ_dp, рассчитанного по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог a_thr, который подают на вход нейронной сети, а значения функции активации нейронов выходного слоя нормируют к единичной сумме.

2. Способ по п. 1, отличающийся тем, что максимальное значение спектральной плотности мощности нормализованной и центрированной амплитуды сигнала γ_max находят в соответствии с выражением:

γ_max=MAX(|DFT(A_cn)|²),

где - значение мгновенной амплитуды сигнала,

- среднее значение амплитуды сигнала,

- нормализованная амплитуда сигнала,

A_cn(n)=A_n(n) - 1 - нормализованная и центрированная амплитуда сигнала.

3. Способ по п. 1, отличающийся тем, что среднеквадратическое отклонение модуля нормализованной и центрированной амплитуды сигнала σ_aa находят в соответствии с выражением:

4. Способ по п. 1, отличающийся тем, что среднеквадратическое отклонение модуля нелинейной составляющей мгновенной фазы сигнала, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог, σ_ар находят в соответствии с выражением:

где φ_NL - нелинейная составляющая фазы сигнала, С=|{t|A_n(n)>a_thr}|,

a_thr - заранее заданный порог.

5. Способ по п. 1, отличающийся тем, что среднеквадратическое отклонение нелинейной составляющей мгновенной фазы сигнала, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог, σ_dp находят в соответствии с выражением: