Аналіз та дослідження методів класифікації сигналів бездротових мереж
Автор: Заваринський Назарій Андрійович
Кваліфікаційний рівень: магістр
Спеціальність: Комп'ютеризовані системи управління та автоматика
Інститут: Інститут комп'ютерних технологій, автоматики та метрології
Форма навчання: денна
Навчальний рік: 2021-2022 н.р.
Мова захисту: українська
Анотація: У сучасному все більш складному середовищі бездротового зв’язку простір електромагнітного сигналу стає все складнішим, передача інформації стає все більшою, а сигнал змінюється все швидше і швидше. При цьому, у бездротовому зв’язку, життєво важливу роль відіграють різні методи модуляції сигналів. Схеми модуляції – це методи кодування інформації на високочастотній несучій хвилі, які є більш практичними для передачі. Перехід від аналогової до цифрової модуляції забезпечує більшу інформаційну ємність, сумісність із послугами цифрових даних, розширений захист даних, більш швидку доступність системи та кращу якість зв’язку [1]. Радіочастотна інтерференція, створена людиною, має тенденцію використовувати одну з обмеженої кількості схем модуляції. Більшість із цих методів модулюють амплітуду, частоту або фазу несучої хвилі. Таким чином, один із способів класифікації радіочастотних завад полягає в тому, щоб класифікувати їх як певну схему модуляції [2]. Тому дослідження методів розпізнавання багатокласових сигналів модуляції бездротового зв’язку є актуальним завданням. Об’єктом дослідження є модуляційні сигнали бездротового зв’язку Предметом дослідження є методи машинного навчання, методи глибокого навчання, нейронні мережі Метою роботи є дослідження методів класифікації сигналів бездротових мереж для підвищення точності класифікації та зменшення складності обчислень. У першому розділі магістерської кваліфікаційної роботи було проведено аналіз основних характеристик сигналів бездротового зв’язку та визначено узагальнені вимоги, що пред’являються до їх класифікації. Встановлено, що 4 однією з основних характеристик сигналів бездротового звязку є модуляція. Визначено, що моделі сигналів є основною точкою будь-якого методу класифікації. Такі алгоритми, як класифікатори на основі імовірності, на основі тесту розподілу та на основі ознак, вимагають існуючої моделі сигналу для отримання відповідних правил для прийняття рішень щодо класифікації. А оскільки перевірка класифікаторів часто реалізується за допомогою комп’ютерного моделювання, то точність моделей сигналів забезпечує ефективність класифікаторів. У другому розділі проведено аналіз різних методів машинного навчання для класифікації сигналів модуляції. Встановлено, що класифікатор Kнайближчих сусідів і метод опорних векторів використовують класифікацію на основі ознак з контрольованою оптимізацією порогового значення та прийняттям рішень. Обидва класифікатори можуть бути додатково покращені за допомогою логістичної регресії, генетичного алгоритму та генетичного програмування для вибору та комбінації ознак. Проведено огляд існуючих ознак класифікації модуляцій, а саме ознак на основі спектру сигналу та ознак на основі статистик вищих порядків. Побудовано дерево рішень на основі спектральних ознак. Встановлено, що продуктивність методів класифікації на основі ознак насамперед залежить від набору ознак, які для кожного завдання розробляються вручну. Тому, для забезпечення автоматичного формування набору ознак визначено можливість застосування методів глибокого навчання для класифікації модуляцій, оскільки точність класифікації методів глибокого навчання є вищою, ніж інших класифікаторів, особливо коли відношення сигнал/шум (SNR) є низьким. Розглянуто та проаналізовано переваги використання згорткових нейронних мереж як класифікатора сигналів модуляції. Третій розділ присвячено дослідженню ефективності методу класифікації на основі згорткової нейронної мережі. Для створення набору даних для проведення досліджень обрано платформу для цифрової обробки сигналів GNU Radio, яка являє собою набір програм і бібліотек для створення довільних радіосистем, схем модуляції, сигналів передачі та прийому, які задаються 5 програмно.чотири моделі нейронних мереж: модель СNN з двома згортковими шарами, модифікована модель СNN з двома згортковими шарами, модель СNN з чотирма згортковими шарами, модель СNN з пятьма згортковими шарами. В процесі досліджень було використано 600000 зразків для навчання і 600000 зразків для тестування. Результати класифікації для кожної моделі представлено у вигляді матриці помилок. Встановлено, що найвищий відсоток помилкової класифікації отримано для QAM64/QAM16 модуляцій (20,14%) та WBFM/AM-DSB модуляцій (59,6%). Для уникнення помилок класифікації було застосовано відокремлення класифікації QAM від основної структури та бінарну класифікацію SVM з RBF як функцією ядра. Для реалізації використано навчену шестишарову CNN як основу і досліджено методи, засновані на ознаках. Ключові слова – класифікація сигналів, класифікація модуляцій, машинне навчання, методи машинного навчання, методи глибокого навчання, згорткова нейронна мережа. Перелік використаних літературних джерел: 1. Шубин, В. И. Беспроводные сети передачи данных / В.И. Шубин, О.С. Красильникова. - М.: Вузовская книга, 2013. - 104 c. 2. Zhu, Z.; Nandi, A.K. Automatic Modulation Classification: Principles, Algorithms and Applications; John Wiley & Sons: Hoboken, NJ, USA, 2014. 3. Krizhevsky Alex, Sutskever Ilya, Hinton Geoffrey E. Imagenet classification with deep convolutional neural networks, NIPS. 2012. 4. E. Blossom, “Gnu radio: Tools for exploring the radio frequency spectrum,” Linux J., no. 122, Jun. 2004. 5. https://www.mathworks.com/help/deeplearning/ug/modulation-classificati on-with-deep-learning.html 6. S Peng, H Jiang, H Wang, et al. “Modulation classification using convolutional Neural Network based deep learning model,” Wireless & Optical Communication Conference. IEEE, 2017.