DOI
10.34229/KCA2522-9664.24.5.16
УДК 53.088.3+53.088.7
Д.М. ОНУФРІЄНКО
Національний технічний університет «Харківський політехнічний інститут», Харків,
Україна,
оnufrienkoresearcher@gmail.com
Ю.К. ТАРАНЕНКО
Приватне підприємство «Лікопак», Дніпро, Україна,
tatanen@ukr.net
О.Ю. ОЛІЙНИК
Дніпровський фаховий коледж радіоелектроніки, Дніпро, Україна,
oleinik_o@ukr.net
В.В. ЛОПАТІН
Інститут геотехнічної механіки ім. Н.С. Полякова НАН України, Дніпро, Україна,
vlop@ukr.net
РОЗПІЗНАВАННЯ ЗОБРАЖЕНЬ НЕПЕРЕРВНИХ ВЕЙВЛЕТ-СПЕКТРІВ
ЗАШУМЛЕНИХ РАДІОЛОКАЦІЙНИХ СИГНАЛІВ
З ВИКОРИСТАННЯМ ЗГОРТКОВОЇ НЕЙРОННОЇ МЕРЕЖІ
Анотація. Розглянуто методи розпізнавання зображень неперервних вейвлет-спектрів зашумлених сигналів з лінійною та нелінійною частотними модуляціями з використанням згорткових нейронних мереж. Запропоновано процедуру підготовки зображень спектрів для оброблення у нейронній мережі, яка забезпечує достатню високу ймовірність розпізнавання заданого типу сигналу з двадцяти можливих. Методологія розв’язання поставленої задачі полягає у пошуку алгоритму підготовки зображень, який забезпечує аугментації зображень методом зміни неперервних вейвлетів для ідентифікації сигналів в умовах обмеженості резонансної частоти та смуги пропускання. В алгоритмі передбачено зміну частоти неперервного спектра обробленням сигналу фазової решітки різними неперервними вейвлетами після додавання нестаціонарного шуму. Підготовлені у такий спосіб сигнали з лінійною та нелінійною модуляціями, а також спектри сигналів інших регулярних форм використовуються як вхідні дані згорткової нейронної мережі. Процедура поділу зображень вейвлет-спектрів на класи виконується перевіркою однорідності класу за значенням ентропії Шеннона. Мінімальне значення ентропії свідчить про однорідність підмножини і відсутність «домішок» із зображень інших класів. Розроблена модель нейронної мережі з аугментацією неперервними вейвлет-спектрами в умовах обмеженого набору даних має точність майже 97.95 %.
Ключові слова: аугментація, вейвлет-спектр, згорткові нейронні мережі, неперервні вейвлети, безпілотні літальні апарати.
повний текст
СПИСОК ЛІТЕРАТУРИ
- 1. Fujiyoshi H., Hirakawa T., Yamashita T. Deep learning-based image recognition for autonomous driving. IATSS Research. 2019. Vol. 43, Iss. 4. Р. 244–252. doi.org/10.1016/j.iatssr.2019.11.008.
- 2. Traore B.B., Kamsu-Foguem B., Tangara F. Deep convolution neural network for image recognition. Ecological Informatics. 2018. Vol. 48. Р. 257–268. doi.org/10.1016/j.ecoinf.2018.10.002.
- 3. Ramzi Z., Michalewicz K., Starck J.-L., Moreau T., Ciuciu P. Wavelets in the deep learning era. Journal of Mathematical Imaging and Vision. 2023. Vol. 65, N 1. Р. 240–251. doi.org/10.1007/s10851-022-01123-w .
- 4. Abdel-Khalek S., Algarni M., Mansour R.F., Gupta D., Ilayaraja M. Quantum neural network-based multilabel image classification in high-resolution unmanned aerial vehicle imagery. Soft Computing. 2021. Vol. 27. Р. 1–12. doi.org/10.1007/s00500-021-06460-3.
- 5. Walenczykowska М., Kawalec A., Krenc K. An application of analytic wavelet transform and convolutional neural network for radar intrapulse modulation recognition. Sensors. 2023. Vol. 23, N 4. 1986. doi.org/10.3390/s23041986.
- 6. Li H., Zhao J. Analysis of a combined waveform of linear frequency modulation and phase coded modulation. Proc. of the 2016 11th International Symposium on Antennas, Propagation and EM Theory (ISAPE) (18–21 Oct., 2016, Guilin, China). IEEE, 2016. Р. 539–541. doi.org/10.1109/ISAPE.2016.7834008.
- 7. Taranenko Yu.K., Lopatin V.V., Oliynyk O.Yu. Wavelet filtering by using nonthreshold method and example of model Doppler function. Radioelectronics and Communications Systems. 2021. Vol. 64. Р. 380–389. doi.org/10.3103/S0735272721070049.
- 8. Taranenko Yu.K., Oliynyk O. Yu. Optimization of the packet wavelet filtering algorithm of signals. Cybernetics and Systems Analysis. 2024. Vol. 60, N 1. Р. 163–174. doi.org/10.1007/s10559-024-00654-x .
- 9. Chen L., Li S., Bai Q., Yang J., Jiang S., Miao Y. A Review of image classification algorithms based on convolutional neural networks. Remote Sensing. 2021. Vol. 13, N 22. 4712. doi.org/10.3390/rs13224712.
- 10. Sun Y., Zhang M., Yen G. Evolving deep convolutional neural networks for image classification. IEEE Transactions on Evolutionary Computation. 2020. Vol. 24, N 2. Р. 394–407. doi.org/10.1109/TEVC.2019.2916183.
