Обзор применения нейросетевых технологий в радиофизических приложениях

Ю. Э. Корчагин, К. Д. Титов, Ю. Г. Петров, С. А. Космодемьянский

Аннотация


В работе проведены анализ и классификация существующих нейросетевых подходов к решению задач статистической радиофизики: обнаружение сигнала, оценка неизвестных параметров сигнала, определение направления на источник радиоизлучения или его местоположения, распознавания (различения) и фильтрации сигналов. Выполнен обзор отечественной и зарубежной литературы применительно к решению задач обработки сигналов с помощью нейросетевых методов. Проанализированы способы решения задач обработки сигналов, определены их сильные и слабые стороны, а также выделены перспективные направления использования обучающихся систем для решения задач классической радиофизики.


Ключевые слова


нейросетевые технологии; статистическая радиофизика; обнаружение;оценка параметров; пеленгация; локация; различение.

Полный текст:

PDF

Литература


Айвазян С. А., Енюков И. О., Мешалкин Л. Я. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983. 471 с. [ S. A. Aivazian, I. S. Enyukov, L. D. Meshalkin, Applied statistics. Basics of modelling and primary data processing, (in Russian). Мoscow: Finansy i statistika, 1983. ]

Харкевич А. А. Борьба с помехами. М.: Наука, 1965. 276 с. [ A. A. Kharkevich, Combating interference, (in Russian). Мoscow: Nauka, 1965. ]

Тихонов В. И. Оптимальный прием сигналов. М.: Радио и связь, 1983. 320 с. [ V. I. Tikhonov, Optimal reception of signals, (in Russian). Мoscow: Radio I Svyaz’, 1983. ]

Тихонов В. И. Статистическая радиотехника (2-е изд., перераб. и доп.). М.: Радио и связь, 1982. 624 с. [ V. I. Tikhonov, Statistical radio engineering, (in Russian). Мoscow: Radio I Svyaz’, 1982. ]

Тихонов В. И., Кульман Н. К. Нелинейная фильтрация и квазиоптимальный прием. М.: Радио и связь, 1975. 704 с. [ V. I. Tikhonov, N. K. Kulman, Nonlinear filtering and quasicoherent signal reception, (in Russian). Мoscow: Radio i Svyaz’, 1975. ]

Тихонов В. И., Харисов В. Н. Статистический анализ и синтез радиотехнических систем. М.: Радио и связь, 1991. 608 с. [ V. I. Tikhonov, V. N. Kharisov, Statistical analysis and synthesis of radio engineering devices and systems, (in Russian). Мoscow: Radio I Svyaz’, 1991. ]

Левин Б. Р. Теоретические основы статистической радиотехники (книга третья, изд. 2-е, перераб. и доп.). М.: Сов. радио, 1976. 288 с. [ B. R. Levin, Theoretical foundations of statistical radio engineering, (in Russian). Мoscow: Sov. Radio, 1976. ]

Фомин Я. А., Тарловский Г. Г. Статистическая теория распознавания образов. М.: Радио и связь, 1986. 264 с. [ Ya. A. Fomin, G. R. Tarlovsky, Statistical theory of pattern recognition, (in Russian). Мoscow: Radio I Svyaz’, 1986. ]

Журавлев Ю. И. Непараметрические задачи распознавания образов // Кибернетика. 1986. № 6. С. 83–103. [ Yu. I. Zhuravlev, “Nonparametric problems of pattern recognition”, (in Russian), in Kibernetika, no. 6, pp. 83-103, 1986. ]

Журавлев Ю. И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. 1978. № 33. С. 5–68. [ Yu. I. Zhuravlev, “Algebraic methods for designing algorithms for pattern recognition and forecasting”, (in Russian), in Problemy kibernetiki, no. 33, pp. 5-68, 1978. ]

Кузнецов А. В. Применение нейросетевых методов для обработки сигналов в каналах с помехами: дис. … канд. техн. наук. Москва, 2000. 362 с. [ A. V. Kuznetsov, Using of a neural network approach for processing signals in channels with interference: Cand. Diss. Abstr, (in Russian). Мoscow, 2000. ]

Истратов А. Ю., Мельник А. В., Грибков В. Ф. Эмпирический нейроалгоритм обработки радиолокационной информации // Материалы 5-ой Всероссийской конференции «Нейрокомпьютеры и их применение», 1999. С. 228–233. [ A. Y. Istratov, A. V. Melnik, V. F. Gribkov , Empirical neural network algorithm of processing of the radar-tracking (in Russian), in Proc. 5th Russian Workshop “Neuro-computers and its application”, pp. 228-233, 1999. ]

