Ю.Э. Корчагин1, К.Д. Титов2, О.Н. Титова3

1-3 Воронежский государственный университет (г. Воронеж, Россия)

2 ВУНЦ ВВС «ВВА имени профессора Н.Е. Жуковского и Ю.А. Гагарина» (г. Воронеж, Россия)

1 korchagin@phys.vsu.ru; 2 titovkd@gmail.com; 3 onzavalishina@mail.ru

Постановка проблемы. Для построения оптимальных обнаружителей требуется знание априорных сведений, объем которых зависит от выбранного критерия оптимальности, но при этом всегда должна быть известна форма сигнала, подлежащего обнаружению. Однако в задачах радиомониторинга при обнаружении сигнала неизвестной структуры не всегда удается записать его аналитическое выражение для последующей оптимальной обработки. Вместе с тем в практических приложениях теории связи, навигации, управления, в которых принимаемые сигналы должны быть полностью известны, условия распространения, высокая плотность абонентов и сложная помеховая обстановка приводят к искажению формы этих сигналов. Таким образом, при разработке оптимальных обнаружителей приходится учитывать (или предсказывать) возможные искажения или синтезировать приемные устройства для некоторых ожидаемых сигналов без учета реальных условий распространения, т.е. любой оптимальный алгоритм обработки на практике будет являться квазиоптимальным. Поскольку методы преодоления априорной неопределенности непараметрического типа на сегодняшний день мало изучены, необходимо исследовать нейросетевые методы обработки сигналов, а также выполнить сравнительный анализ характеристик качества решаемых задач при их использовании с аналогичными характеристиками, полученными при использовании известных оптимальных алгоритмов.

Цель. Исследовать нейросетевой и гибридный алгоритмы обнаружения сверхширокополосного (СШП) квазирадиосигнала (КРС) с неизвестной формой модулирующей функции и выполнить сравнительный анализ их эффективности с характеристиками известных статистических (оптимальных и квазиоптимальных) и энергетических алгоритмов обнаружения.

Результаты. Представлены нейросетевые и гибридные устройства, дополненные искусственными нейронными сетями, позволяющими повысить эффективность функционирования обнаружителей в условиях высокой априорной непараметрической неопределенности или сложной помеховой обстановки. Проведено сравнение эффективности статистических (оптимальных и квазиоптимальных), энергетических, нейросетевых и гибридных алгоритмов обнаружения, в ходе которого сформулированы рекомендации по применению того или иного вида обработки сигналов. Установлено, что для практических приложений наиболее эффективен гибридный обнаружитель, но для обучения имеющейся в нем нейросети необходимо использовать как можно бо́льшее обучающее множество, включающее в себя значительное разнообразие принимаемых сигналов с различными отношениями сигнал/шум.

Практическая значимость. Рассмотренный нейросетевой метод обработки СШП КРС расширяет возможности технической реализации радиоустройств в условиях высокой априорной неопределенности и сложной помеховой обстановки, а дополнение корреляционных устройств нейросетевыми алгоритмами позволяет на несколько порядков повысить эффективность обработки СШП сигналов с неизвестной формой.

Корчагин Ю.Э., Титов К.Д., Титова О.Н. Гибридный алгоритм обнаружения сверхширокополосного квазирадиосигнала с неизвестной формой модулирующей функции // Радиотехника. 2026. Т. 90. № 2. С. 98−116. DOI: https://doi.org/10.18127/j00338486-202602-12