- 11. Niranjan R., Rao C.R., Singh A., Real-time identification of exotic modulated radar signals for electronic intelligence systems. 2021 Emerging Trends in Industry 4.0 (ETI 4.0) (19–21 May, 2021, Raigarh, India). 2021. Р. 1–4. doi.org/10.1109/ETI4.051663.2021.9619339.
- 12. Wang C., Wang J., Zhang X. Automatic radar waveform recognition based on time-frequency analysis and convolutional neural network. 2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (5–9 March, 2017, New Orleans, LA, USA). 2017. Р. 2437–2441. doi.org/10.1109/ICASSP.2017.7952594.
- 13. Тараненко Ю.К., Ризун Н.О. Вейвлет-фильтрация сигналов без использования модельных функций. Вісті вищих учбових закладів. Радіоелектроніка. 2022. Т. 65, № 2. С. 110–125. doi.org/10.20535/S0021347022020042.
- 14. Соловьев В.И., Рыбальский О.В., Журавель В.В., Шабля А.Н., Тимко Е.В. Учет многофакторности характеристик голоса в задачах идентификации диктора. Міжнародний науково-технічний журнал «Проблеми керування та інформатики». 2021. № 5. С. 21–30. doi.org/10.34229/1028-0979-2021-5-2.
- 15. Zavolodko G., Pavlova D., Kolesnikova Y., Sukmanskyi M. Interstage optimization of data processing of distributed airspace monitoring systems. IT Synergy. 2021. N 1. P. 58–65. doi.org/10.53920/ITS-2021-1-7.
- 16. da Silva H.T., Alves D.I., Machado R., Passaro A. A Methodology for assessing data augmentation effectiveness for target classification in SAR images. 2024 IEEE Radar Conference (RadarConf24) (06–10 May, 2024, Denver, CO, USA). IEEE, 2024. P. 1–6. doi.org/10.1109/RadarConf2458775.2024.10548664
- 17. Oliinyk О., Taranenko Yu., Lopatin V. Analysis of discrete wavelet spectra of broadband signals. CMIS-2023 (The Sixth International Workshop on Computer Modeling and Intelligent Systems) (3 May, 2023, Zaporizhzhia, Ukraine). 2023. P. 188–198.
- 18. Taranenko Yu.K. Methods of discrete wavelet filtering of measurement signals: An algorithm for choosing a method. Measurement Techniques. 2022. Vol. 64. P. 801–808. doi.org/10.1007/s11018-022-02007-6.
- 19. A guide for using the Wavelet Transform in Machine Learning. A guide for using the Wavelet Transform in Machine Learning — ML Fundamentals. URL: ataspinar.com.
- 20. Жарких А.А., Кващенко В.А. Сравнение точности представления гауссовых вейвлетов различных порядков. Вестник МГТУ. 2009. Т. 12, № 2. С. 218–223.
- 21. Convolutional neural network in Python. URL: www.100byte.ru/python/MNIST_ NN/mnist_nn.html#p1.
- 22. Continuous wavelet transform (CWT). URL: https://pywavelets.readthedocs.io/en/latest/ref/cwt.html .
- 23. Onufrienko D., Taranenko Yu., Suchkov G. Improving metrological characteristics of measuring instruments by discrete wavelet noise filtering using the recursion method. Ukrainian Metrological Journal. 2022. N 2. Р. 15–20. doi.org/10.24027/2306-7039.2.2022.263869.
- 24. Skladchikov I.O. Automated analysis of security thermal imager data based on deep learning. XIII All-Ukrainian Scientific and Practical Conference of Students, Postgraduates and Young Scientists «Looking into the Future of Instrument Building» (13–14 May, 2020, Kyiv, Ukraine). 2020. Р. 315–318.
- 25. Oliynyk O., Taranenko Y., Losikhin D., Shvachka A. Examining the Kalman filter in the field of noise and interference with the non-Gaussian distribution. Eastern-European Journal of Enterprise Technologies. 2018. Vol. 4, N 4(94). Р. 36–42. doi.org/10.15587/1729-4061.2018.140649.
- 26. Літвінчук А.М., Барановська Л.В. Покращення моделей розпізнавання облич за допомогою навчання подібності, розкладу зміни темпу навчання та аугментацій, Міжнародний науково-технічний журнал «Проблеми керування та інформатики». 2021. № 6. С. 93–101. doi.org/10.34229/1028-0979-2021-6-9.
- 27. Чайковський О., Волокита А., Кир’янов А., Луцький Г. Метод аугментації даних із використанням генеративних змагальних мереж. Технічні науки та технології. 2021. Т. 2(24). С. 83–91. doi.org/10.25140/2411-5363-2021-2(24)-83-91.
- 28. Joseph F.J.J., Nonsiri S., Monsakul A. Keras and TensorFlow: A hands-on experience. In: Advanced Deep Learning for Engineers and Scientists. EAI/Springer Innovations in Communication and Computing. Prakash K.B., Kannan R., Alexander S., Kanagachidambaresan G.R. (Eds.). Cham: Springer, 2021. P. 85–111. doi.org/10.1007/978-3-030-66519-7_4.
- 29. Bazi Y., Melgani F. Convolutional SVM networks for object detection in UAV imagery. IEEE Transactions on Geoscience and Remote Sensing. 2018. Vol. 56, N 6. Р. 3107–3118. doi.org/10.1109/TGRS.2018.2790926.
- 30. Ковбасюк C.В., Осадчук Р.М., Романчук М.П., Наумчак Л.М. Алгоритм формування набору апріорних даних нейронної мережі для обробки цифрових аерознімків. Проблеми створення, випробування, застосування та експлуатації складних інформаційних систем: Збірник наукових праць ЖВІ. 2022. Вип. 23. С. 77–88. doi.org/10.46972/2076-1546.2022.23.06.