Первачев С. В., Перов А. И. Адативная фильтрация сообщений. М.: Радио и связь, 1991. 160 с. [ S. V. Pervachev, A. I. Perov, Adaptive message filtration, (in Russian). Мoscow: Radio I Svyaz’, 1991. ]

Строкова М. С. Исследование эффективности применения нейронных сетей в задачах обнаружения фазоманипулированных последовательностей // Техника радиосвязи. 2014. № 1 (21). С. 65–77. [ M. S. Strokova, “Studying of effectiveness of using a neural networks to solve problems of phase-shift keying detection”, (in Russian), in Tekhnika radiosvyazi, no. 1 (21), pp. 65-77, 2014. ]

Ляликова В. Г. Разработка и исследование математических моделей нейросетевых и статистических обнаружителей сигналов: дис. ... канд. физ.-мат. наук. Воронеж, 2011. С. 2–177. [ V. G. Lyalikova, Development and studying of mathematical models of neural network and statistical signal detectors: Cand. Diss. Abstr, (in Russian). Voronezh, 2011. ]

Новикова Н. М., Ляликова В. Г. Модели параметрических и непараметрических обнаружителей сигналов // Вестник Воронежского государственного технического университета. 2010. Т. 6, № 8. C. 122−126. [ Электронный ресурс ]…URL:https://cyberleninka.ru/article/n/modeli-Parametricheskih-i-neparametricheskih-obnaruzhiteley-signalov (дата обращения: 26.01.2021) [ N. M. Novikova, V. G. Lyalikova, “Parametric and non-parametric models of signal detectors”, [ Online ], (in Russian), in Vestnik of Voronezh State Technical Univercity, vol. 6, no. 8, pp. 122-126, 2010. Available: https://cyberleninka.ru/article/n/modeli-parametricheskih-i-neparametricheskih-obnaruzhiteley-signalov (дата обращения 26.01.2021). ]

Применение методов машинного обучения для классификации радиосигналов / И. В. Малыгин [и др.] // Труды МАИ. 2017. № 96. [ Электронный ресурс ] URL:http:// trudymai.ru/published.php?ID=85797 (дата обращения 05.02.2021) [ I. V. Malygin, et al., (2021, Feb. 5). “Radio signal detection using machine-learning approach”, [ Online ], (in Russian), in Trudy MAI, no. 96, 2017. Available: URL:http://trudymai.ru/published.php?ID=85797 (дата обращения 05.02.2021). ]

Сахаров Ю. С., Трофимов Я. А. Методы синтеза полигауссовских искусственных нейронных сетей // Вестник Воронежского государственного технического университета. 2010. Т. 6, № 11. [Электронный ресурс] URL:https://

cyberleninka.ru/article/n/metody-sinteza-poligaussovskih-iskusstvennyh-neyronnyh-setey (дата обращения 11.02.2021) [ Yu. S. Sakharov, Ya. A. Trofimov, (2021, Feb. 11) Methods for synthesis of polygaussian artificial neural networks [ Online ], (in Russian), in Vestnik of Voronezh State Technical Univercity, vol. 6, no. 11, 2010 Available: URL:https://cyberleninka.ru/article/n/metody-sinteza-poligaussovskih-iskusstvennyh-neyronnyh-setey (дата обращения 11.02.2021). ]

Morozov O. A, Ovchinnikov P. E. Neural network detection of MSK signals // 2009 IEEE 13th Digital Signal Processing Workshop and 5th IEEE Signal Processing Education Workshop. Marco Island, FL, USA. 2009. Pp. 594-596. [ Электронный ресурс ] URL:https://ieeexplore.ieee.org/document/4785992 (дата обращения 29.01.2021).

Bas C. F., Marks R. J. Layered perceptron versus Neyman-Pearson optimal detection // 1991 IEEE International Joint Conference on Neural Networks. Singapore, Singapore.1991. Pp. 1487-1489. [Электронный ресурс] URL:https://ieeexplore.ieee.org/document/170610 (дата обращения 04.02.2021).

Neural Network Based Approaches for Detecting Signals With Unknown Parameters / D. Mata-Moya [et al.] // 2007 IEEE International Symposium on Intelligent Signal Processing. Alcala de Henares, Spain. 2007. [ Электронный ресурс ] URL:https://ieeexplore.ieee.org/abstract/document/4447634 (дата обращения 01.02.2021).

High order neural network based solution for approximating the average likelihood ratio / D. Mata-Moya [et al.] // 2011 IEEE Statistical Signal Processing Workshop (SSP). Nice, France. 2011. Pp. 657-660. [ Электронный ресурс ] URL:https:// ieeexplore.ieee.org/document/5967786 (дата обращения 01.09.2020).

