Использование нейронной сети для обнаружения и идентификации помех при приеме шумоподобного сигнала
Автор: Бельков С.А., Малыгин И.В.
Журнал: Физика волновых процессов и радиотехнические системы @journal-pwp
Статья в выпуске: 2 т.22, 2019 года.
Бесплатный доступ
Основной задачей системы связи является своевременная надежная и достоверная передача сообщений между абонентами. В случае воздействия помех система связи выполняет свою задачу в соответствии с той помехозащищенностью, которой она обладает. В то же время смесь полезного сигнала, шума и помех, поступающая на вход приемника, после необходимой обработки может служить источником информации о существующих в канале помехах. Полученная таким образом информация о наличии и характере помех может быть полезна как для изменения параметров радиоканала (модуляции, частоты, режима), так и для внешнего заказчика. Настоящая статья посвящена использованию нейронных сетей для извлечения из поврежденных информационных сигналов информации о характере помех, вызвавших такое повреждение.
М-последовательность, шумоподобный сигнал, узкополосная помеха, широкополосная система связи, нейронная сеть
Короткий адрес: https://sciup.org/140256090
IDR: 140256090 | DOI: 10.18469/1810-3189.2019.22.2.37-43
Список литературы Использование нейронной сети для обнаружения и идентификации помех при приеме шумоподобного сигнала
- Варакин Л.Е. Системы связи связи с шумоподобными сигналами. М.: Радио и связь, 1985. 384 с.
- Radio signal detection using machine-learning approach / I.V. Malygin [et al.] // Proc. CEUR Workshop. 2017. P. 57-61.
- Морозов О.А., Овчинников П.Е. Обнаружение фазоманипулированных сигналов при помощи искусственных нейронных сетей // Труды Российского научно-технического общества радиотехники, электроники и связи имени А.С. Попова. Серия: Цифровая обработка сигналов и ее применение. Выпуск: X-2. М., 2008. С. 677-679.
- Neural network based C/N0 abnormity detection method for GPS anti-spoofing / L. He [et al.] // Proc. ITM. 2016. P. 716-725. DOI: 10.33012/2016.13454
- Матвеев М.Г., Копытин А.В., Сирота Е.А. Комбинированный метод идентификации параметров распределенной динамической модели // Сборник трудов IV Международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2018). Самара: Новая техника, 2018. С. 1651-1657.
- Гарькина И.А., Данилов А.М., Дулатов Р.Л. Идентификация помех, не коррелированных с входным сигналом // Современные проблемы науки и образования. 2015. № 1-1. URL: http://www.science-education.ru/ru/article/view?id=17837 (дата обращения: 08.03.2019).
- Осипов Н.А., Шавин А.С., Тарасов А.Г. Методика идентификации помех, действующих в канале передачи информации робототехнических систем // Труды МАИ. 2014. № 94. С. 18-25.
- Бархатов В.А. Обнаружение сигналов и их классификация с помощью распознавания образов // Дефектоскопия. 2006. № 4. С. 14-27.
- Никитин Н.П., Лузин В.И. Устройства приема и обработки сигналов. Системы управления приемником. Устройства борьбы с помехами: уч. пос. / науч. ред. В.И. Гадзиковский. Екатеринбург: Изд-во Урал. ун-та, 2014. 88 с.
- Ефимов Е.Н., Шевгунов Т.Я. Формирование оценки направления прихода сигнала с использованием искусственных нейронных сетей // Труды МАИ. 2015. № 82. С. 28-33.
- Barker R.H. Group synchronizing of binary digital sequences // Communication theory. London: Butterworth. 1953. P. 273-287.
- Forney G. Generalized minimum distance decoding // IEEE Transactions on Information Theory. 1966. Vol. 12. P. 125-131.
- DOI: 10.1109/TIT.1966.1053873
- Rüschendorf L. The Wasserstein distance and approximation theorems // Zeitschrift für Wahrscheinlichkeitstheorie und verwandte Gebiete. 1985. Vol. 70. P. 117-129.
- DOI: 10.1007/BF00532240
- Welch L. Lower bounds on the maximum cross correlation of signals // IEEE Transactions on Information Theory. 1974. Vol. 20. P. 397-399.
- DOI: 10.1109/TIT.1974.1055219
- Amari S. Backpropagation and stochastic gradient descent method // Neurocomputing. 1993. Vol. 5. P. 185-196. (93)90006-O.
- DOI: 10.1016/0925-2312
- Chen T., Chen H. Universal approximation to nonlinear operators by neural networks with arbitrary activation functions and its application to dynamical systems // IEEE Transactions on Neural Networks. 1995. Vol. 6. P. 911-917.
- DOI: 10.1109/72.392253
- Shore J., Johnson R. Axiomatic derivation of the principle of maximum entropy and the principle of minimum cross-entropy // IEEE Transactions on Information Theory. 1980. Vol. 26. P. 26-37.