1. Тихонов В.И. Оптимальный прием сигналов. М.: Радио и связь. 1983. 220 с.
2. Ван Трис Г.Л. Теория обнаружения, оценок и модуляции. Т. 1. Теория обнаружения, оценок и линейная модуляция: Пер. с англ. / Под ред. проф. В.И. Тихонова. М.: Советское радио. 1972. 744 с.
3. Акимов П.С., Бакут П.А., Богданович В.А. и др. Теория обнаружения сигналов. М.: Радио и связь, 1984. 440 с.
4. Хелстром К. Статистическая теория обнаружения сигналов. М.: Издательство иностранной литературы. 1963. 432 с.
5. Борисов В.И. и др. Помехозащищенность систем радиосвязи с расширением спектра сигналов методом псевдослучайной перестройки рабочей частоты. М.: Радио и связь. 2000. 384 с.
6. Трифонов А.П., Корчагин Ю.Э. Квазиправдоподобное обнаружение сигналов с неизвестными формой и моментами появления и исчезновения // Вестник Воронежского государственного университета. Сер. Физика. Математика. 2015. № 4. С.43–53.
7. Корчагин Ю.Э., Титов К.Д. Синтез и анализ алгоритмов обработки сверхширокополосных квазирадиосигналов. Воронеж: Издательский дом ВГУ. 2019. 128 с.
8. Корчагин Ю.Э., Титов К.Д., Петров Ю.Г., Космодемьянский С.А. Обзор применения нейросетевых технологий в радиофизических приложениях // Системная инженерия и информационные технологии. 2021. Т. 3. № 1(5). С. 81-95.
9. Колокольцев Е.А., Мякиньков А.В., Андриянов А.В. Использование сверхширокополосного сигнала с повышенной частотой повторения в просветной РЛС для периметровой охраны // Сб. трудов XXIII Междунар. научно-технич. конф. «Радиолокация, навигация, связь». 2017. Т. 3. С. 883-893.
10. Трифонов А.П., Беспалова М.Б., Трифонов П.А., Гущин И.В. Квазиправдоподобная оценка временных параметров последовательности сверхширокополосных сигналов неизвестной формы при воздействии узкополосных помех // Известия вузов. Сер. Радиоэлектроника. 2016. № 3. Т. 59. С. 30-39. https://doi.org/10.3103/S0735272716030031.
11. Разиньков С.Н. Точность местоопределения излучателей последовательностей сверхширокополосных импульсов в триангуляционных системах // Физика волновых процессов и радиотехнические системы. 2015. № 1. Т. 18. С. 55-59.
12. Радченко Ю.С., Сохнышев С.В. Пространственно-временная обработка сверхширокополосных импульсных последовательностей // Известия высших учебных заведений России. Сер. Радиоэлектроника. 2003 № 2. С. 19-28.
13. Афанасьев О.В., Разиньков С.Н. Среднеквадратическая ошибка пеленгования источников сверхширокополосных сигналов при пространственной режекции узкополосных помех // Антенны. 2014. № 5. С. 14-18.
14. Корчагин Ю.Э., Титов К.Д., Головацкая Е.Э. Оценка влияния параметров сверхширокополосных радиосигналов на характеристики их приема и передачи // Журнал радиоэлектроники [электронный журнал]. 2023. № 2.
15. Куликов Е.И., Трифонов А.П. Оценка параметров сигналов на фоне помех. М.: Советское радио. 1978. 296 с.
16. Гоноровский И.С. Радиотехнические цепи и сигналы: Учебник для вузов. М.: Радио и связь. 1986. 512 с.
17. Трифонов А.П., Корчагин Ю.Э., Кондратович П.А. Обнаружение сигнала с неизвестными амплитудой и длительностью // Известия вузов. Сер. Радиофизика. 2011. Т. 54. № 5. С. 391-401.
18. Осовский С. Нейронные сети для обработки информации: Пер. с польского И.Д. Рудинского. М.: Финансы и статистика. 2002. 344 с.
19. Хайкин С. Нейронные сети и обучение машин: пер. с англ. М.: ИД «Вильямс». 2016. 688 с.
20. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика: Пер. с англ. М.: Мир. 1992. 240 с.
21. Гудфеллоу А., Бенджио Й., Курвилль А. Глубокое обучение: Пер. с англ. под ред. И. Бернштейна. М.: ДМК Пресс. 2017. 652 с.
22. Рашка С., Мирджалали В., Хидаят С. Python и машинное обучение: машинное и глубокое обучение с использованием scikitlearn, Keras и TensorFlow 2: Пер. с англ. А.А. Слинкина. М.: ДМК Пресс. 2020. 771 с.
23. Николенко С.И., Кадурин А.А., Архангельская Е.О. Глубокое обучение. Погружение в мир нейронных сетей. СПб: Питер. 2018. 480 с.
24. Кохонен Т. Ассоциативная память и самоорганизующиеся карты: Пер. с англ. М.: Мир. 1980. 390 с.
25. Kohonen T. Self-Organizing Maps. 3rd ed. Berlin, Heidelberg: Springer-Verlag. 2001. 501 p.
26. Нейрокомпьютеры в обработке сигналов / Под ред. А.И. Галушкина. М.: Радио и связь. 2003. 228 с.
27. Carpenter G.A., Grossberg S. A massively parallel architecture for a self-organizing neural pattern recognition machine // Computer Vision, Graphics, and Image Processing. 1987. V. 37. P. 54-115.
28. Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors // Nature. 1986. V. 323. P. 533-536.
29. Хайкин С. Нейронные сети: полный курс. Изд. 2-е. М.: ИД «Вильямс». 2006. 1104 с.
30. Kingma D.P., Ba J. Adam: A Method for Stochastic Optimization // arXiv preprint arXiv:1412.6980. 2014.