Xue S., Ma Y., Yi N., Dodgson T. E. A Modular Neural Network Based Deep Learning Approach for MIMO Signal Detection. 2020. Pp. 1-12.

DeYong M., Fields C. Applications of hybrid analog-digital neural networks in signal processing: simple circuits for frequency and phase detection and shifting // 1992 IEEE International Symposium on Circuits and Systems. San Diego, CA, USA. 1992. Pp. 2212-2215. [ Электронный ресурс ] URL:https://ieeexplore.ieee.org/document/230551 (дата обращения 31.01.2021).

Алгоритм выбора параметров искусственной нейронной сети при оценке амплитуды гармонических сигналов с учетом дестабилизирующих воздействий / С. Н. Данилин [и др.] // Методы и устройства передачи и обработки информации. 2014. № 16. С. 70–73. [ S. N. Danilin, et al., “The method of tolerance increasing to internal and external noises for neural network devices”, (in Russian), in Metody i ustroistva peredachi I obrabotki informacii, , no. 16, pp. 70-73. 2014. ]

Обеспечение точности функционирования нейросетевого устройства оценки параметров гармонических сигналов в радиосистемах / С. Н. Данилин [и др.] // Радиотехнические и телекоммуникационные системы. 2014. № 3 (15). С. 12–17. [ S. N. Danilin, et al., “The algorithm of finding the influencing coefficient of progressiveness of neural elements on operation quality value of devices with neural network architecture”, (in Russian), in Radiotechnic 2014. ]

Данилин С. Н., Щаников С. А. Нейросетевой алгоритм контроля абсолютного значения фазового сдвига ЛЧМ-сигнала // Методы и устройства передачи и обработки информации. 2016. № 16. С. 60–64. [ S. N. Danilin, S. A. Shchanikov, “The influence of instruction function on the quality of neural networks operation” (in Russian), in Metody i ustroistva peredachi I obrabotki informacii, no. 16, pp. 60-64. 2016. ]

Sun B., Lin J., Chen Y. A detecting method of analog signals based on variable threshold value neuron // 2008 IEEE International Conference on Automation and Logistics. Qingdao. China. 2008. Pp. 1925-1928. [ Электронный ресурс ] URL:https:/ieeexplore.ieee.org/document/4636474 (дата обращения 31.01.2021).

Yue-Dar Jou. Least-squares design of digital differentiators using neural networks with closed-form derivations // IEEE Signal Processing Letters. 2005. Vol. 12, no. 11. Pp. 760-766. [ Электронный ресурс ] URL:https://ieeexplore.ieee.org/abstract/document/1518895 (дата обращения 30.01.2021).

Tank D. W., Hopfield J. Simple neural optimization networks: AnA/D converter, signal decision circuit, and a linear programming circuit // IEEE Trans. Circuits Syst. 1986. Vol. 33, no.4. Pp. 533-541.

Ye M., Song L. Weak signal detection in chaos using adaptive Neuro-Fuzzy Inference System // 2011 International Conference on Electrical and Control Engineering. Yichang, China. 2011. Pp. 928-931. [ Электронный ресурс ] URL:https://ieeexplore.ieee.org/document/6057652 (дата обращения 10.02.2021).

Козлов С. В. Обработка сигналов малоэлементного моноимпульсного пеленгатора в условиях мощных помех с использованием искусственных нейронных сетей // Доклады БГУИР. 2018. № 5 (115). С. 31–37. [ S. V. Kozlov, Signal processing of a low-element monopulse direction finder under conditions of powerful interference using artificial neural networks, (in Russian), in Doklady of the Belarusian State University of informtics and radioelectronics “BGUIR” , no. 5 (115), pp. 31-37. 2018. ]

Морозова Е. О., Овчинников П. Е., Семенова М. Ю. Нейросетевая обработка сигналов моноимпульсной локации // Вестник Нижегородского университета. 2013. № 6 (1). С. 62–66. [ E. O. Morozova, P. E. Ovchinnikov, M. Yu. Semenova, The method of neural network signal processing for monopulse radar (in Russian), in Vestnik of Nizhny Novgorod State University, no. 6 (1), pp. 62-66. 2013. ]

Оценка направления прихода сигнала с использованием искусственных нейронных сетей максимального правдоподобия / Т. Шевгунов [и др.] // Цифровая обработка сигналов. 2017. № 2. С. 59–64. [ T. Shevgunov, et al., “Estimation of direction-of-arrival by means of maximum likelihood artificial neural networks”, (in Russian), in Tsyfrovaya obrabotka signalov, no. 2, pp. 59-64. 2017. ]

