Оброблення радіосигналів з допомогою штучних нейронних мереж (ШНМ) має великий потенціал досліджень, який можна обґрунтувати адаптивністю ШНМ до різних умов передавання та здатністю виявляти абстрактні закономірності зміни параметрів сигналів. У статті проведено огляд робіт інших авторів, присвячених різним способам використання ШНМ для оброблення радіосигналів. Беручи до уваги відомості в оглянутих роботах, було сформовано завдання дослідження, яке полягає в розробленні оптимізованої моделі ШНМ для оброблення радіосигналів. Для формування навчальних вибірок для ШНМ було обрано сигнали з амплітудною модуляцією багатьох складових (АМБС). Вибір обґрунтовано більшою енергетичною ефективністю в порівнянні з іншими широко використовуваними цифровими видами модуляції, такими як квадратурна амплітудна модуляція. Описано математичні основи формування сигналів з АМБС. Наведено співвідношення для знаходження координат сигнального сузір’я 8-АМБС з трьома складовими, формування сигналів у часовій площині на основі знайдених координат, їх дискретизації та додавання білого шуму. Запропоновано ітеративний алгоритм формування начальних даних для ШНМ на основі описаних співвідношень. Розглянуто загальну структуру одновимірних згорткових нейронних мереж. Наведено співвідношення для функцій окремих нейронів, зв’язків між ними, формування шарів та проведення операції згортки. На основі попередньо наведених співвідношень сформовано сумарне відображення мережі. Обрано конкретні розмірності та функції активації для шарів. Використання згорткових шарів обґгрунтовано інваріантністю щодо зсуву. На основі наведених співвідношень, обраних функцій активації та розмірностей сформовано нейронну модель. Описано процес валідації ефективності сформованої нейронної моделі, який полягає у порівнянні імовірностей символьної помилки запропонованої та еталонної моделей при різних співвідношеннях сигнал-щум. Наведено результати валідації. Пояснено переваги отриманої моделі над раніше запропонованою суто рекурентною моделлю та еталонним приймачем АМБС.
[1]. Xu, S., Li, J., Liu, K., & Wu, L. (2019). A Parallel GRU Recurrent Network Model and its Application to Multi-Channel Time-Varying Signal Classification. IEEE Access, 7, 118739-118748. https://doi.org/10.1109/ACCESS.2019.2936516
[2]. Huang, B., Lin, C.-L., Chen, W., Juang, C.-F., & Wu, X. (2020). Signal Frequency Estimation Based on RNN. 2020 Chinese Control And Decision Conference (CCDC) (pp. 2030-2034). Hefei, China. https://doi.org/10.1109/CCDC49329.2020.9164504
[3]. Xian, Y., Pu, Y., Gan, Z., Lu, L., & Thompson, A. (2017). Adaptive DCTNet for audio signal classification. 2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 3999-4003). New Orleans, LA, USA. https://doi.org/10.1109/ICASSP.2017.7952907
[4]. Liu, Q., Dai, Y., Li, M., Yao, B., Xin, Y., & Zhang, J. (2022). Real-time processing of force sensor signals based on LSTM-RNN. 2022 IEEE International Conference on Robotics and Biomimetics (ROBIO) (pp. 167-171). Jinghong, China. https://doi.org/10.1109/ROBIO55434.2022.10011703
[5]. Teich, W. G. (2017). Low-power high-speed signal processing: From iterative algorithm to analog circuits. 2017 11th International Conference on Signal Processing and Communication Systems (ICSPCS) (pp. 1-1). Surfers Paradise, Australia. https://doi.org/10.1109/ICSPCS.2017.8270449
[6]. Vijayamohanan, J., Gupta, A., Noakoasteen, O., & Christodoulou, C. (2021). Convolutional Neural Networks for Radio Source Detection. 2021 IEEE International Symposium on Antennas and Propagation and USNC-URSI Radio Science Meeting (APS/URSI) (pp. 1491-1492). Singapore, Singapore. https://doi.org/10.1109/APS/URSI47566.2021.9704525
[7]. Pan, J., Guo, L., Chen, Q., Zhang, S., & Xiong, J. (2022). Specific Radar Emitter Identification Using 1D-CBAM-ResNet. 2022 14th International Conference on Wireless Communications and Signal Processing (WCSP) (pp. 483-488). Nanjing, China. https://doi.org/10.1109/WCSP55476.2022.10039094
[8]. Rahman, M. H., Sejan, M. A. S., Aziz, M. A., You, Y.-H., & Song, H.-K. (2023). HyDNN: A Hybrid Deep Learning Framework Based Multiuser Uplink Channel Estimation and Signal Detection for NOMA-OFDM System. IEEE Access, 11, 66742-66755. https://doi.org/10.1109/ACCESS.2023.3290217
[9]. Kiranyaz, S., Ince, T., Abdeljaber, O., Avci, O., & Gabbouj, M. (2019). 1-D Convolutional Neural Networks for Signal Processing Applications. ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 8360-8364). Brighton, UK. https://doi.org/10.1109/ICASSP.2019.8682194
[10]. Shahid, S. M., Ko, S., & Kwon, S. (2022). Performance Comparison of 1D and 2D Convolutional Neural Networks for Real-Time Classification of Time Series Sensor Data. 2022 International Conference on Information Networking (ICOIN) (pp. 507-511). Jeju-si, Korea, Republic of. https://doi.org/10.1109/ICOIN53446.2022.9687284
[11]. Wang, H., Chong, D., Huang, D., & Zou, Y. (2019). What Affects the Performance of Convolutional Neural Networks for Audio Event Classification. 2019 8th International Conference on Affective Computing and Intelligent Interaction Workshops and Demos (ACIIW) (pp. 140-146). Cambridge, UK. https://doi.org/10.1109/ACIIW.2019.8925277
[12]. T. J. O’Shea, T. Roy and T. C. Clancy, "Over-the-Air Deep Learning Based Radio Signal Classification," in IEEE Journal of Selected Topics in Signal Processing, vol. 12, no. 1, pp. 168-179, Feb. 2018, https://doi.org/10.1109/JSTSP.2018.2797022
[13]. Горбатий, І. В. (2013). Нові різновиди модуляції сигналу в цифрових радіорелейних системах передавання. Проблеми телекомунікацій, (2)11, с. 44–55. https://pt.nure.ua/wp-content/uploads/2020/01/132_gorbatyy_modulation.pdf
[14]. Горбатий, І.В., Цимбалюк, І.Р.. (2022). Метод формування вибірок сигналів з амплітудною модуляцією багатьох складових. Інфокомунікаційні та комп’ютерні технології. 2, с. 172 — 181. http://dx.doi.org/10.36994/2788-5518-2021-02-02-12
[15]. Horbatyi, I., Tsymbaliuk, I. (2022). Neural Network Based Approach for Demodulation of Signals with Amplitude Modulation of Many Components. 2022 IEEE 16th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET), pp. 114-117. https://doi.org/10.1109/TCSET55632.2022.9766952