Về một giải pháp phân loại và nhận dạng điều chế tín hiệu vô tuyến sử dụng mạng nơ ron tích chập

Bài viết trình bày một phương pháp nhận dạng tín hiệu mới dựa trên một trong những công cụ học sâu, mạng nơ ron tích chập, giảm độ phức tạp tính toán và nâng cao độ chính xác khi nhận dạng điều chế tín hiệu.
Nội dung trích xuất từ tài liệu:
Về một giải pháp phân loại và nhận dạng điều chế tín hiệu vô tuyến sử dụng mạng nơ ron tích chập Kỹ thuật điện tử VỀ MỘT GIẢI PHÁP PHÂN LOẠI VÀ NHẬN DẠNG ĐIỀU CHẾ TÍN HIỆU VÔ TUYẾN SỬ DỤNG MẠNG NƠ RON TÍCH CHẬP Bùi Minh Tuấn*, Nguyễn Phú Giang, Trần Công Thìn, Đỗ Doanh Điện, Vũ Lê Hà Tóm tắt: Phân loại và nhận dạng điều chế tín hiệu là một khâu quan trọng trong trinh sát vô tuyến. Bài báo trình bày một phương pháp nhận dạng tín hiệu mới dựa trên một trong những công cụ học sâu, mạng nơ ron tích chập, giảm độ phức tạp tính toán và nâng cao độ chính xác khi nhận dạng điều chế tín hiệu. Bài báo phân tích, so sánh phương pháp đề xuất và các phương pháp dùng hệ chuyên gia truyền thống. Các kết quả mô phỏng chứng minh hiệu quả của giải pháp so sánh với các giải pháp truyền thống dựa trên độ chính xác của việc phân loại dạng điều chế của tín hiệu thu được. Ưu điểm của giải pháp kỹ thuật này mở ra hướng áp dụng mạng nơ ron cho việc nâng cao hiệu quả của bài toán nhận dạng tín hiệu. Từ khóa: Học sâu; Mạng nơ ron tích chập; Phân loại dạng điều chế tín hiệu. 1. ĐẶT VẤN ĐỀ Trí tuệ nhân tạo (AI-Artificial Intelligence) là một trong những công nghệ được quan tâm nhất hiện nay, đây là công nghệ trọng tâm, nền tảng của cách mạng công nghiệp 4.0. Các ứng dụng AI vào cuộc sống đã và đang phát triển mạnh mẽ và đạt hiệu quả cao trong các lĩnh vực như xử lý ngôn ngữ tự nhiên, xử lý ảnh, robot,… Trong lĩnh vực quân sự, các cường quốc như Mỹ, Nga,… đã và đang đầu tư, phát triển các hệ thống vũ khí trang bị áp dụng AI như các hệ thống tàu thuyền, máy bay không người lái (Sea Hunter, UCAV X47,…), hay hệ thống tấn công bán tự động của Nga [1-3]. Việc nghiên cứu áp dụng AI vào trong lĩnh vực quân sự đang là một xu hướng phổ biến trong quân đội các nước trên thế giới. Trong các ứng dụng thông tin vô tuyến, tự động phát hiện dạng điều chế tín hiệu (Automatic Modulation Classification: AMC) là khâu quan trọng đối với cả mục đích bảo mật và trinh sát thông tin. Đối với mục đích bảo mật, dạng điều chế tín hiệu có thể được sử dụng nhằm mã hóa làm cho máy thu không khôi phục được dữ liệu khi không xác định chính xác dạng điều chế. Ngược lại, đối với thu chặn thông tin, cần thiết phải xác định chính xác dạng điều chế được sử dụng ở bên phát, nhằm giải điều chế thông tin một cách chính xác (hình 1) [4]. Antenna Khôi phục Mô đun nhận Phát hiện tín Giải mã Giải điều chế tín hiệu dạng điều chế hiệu Tra cứu địa lý (Electronic Maper) Hình 1. Mô hình AMC trong hệ thống trinh sát điện tử. Cho đến nay có nhiều hướng nghiên cứu về AMC, được chia làm hai nhóm giải pháp chính là dựa trên tỷ lệ hợp lẽ cực đại (Maximum Likely Hood Based: MLB) và dựa trên đặc trưng (Feature Based: FB). Phương pháp MLB là phương pháp có độ chính xác cao, tuy nhiên, cũng yêu cầu năng lực tính toán mạnh mẽ. Để giảm độ 114 B. M. Tuấn, …, V. L. Hà, “Về một giải pháp phân loại … mạng nơ ron tích chập.” Nghiên cứu khoa học công nghệ phức tạp tính toán, các giải pháp cải tiến dựa trên MLB được nghiên cứu như Average Likelihood Ratio Test (ALRT), Generalized Likelihood Ratio Test (GLRT), và Hybrid Likelihood Ratio Test (HLRT) [5]. Nhóm giải pháp FB dựa trên các đặc trưng tức thời của tín hiệu như biên độ, pha, tần số để phân loại các nhóm tín hiệu điều chế. Ưu điểm của nhóm giải pháp này là độ phức tạp tính toán thấp tuy nhiên, độ chính xác kém hơn. Các hướng nghiên cứu mới áp dụng mạng nơ ron nhân tạo nhiều lớp (Deep Neural Networks: DNN) cho AMC, tuy nhiên, độ chính xác đem lại chưa cao [6]. Mạng nơ ron tích chập (Convolutional Neural Networks: CNN) là một công cụ AI mạnh mẽ, hiệu quả trong việc tự động phân loại và nhận dạng, điều này đã được chứng minh trong lĩnh vực thị giác máy tính và xử lý ngôn ngữ tự nhiên [7]. Mục đích của bài báo là khai thác ưu điểm của mạng CNN trong trích chọn các dữ liệu có cấu trúc để giảm độ phức tạp tính toán và nâng cao độ chính xác của hệ thống. Hình 2 so sánh nhóm giải pháp truyền thống bao gồm cả FB và MLB và giải pháp dựa trên CNN. Giải pháp truyền thống yêu cầu phải có phân tích lựa chọn đặc trưng của dữ liệu trước khi phân loại. Trong khi đó, giải pháp dựa trên CNN không cần bước tiền xử lý trên. Giải pháp truyền thống MLB và FB Tín hiệu thu Phân tích, Phân loại Dạng điều chế được số hóa lựa chọn đặc trưng Giải pháp dùng CNN Tín hiệu thu Phân loại qua Dạng điều chế được số hóa mạng CNN Hình 2. So sánh giải pháp AMC truyền thống với dùng mạng CNN. Trọng tâm của giải pháp là chọn bộ dữ liệu, xây dựng cấu trúc mạng và hàm mục tiêu (loss function) phù hợp. Đóng góp chính của bài báo là đưa ra giải pháp có thể phân loại nhiều dạng điều chế cùng lúc mà không cần bước tiền xử lý như các nhóm giải pháp trước đây. Phần còn lại của bài báo được tổ chức như sau: mục 2 bài báo trình bày cơ sở lý thuyết về mạng nơ ron tích chập và phương pháp triển khai áp dụng lý thuyết vào bài toán phân loại dạng điều chế tín hiệu, mục 3 giới thiệu bộ dữ liệu được sử dụng, phương pháp mô phỏng và thảo luận các kết quả mô phỏng, phần kết luận sẽ tóm tắt các ...