И.В. Малыгин1, С.А. Бельков2, Д.А. Михайлик3, К.В. Стафеев4

1-4 Институт радиоэлектроники и информационных технологий - РТФ Уральского федерального университета имени первого Президента России Б.Н. Ельцина (г. Екатеринбург, Россия)

1 pit_pit2@mail.ru; 2 srgb@mail.ru; 3 dmtr-mih@yandex.ru; 4 krlstafeev@gmail.com

Постановка проблемы. Системы передачи информации (СПИ) предназначены для надежного и достоверного обмена полезной информацией между ее пользователями. Поэтому целесообразно было бы дополнить функционал СПИ возможностью анализировать помехи, действующие в канале связи во время передачи сообщения. В случае анализа повреждений полезного сигнала, которые могут появиться вследствие действия помех различного характера в среде распространения, система передачи информации может использовать результаты такого анализа для улучшения помехоустойчивости, набора статистики, а также для контроля электромагнитной совместимости. Как известно, оптимальная обработка шумоподобных сигналов осуществляется с помощью коррелятора или согласованного фильтра. Однако, если дополнить эти классические устройства нейронной сетью (НС), то, помимо определения корреляционной функции, она сможет проанализировать поврежденный помехой сигнал, как было показано авторами в своих предыдущих работах [3,9,10,13]. При этом для корректного обучения НС необходимы образцы полезного сигнала, поврежденного различными видами помех.

Цель. Предложить методы получения образцов М-последовательности с искажениями, вызванными действием в канале связи периодических импульсных помех, для последующего обучения НС.

Результаты. Рассмотрены способы формирования обучающих образов для НС, предназначенной для определения периода импульсной помехи, действующей на известный сигнал в виде М-последовательности. Разработаны два метода цифрового моделирования примеров для обучения НС: метод цифрового моделирования и экспериментальный метод. Приведены примеры, подтверждающие работоспособность предложенных методов.

Практическая значимость. Представленные методы позволяют повысить эффективность определения НС типа помехи, действующей на полезный сигнал.

Малыгин И.В., Бельков С.А., Михайлик Д.А., Стафеев К.В. Разработка методов формирования образцов, обучающих ней-ронную сеть обнаруживать и классифицировать помехи в структуре полезного сигнала // Радиотехника. 2024. Т. 88. № 6.
С. 121−129. DOI: https://doi.org/10.18127/j00338486-202406-15

1. Варакин Л.Е. Системы связи с шумоподобными сигналами. М.: Радио и связь. 1985. 384 с.
2. Диксон Р.К. Широкополосные системы / Под ред. В.И. Журавлева. Пер. с англ. Л.Ф. Жигулина. М.: Связь. 1979. 304 с.
3. Malygin I.V., Belkov S.A., Tarasov A.D., Usvyatsov M.R. Radio Signal Detection Using Machine-Learning Approach // Proceedings of the 4th International Young Scientists Conference on Information Technologies, Telecommunications and Control Systems (ITTCS 2017) (Yekaterinburg, Russia). Dec. 2017. P. 57–61.
4. Yu J., Alhassoun M., Buehrer R. M. Interference Classification Using Deep Neural Networks // Proceedings of the 2020 IEEE 92nd Vehicular Technology Conference (VTC2020-Fall) (Victoria, BC, Canada). 2020. P. 1–6. DOI: 10.1109/VTC2020-FALL49728.2020.9348658.
5. Olkhovskiy M., Müllerová E., Martínek P. Impulse signals classification using one dimensional convolutional neural network // Journal of Electrical Engineering. Dec. 2020. V. 71. № 6. P. 397–405. DOI: 10.2478/JEE-2020-0054.
6. Saliwanchik B., Slosar A. A Self-learning Neural Network Approach for Radio Frequency Interference Detection and Removal in Radio Astronomy // Publications of the Astronomical Society of the Pacific. Nov. 2022. V. 134. № 1041. P. 1–13. DOI: 10.1088/1538-3873/AC98E1.
7. Brooks J. E., Argo M. K. Trialling the use of generative adversarial networks for efficient identification of radio frequency interference // Proceedings of the 15th European VLBI Network Mini-Symposium and Users’ Meeting (EVN2022) (Cork, Ireland). Jul. 2022. P. 1–8. DOI: 10.22323/1.428.0051.
8. Sun H., Deng H., Wang F., Mei Y., Xu T., Smirnov O., Deng L., Wei S. A robust RFI identification for radio interferometry based on a convolutional neural network // Monthly Notices of the Royal Astronomical Society. Mar. 2022. V. 512. № 2. P. 2025–2033. DOI: 10.1093/MNRAS/STAC570.
9. Малыгин И.В., Бельков С.А. Использование нейронной сети для обнаружения и идентификации помех при приеме шумо-подобного сигнала // Физика волновых процессов и радиотехнические системы. 2019. Т. 22. № 2. С. 37–43. DOI: 10.18469/1810-3189.2019.22.2.37-43.
10. Malygin I.V., Belkov S.A., Khudiakov A.E. Identification of the Interference Type that Damages the M-Sequence in the Radio Channel Using a Neural Network // Proceedings of the 2021 Wave Electronics and its Application in Information and Telecommunication Systems (WECONF 2021) (St. Petersburg, Russia). 2021. P. 1–5. DOI: 10.1109/WECONF51603.2021.9470669.
11. Важенин Н.А. Феноменологические модели импульсных помех от стационарных плазменных двигателей // Труды МАИ. 2013. № 66. С. 1–26.
12. Петров А.В. Помехоустойчивость приема сигналов с двоичной фазовой манипуляцией при воздействии хаотической импульсной помехи со случайными длительностью и фазой радиоимпульса // Радиотехника. 2018. № 8. С. 28–33. DOI: 10.18127/j00338486-201808-05.
13. Belkov S.A., Malygin I.V., Lebedev P.S. On methods for detecting interference traces in accepted M-sequences // Telecommunications and Radio Engineering. 2020. V. 79. № 11. P. 919–927. DOI: 10.1615/TelecomRadEng.v79.i11.10.
14. Класс normal_distribution [Электронный ресурс]. URL: https://learn.microsoft.com/ru-ru/cpp/standard-library/normal-distributi-on-class (дата обращения: 14.07.2023).
15. Класс uniform_int_distribution [Электронный ресурс]. URL: https://learn.microsoft.com/ru-ru/cpp/standard-library/uniform-int-distribution-class (дата обращения: 14.07.2023).