Nghiên cứu thuật toán nâng độ chính xác nhận dạng các tín hiệu thông tin

Bài viết đề xuất thuật toán mới để nâng cao độ chính xác khi nhận dạng các tín hiệu thông tin liên lạc. Thuật toán đề xuất tập trung nghiên cứu các tín hiệu điều chế tương tự và điều chế số sử dụng trong các hệ thống thông tin.
Nội dung trích xuất từ tài liệu:
Nghiên cứu thuật toán nâng độ chính xác nhận dạng các tín hiệu thông tin24 Mạc Quốc Khánh NGHIÊN CỨU THUẬT TOÁN NÂNG ĐỘ CHÍNH XÁC NHẬN DẠNG CÁC TÍN HIỆU THÔNG TIN A NEW ALGORITHM TO IMPROVE RECOGNITION ACCURACY OF COMMUNICATION SIGNALS Mạc Quốc Khánh* Viện Vũ khí, Tổng Cục công nghiệp Quốc phòng, Hà Nội, Việt Nam1 *Tác giả liên hệ / Corresponding author: mkhanh2608@gmail.com (Nhận bài / Received: 06/7/2024; Sửa bài / Revised: 21/8/2024; Chấp nhận đăng / Accepted: 26/9/2024)Tóm tắt - Bài báo này đề xuất thuật toán mới để nâng cao độ Abstract - This article proposes a new algorithm aimed atchính xác khi nhận dạng các tín hiệu thông tin liên lạc. Thuật improving accuracy when identifying communication signals usingtoán đề xuất tập trung nghiên cứu các tín hiệu điều chế tương tự artificial intelligence applications. The proposed research algorithmvà điều chế số sử dụng trong các hệ thống thông tin. Thuật toán focuses on analog and digitally modulated signals commonly usedđề xuất gồm có 2 bước chính: bước một sử dụng phân tích in communication systems. The proposed algorithm includes twoWavelet để trích xuất đặc trưng tín hiệu. Mạng nhân tạo học sâu main steps: Step one is used to extract signal features using theđược thiết kết trong bước 2 để nhận dạng các tín hiệu. Hiệu quả analytic Wavelet transform. A deep learning artificial network iscủa thuật toán đề xuất được đánh giá bằng tín hiệu trong designed in step 2 to identify the above signals. The effectivenessMATLAB và so sánh với các phương pháp trích xuất đặc trưng of the proposed algorithm is evaluated on simulated signals inthông dụng: biến đổi Fourier thời gian ngắn, phân bố Wigner- MATLAB and compared with common feature extractionVille và các cấu trúc mạng khác như mạng SqueezeNet, methods: short-time Fourier transform, Wigner-Ville distribution,AlexNet. Các kết quả mô phỏng cho thấy, thuật toán đề xuất đạt and other networks such as SqueezeNet, AlexNet. The simulationđộ chính xác khi nhận dạng cao nhất (92%) so với các phương results show that the proposed algorithm achieves 92% recognitionpháp STFT và WVD. Trong khi so sánh với các cấu trúc mạng accuracy, which is higher than STFT and WVD methods. Incó sẵn, phương pháp đề xuất cho thời gian huấn luyện giảm đi comparison with current networks, the proposed method has a 1.51,5 lần nhưng độ chính xác nhận dạng tương đương. time-reduced training time and equivalent performance.Từ khóa - Độ chính xác nhận dạng; tín hiệu thông tin; mạng nhân Key words - Recognition accuracy; communication signals;tạo; cơ sở dữ liệu. neural networks; database.1. Tổng quan chung tác giả đề cập đến phương pháp sử dụng bộ lọc tương quan Hệ thống thông tin liên lạc (TTLL) đóng vai trò quan để phát hiện các tín hiệu điều chế pha nhị phân (binary phasetrọng trong tác chiến hiện đại. Hệ thống thông tin liên tục shift keying – BPSK). Phương pháp này có thể trinh sát, phátvà chính xác đảm bảo tính thống nhất trong chỉ huy, hiệp hiện được với các tín hiệu có mức công suất thấp (tỉ số tín/tạpđồng và điều hành tác chiến. Chính vì vậy, việc thu và nhận SNR  −9 ( dB) ), ngược lại hạn chế của phương pháp nêudạng các tín hiệu thông tin liên lạc chính là chìa khóa để trên: chỉ áp dụng với một số dạng tín hiệu biết trước: BPSK,xây dựng phương thức tác chiến phù hợp và chiếm ưu thế điều tần tuyến tính (linear frequency modulation – LFM), tíntrong chiến tranh [1, 2]. hiệu liên tục (continuous signal -CW) và xung ra đa đồng Trong những năm gần đây, vấn đề trinh sát, phát hiện thời chỉ áp dụng được trong băng thông hẹp.và nhận dạng các tín hiệu thông tin đã và đang nhận được Phương pháp đầu tiên trong nhóm giải pháp sử dụngnhiều sự quan tâm. Đã có nhiều phương pháp được đề xuất trí tuệ nhân tạo để nhận dạng các tín hiệu thông tin phảidùng trong việc trinh sát, phát hiện và nhận dạng các tín kể đến đó là mạng SqueezNet [7]. Phương pháp sử dụnghiệu thông tin. Các phương pháp này được chia thành hai mạng Squeezenet, có khả năng nhận dạng đồng thời tínnhóm chính: hiệu thông tin và ra đa với SNR  −6 ( dB) . Hạn chế của - Phương pháp sử dụng các phép biến đổi; phương pháp này là đó là cấu trúc mạng phức tạp, thời - Phương pháp sử dụng ứng dụng của học máy gian huấn luyện lớn. Ngoài ra, các cấu trúc mạng khác:(machine learning – ML) và trí tuệ nhân tạo (artificial AlexNet [8], ResNet-50 [9], GoogleNet [10] và mạngintelligence - AI). nhân tạo 2 kênh (dual channel deep learning – DCNN) Phép biến đổi Fourier nhanh (fast Fourier transform – [11] đã áp dụng để nâng cao độ chính xác khi nhận dạngFFT) và hiển thị phổ thác nước (Waterfall plot) là các các tín hiệu. Giống như mạng Squeezenet, các cấu trúcphương pháp điển hình, đang được sử dụng rộng rãi trong hệ này tương đối phức tạp và sử dụng kỹ thuật tiền xử lý:thống trinh sát hiện nay [3, 4]. Nhìn chung, nhược điểm của biến đổi Fourier thời gian ngắn (short time Fouriercác phương pháp này: khó khăn khi xử lý tín hiệu với công transform – STFT) và phân bố Wigner-Ville (Wigner-suất thấp và chỉ đưa được dạng phổ biên ...