И.Ю. Еремеев1, К.А. Неретина2, В.В. Печурин3

1−3 Военно-космическая академия имени А.Ф. Можайского (Санкт-Петербург, Россия)

Постановка проблемы. Тенденции развития современных систем связи и передачи данных характеризуются массовым применением OFDM сигналов в различных радиосетях, функционирующих по стандартам Wi-Fi и WiMax. Многосигнальный и многопараметрический характер неопределенности текущей сигнальной обстановки, ее высокая динамика, разнообразие и вариативность условий функционирования обуславливают необходимость совершенствования методов радиоконтроля для своевременного и точного выявления нелегитимных пользователей. Существующие подходы, основанные на применении искусственных нейронных сетей типа YOLOv5, предназначены для решения задач обнаружения и распознавания объектов на изображениях. Вопросы обоснования процедур предварительной обработки данных с выхода средств радиоконтроля с целью согласования с входными слоями искусственной нейронной сети обнаружителя-распознавателя в настоящее время еще не нашли своего решения.

Цель. Оценить различные варианты согласования данных спектрального анализа с входным слоем искусственной нейронной сети YOLOv5 по численным показателям, характеризующим качество решения задачи обнаружения OFDM сигнала в условиях реальной сигнальной обстановки.

Результаты. Оценена работоспособность искусственной нейронной сети по изображениям амплитудного, фазового и модифицированного фазового спектров совокупности OFDM сигнала и фонового шума при отношениях сигнала к шуму от –20 дБ до 20 дБ. Лучшие результаты работы искусственной нейронной сети получены при обнаружении сигналов по изображениям амплитудного и модифицированного фазового спектров. При сравнительно равном количестве обнаружений точность определения области локализации сигнала выше для изображений амплитудного спектра. Однако обнаружение OFDM сигнала на модифицированной фазовой спектрограмме осуществляется в 1,7 раза быстрее при сравнительно малых значениях смещения по частоте и по времени. Предложенная модификация комплексной спектрограммы основана на совпадении постфикса и префикса OFDM слова во временной области.

Практическая значимость. Полученные результаты исследования свидетельствуют о перспективности использования искусственных нейронных сетей для решения задачи обнаружения OFDM сигналов. Дальнейшие исследования могут быть направлены на распознавание искусственными нейронными сетями сигналов с различными видами и параметрами модуляции. Это позволит решать задачу радиоконтроля по своевременному выявлению нелегитимных пользователей ресурса.

Еремеев И.Ю., Неретина К.А., Печурин В.В. Исследование возможности применения сверточной нейронной сети YOLOv5 в комплексах радиомониторинга для обнаружения OFDM сигналов // Электромагнитные волны и электронные системы. 2023. Т. 28. № 3. С. 18−27. DOI: https://doi.org/10.18127/j15604128-202303-3

1. Рембовский А.М., Ашихмин А.В., Козьмин В.А. Автоматизированные системы радиоконтроля и их компоненты. М.: Горячая линия-Телеком. 2018. 424 с.
2. Рембовский А.М., Ашихмин А.В., Козьмин В.А. Радиомониторинг – задачи, методы, средства. М.: Горячая линия-Телеком. 2010. 624 с.
3. Варгаузин В.А., Цикин И.А. Методы повышения энергетической и спектральной эффективности цифровой радиосвязи: учеб. пособие. СПб.: БХВ-Петербург. 2013. 352 с.
4. IEEE 802.16.3c-01/59r2. OFDM mode for the IEEE 802.16a PHY draft standard, Date Submitted 2001.05.17. 2001. 59 p.
5. Пукса А.О., Шевченко А.А. Перспективы развития и проблемы OFDM технологии // Сб. ст. победителей IX Международной науч.-практ. конф. «World science: problems and innovations». 2017. С. 99–101.
6. Fazel K., Kaiser S. Multi-carrier and spread spectrum systems: from OFDM and MC-CDMA to LTE and WiMAX. 2nd ed. Wiley Telecom. 2008. 374 p.
7. Поветко П.В., Марчук Т.М., Карпушкин Э.М. Особенности формирования радиосигнала для управления беспилотным летательным аппаратом // Материалы Республиканской науч.-практ. конф. «Информационные радиосистемы и радиотехнологии». Минск: БГУИР. 2020. С. 313–315.
8. Пролетарский А.В., Баскаков И.В., Чирков Д.Н. Беспроводные сети Wi-Fi: учеб. пособие. М.: Интуит НОУ. 2016. 284 с.
9. Вишневский В.М., Портной С.Л., Шахнович И.В. Энциклопедия WiMAX. М.: Техносфера. 2009. 472 с.
10. Ерохин Д.Ю., Ершов М.Д. Современные сверточные нейронные сети для обнаружения и распознавания объектов // Цифровая обработка сигналов. 2018. № 3. С. 64–69.
11. Штанько А.Н. Анализ патентованных изобретений и полезных моделей, использующих сверточные нейронные сети // Нейрокомпьютеры: разработка, применение. 2022. T. 24. № 4. С. 5–17. DOI 10.18127/j19998554-202204-01.
12. Адамова А.А., Зайкин В.А., Гордеев Д.В. Методы и технологии машинного обучения и нейросетевых технологий в задачах компьютерного зрения // Нейрокомпьютеры: разработка, применение. 2021. T. 23. № 4. С. 25−39. DOI 10.18127/j19998554-202104-03.
13. Лайонс Р. Цифровая обработка сигналов. Изд. 2-е. М.: ООО «Бином-Пресс». 2006. 656 с.