Nghiên cứu tối ưu hóa tham số đầu vào mạng CNN trong hệ thống nhận dạng tín hiệu ra đa

Bài viết "Nghiên cứu tối ưu hóa tham số đầu vào mạng CNN trong hệ thống nhận dạng tín hiệu ra đa" đề xuất phương án nhằm tối ưu dữ liệu đầu vào mà vẫn đảm bảo hiệu suất và thời gian cho bài toán nhận dạng tín hiệu. Nhóm tác giả tiến hành khảo sát hai tham số chính là số mẫu/tín hiệu và số điểm lấy mẫu tần số với hai phương pháp tiền xử lý là STFT và WVD trong mạng SqueezeNet-mạng điển hình cho bài toán nhận dạng tín hiệu ra đa. Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Nghiên cứu tối ưu hóa tham số đầu vào mạng CNN trong hệ thống nhận dạng tín hiệu ra đa Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) Nghiên Cứu Tối Ưu Hóa Tham Số Đầu Vào Mạng CNN Trong Hệ Thống Nhận Dạng Tín Hiệu Ra Đa Nguyễn Công Hùng, Nguyễn Văn Hải, Phan Nhật Giang Bộ môn Tác chiến điện tử, Khoa Vô tuyến điện tử Học Viện Kỹ thuật quân sự Email: conghung051299@gmail.com, nvhai77@gmail.com, pngiang20000@gmail.comAbstract—Hiện nay, nhiều mô hình dựa trên mạng nơ Guided Disentangled Network) [10]. Các phương phápron tích chập đã được áp dụng trong bài toán nhận dạng nêu trên có thể nhận dạng 12 loại tín hiệu ra đa (ví dụcác tín hiệu ra đa. Tuy nhiên, phần lớn các nghiên cứu như tín hiệu liên tục (CW), tín hiệu xung, tín hiệu điềuchỉ tập trung tối ưu cấu trúc mạng hoặc xây dựng mạng tần tuyến tính (LFM), tín hiệu điều chế pha mã nhịnhân tạo mới, mà bỏ qua vấn đề quan trọng khác đó làtham số của dữ liệu đầu vào. Trong bài báo này, nhóm phân Barker, tín hiệu mã tần số Costas, P1, P2 code,tác giả đề xuất phương án nhằm tối ưu dữ liệu đầu vào hay tín hiệu Frank code) với hiệu suất nhận dạng trungmà vẫn đảm bảo hiệu suất và thời gian cho bài toán nhận bình lên đến 97% với tỉ số tín/tạp ( SNR ) = −6dB . Mặtdạng tín hiệu. Nhóm tác giả tiến hành khảo sát hai tham khác các nghiên cứu trên là các nghiên cứu độc lập,số chính là số mẫu/tín hiệu và số điểm lấy mẫu tần số với các tác giả lựa chọn các tham số cho mạng nhân tạohai phương pháp tiền xử lý là STFT và WVD trong mạng (dạng đầu vào, số lượng mẫu, các phương pháp tríchSqueezeNet-mạng điển hình cho bài toán nhận dạng tín xuất đặc trưng tín hiệu), dựa vào sự hiểu biết của táchiệu ra đa. Kết quả khảo sát cho thấy, hiệu suất và thời giả. Thực tế, chưa có nghiên cứu nào khảo sát các ảnhgian xử lý của mạng phụ thuộc trực tiếp vào các tham sốđầu vào như số mẫu/tín hiệu và số điểm lấy mẫu tần số hưởng của các tham số nói trên đến hiệu quả nhận(DFT). Do vậy, một bộ tham số cơ bản sẽ được lựa chọn dạng các tín hiệu ra đa, hay nói cách khác bài toán tốiđể đảm bảo hiệu suất (  90% ) và thời gian xử lý. Hơn ưu các tham số cho mạng CNN hiện nay chưa đượcnữa, kết quả cũng cho thấy khi mạng sử dụng STFT thì giải quyết một cách triệt để. Chính vì vậy, bài báo nàythời gian xử lý nhanh hơn nhưng với WVD lại cho độ tập trung nghiên cứu và đưa ra bộ tham số cơ bảnchính xác nhận dạng cao hơn. (phương pháp trích xuất đặc trưng; số mẫu tín hiệu; Keywords- Nhận dạng tín hiệu, mạng nơ ron tích chập các tham số của phương pháp trích xuất đặc trưng (số(CNN), phương pháp tiền xử lý, tín hiệu ra đa. điểm lấy mẫu tần số (DFT); hàm cửa sổ; độ dài hàm cửa sổ)) cho mô hình CNN sử dụng trong nhận dạng I. GIỚI THIỆU các tín hiệu ra đa điển hình như: CW, xung, LFM, Hiện nay, ngoài các dạng tín hiệu truyền thống đơn BPSK, mã tần số Costas [11-14]. Ngoài ra, cácgiản, các đài ra đa thường sử dụng các tín có dạng điều phương pháp tiền xử lý để trích xuất đặc trưng của tínchế phức tạp nhằm giảm xác xuất thu chặn. Các tín hiệu thông dụng bao gồm: Biến đổi nhanh Fourierhiệu điều chế này được gọi là tín hiệu có xác suất thu (Fast Fourier Transform – FFT), biến đổi Fourier thờichặn thấp (LPI) [1-4]. Điều này làm cho hoạt động gian ngắn (Short-Time Fourier Transform – STFT),trinh sát điện tử sẽ gặp nhiều thách thức trong nhận biến đổi Wavelet liên tục (Continous Waveletdạng các tín hiệu này. Trong khi đó việc nhận dạng Transform – CWT), và phân phối Wigner–Villeđược các dạng tín hiệu ra đa của nguồn phát mà đối (Wigner-Ville Distribution – WVD). Trong bài báophương sử dụng sẽ góp phần định danh nguồn phát, từ này, tác giả sử dụng STFT và WVD trong bước tiềnđó có thể nắm bắt được tình hình về lực lượng và trang xử lý, vì tính hiệu quả về tốc độ xử lý (STFT) và độbị của đối phương. phân giải (WVD). Với sự phát triển phát triển của khoa học kỹ thuật, Cấu trúc bài báo gồm có 3 phần chính. Cơ sở lýtrí tuệ nhân tạo (AI) và học máy (ML) [5,6] đã và đang thuyết các dạng tín hiệu ra đa, các phương pháp tiềnđược ứng dụng cho bài toán nhận dạng các tín hiệu ra xử lý để trích xuất đặc trưng (phương pháp STFT,đa như: mạng nơ ron tích chập (Convolution Neural WVD) [15,16] và cấu trúc mạng CNN được trình bàyNetwork-CNN)[7], mạng CLDN (Convolution and ở Phần 2. Phần 3 trình bày các kết quả khảo sát và đưaLong Short-term Memory and Deep Neural Network) ra bộ tham số cơ bản cho mạng CNN. Các kết luận[8], mạng CNN sử dụng TPOT (Tree-based Pipeline được tổng hợp trong Phần 4.Optimization Tool) [9] và mạng DGNet (Denoising- ISBN 978-604-80-8932-0 410 Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) II. CƠ SỞ LÝ THUYẾT 2. Các phương pháp tiền xử lý1. Các dạng tín hiệu a) Phương pháp STFT Trong bài báo này, nhóm tác giả khảo sát với năm STFT là ...