Ефимов Е. Н., Шевгунов Т. Идентификация точечных рассеивателей радиолокационных изображений с использованием нейронных сетей радиально-базисных функций // Труды МАИ. 2013. №.68. [.E. N. Efimov, T. Shevgunov, ( 2021, Jen. 25 ) Scattering target identification based on radial basis function artificial neural networks in the presence of non-stationary noise, (in Russian), in Trudy MAI, no. 68. 2013. [ Электронный ресурс ] URL:http:// trudymai.ru/published.php?ID=41959 (дата обращения 25.01.2021). ]

Радзиевский В. Г., Сирота А. А. Информационное обеспечение радиоэлектронных систем в условиях конфликта. М.: ИПРЖР, 2001. С. 157–163. [ V. G. Radzievsky, A. A. Sirota, Informational support of electronic systems in conflict, (in Russian). Мoscow: IPRGR, 2001. ]

MLP-based approximation to the Neyman Pearson detector in a terrestrial passive bistatic radar scenario / N. del-Rey-Maestre [et al.] // IEEE EUROCON 2015 International Conference on Computer as a Tool (EUROCON), 2015. [ Электронный ресурс ] URL:https://ieeexplore.ieee.org/document/7313778 (дата обращения 30.01.2021).

Machine Learning Techniques for Coherent CFAR Detection Based on Statistical Modeling of UHF Passive Ground Clutter [ N. del-Rey-Maestre [et al.] // IEEE Journal of Selected Topics in Signal Processing. 2018. Vol. 12, no.1. Pp. 104-118. ]

Neural network based solutions for ship detection in SAR images / J. Martın-de-Nicolas [et al.] // 2013 18th International Conference on Digital Signal Processing (DSP), Fira, Greece, 2013. [ Электронный ресурс ] URL:https://ieeexplore.ieee.org/document/6622836 (дата обращения 06.02.2021).

Comparison of ship detection algorithms in spaceborne SAR imagery / P. Chen [et al.] // 2005 IEEE International Geoscience and Remote Sensing Symposium. Seoul, South Korea. 2005. Vol. 3. Pp. 1750-1752. [ Электронный ресурс ] URL:https://ieeexplore.ieee.org/abstract/document/1526341 (дата обращения 14.09.2020).

Detection of radar signals using Gabor transform and neural network / J. Shu-Long [et al.] // Proceedings of the IEEE 1992 National Aerospace and Electronics Conference NAECON, Dayton, OH, USA. 1992. Pp. 916-922. [ Электронный ресурс ] URL:https://ieeexplore.ieee.org/document/220485 (дата обращения 17.02.2021).

Методы распознавания видов цифровой модуляции сигналов в когнитивных радиосистемах / C. C. Аджемов [и др.] // ВМУ. Серия 3. 2015. № 6. С. 19–27. [ S. S. Adzhemov, et al., “Methods for the automatic recognition of digital modulation of signals in cognitive radio systems”, (in Russian), in VMU, Seriya 3. No. 6. Pp. 19-27. 2015. ]

Алгоритм распознавания вида цифровой модуляции сигнала по форме фазового созвездия с использованием самоорганизующихся карт Кохонена / C. C. Аджемов [и др.] // T-Comm. 2011. № 11. С. 4–6. [ S. S. Adzhemov, et al., “Algorithm for recognition of signal digital modulation type according to form of phase constellation with using of Kokhonen self-organizing map”, (in Russian), in T-Comm, no. 11, pp. 4-6 2011. ]

Berglund E., Sitte J. The Parameter-LessSOM algorithm. // ANZIIS. 2003. Pp. 159-164.

Аджемов С. С., Терешонок М. В., Чиров Д. С. Нейросетевой метод распознавания видов модуляции радиосигналов с использованием кумулянтов высокого порядка // T-Comm. 2012. № 9. С. 9–12. [ S. S. Adzhemov, M. V. Tereshonok, D. S. Chirov. Neural network method for recognition of radio signal modulation types using highorder cumulants, (in Russian), in T-Comm, no. 9, pp. 9-12. 2012. ]

Айзикович А. А., Усынин А. Ю. Применение персептрона в цифровой фильтрации сигналов // Известия Института математики и информатики. Ижевск. 2006. № 2 (36). С. 109–112. [ A. A. Aizikovich, A. Yu. Usynin. Application of the perceptron in the digital filtration of signals, (in Russian), in Izvestiya of the Institute of mathematics and informatics, no. 2 (36), pp. 109-112. 2006. ]

Морозов О. А., Овчинников П. Е. Метод декодирования фазоманипулированных сигналов по комплексной огибающей на основе искусственной нейронной сети // Радиотехника и электроника. 2007. Т. 52, № 11. С. 1371–1375. [ O. A. Morozov, P. E. Ovchinnikov. A phase-shift-keyed-signal decoding method based on the analysis of the complex envelope via an artificial neuron network, (in Russian), in Radiotehnika i radioelektronika, vol. 52, no. 11, pp. 1371-1375. 2007..]

Новикова Н. М., Дуденков В. М. Моделирование нейронной сети для распознавания изображений на основе гибридной сети и самоорганизующихся карт Кохонена // Аспирант. 2015. № 2 (7). С. 31–34. [ N. M. Novikova, V. M. Du-denkov. Application of Kokhonen self-organizing map to search for region of interest in the detection of objects, (in Russian), in Aspirant, no. 2 (7), pp. 31-34. 2015. ]

Кузнецов A. B. Нейросетевой классификатор со случайными связями на основе многозначных нейронов // Информационные технологии. 1999.№ 7. С. 10–15. [ A. V. Kuznetsov, “Neural network classifier with the random connections based on poly-semantic neurons”, (in Russian), in Informacionnie Tekhnologii, 1999, no. 7, pp. 10-15. 1999. ]

Фомин В. Н. Рекуррентное оценивание и адаптивная фильтрация. М.: Наука, 1984. 288 с. [ V. N. Fomin, Recurrent estimation and adaptive filtration, (in Russian). Мoscow: Nauka, 1984. ]

Трис В. Г. Теория обнаружения, оценок и модуляции (том 1). М.: Советское радио, 1972. 744 с. [ V. H. Trees, Detection, estimation and modulation theory: part 1, (in Russian). Мoscow: Sovetskoe radio, 1984. ]

Трис В. Г. Теория обнаружения, оценок и модуляции (том 2). М.: Советское радио, 1975. 344 с. [ V. H. Trees, Detection, estimation and modulation theory: part 2, (in Russian). Мoscow: Sovetskoe radio, 1975. ]

Нейронные классификаторы с распределенным кодированием входной информации / Э. М. Куссуль [и др.] // Нейрокомпьютер. 1994. № 3. С. 13–24. [ E. M. Kussul, et al., “Adaptive neural network classifier with multifloat input coding”, (in Russian), in Neyrocomputer, 1994, no. 3, pp. 13-24. 1994. ]

Колбасова Л. А., Крушина Т. Ю., Онацько В. Ф. Нейронная сеть предварительной обработки для задач распознавания речи // Моделир. и проектир. приборов и систем микро- и наноэлектрон. 1994. С. 120–133. [ L. A. Kolbasova, T. Yu. Krushina, V. F. Onacko, “Neural network with data preprocessing for solving problems of speech recognition”, (in Russian), in Modelir. i proektir. priborov i system mikro- i nanoelektron. pp. 120-133. 1994. ]

Крайзмер Л. П., Кулик Б. А. Обработка сложных сигналов на основе использования нейрокомпьютеров // Персональный компьютер на вашем рабочем месте. 1991. С. 228–231. [ L. P. Krysmer, B. A. Kulik. Processing of complex signals based on using neurocomputers, (in Russian), in Personalniy computer na vashem rabochem meste. pp. 228-231. 1991. ]

Werbos P. J. Beyond Regression: new tools for prediction and analysis in the behavioral sciences // Phd. Thesis, Depl. of Applied Mathematics, Harvard University, Cambridge, Mass. 1974. Pp. 174-176.

Колмогоров А. Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных // Докл. АН СССР, 1956. т. 108. С. 2. [ A. N. Kolmogorov. On the representation of continuous functions of many variables by superposition of continuous functions of less variables, (in Russian), in Dokl. AN SSSR, vol. 108, p. 2. 1956. ]

Колмогоров А. Н. О представлении непрерывных функций нескольких переменных в виде суперпозиций непрерывных функций одного переменного и сложения // Докл. АН СССР. 1957, Т. 114. С. 953–956. [ A. N. Kolmogorov, “On the representation of continuous functions of many variables by superposition of continuous functions of one variable and addition”, (in Russian), in Dokl. AN SSSR, vol. 114, pp. 953-956. 1956. ]

Колмогоров А. Н., Фомин С. В. Элементы теории функций и функционального анализа (изд. 6-е, перераб. и испр.). М.: Наука, 1989. 623 с. [ A. N. Kolmogorov, S. V. Fomin, Elements of the theory of functions and functional analysis, (in Russian). Мoscow: Nauka, 1989. ]


Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2021 Ю. Э. Корчагин, К. Д. Титов, Ю. Г. Петров, С. А. Космодемьянский