DOI
10.34229/KCA2522-9664.25.4.15
УДК 004.93+621.396
В.Ю. СЕМЕНОВ
Київський академічний університет; American University Kyiv, Київ, Україна,
Є.В. СЕМЕНОВА
Інститут математики НАН України, Київ, Україна,
semenovaevgen@gmail.com
Застосування методів машинного навчання до деяких проблем цифрового
оброблення сигналів у телекомунікаційних задачах
Анотація. Розглянуто застосування методів машинного навчання до задач цифрового оброблення сигналів у телекомунікаційних системах, зокрема, задач автоматичної класифі- кації модуляції та подальшої демодуляції сигналу. Для автоматичної класифікації модуляції досліджено чотири методи машинного навчання: мультиноміальну регресію, метод найближчих сусідів, метод гауссівських сумішей та згорткову нейронну мережу. Експериментальні результати на штучних даних показали точність розпізнавання п’яти класів модуляції на рівні від 96 % до 99 %. Найвищу точність (99 %) забезпечила згорткова нейронна мережа. Проте три інші методи, що мають простішу структуру, демонструють задовільний компроміс між точністю та складністю реалізації. Перевірка на 89 сигналах від реальних модемів показала, що метод найближчих сусідів досягає найвищої точності класифікації (100 %), тоді як решта методів забезпечують точність на рівні 99 %. Це свідчить про те, що висока точність класифікації може бути досягнута за допомогою значно простіших методів порівняно із згортковими нейронними мережами. Запропоновано метод блокової демодуляції сигналів на основі мультиноміальної лінійної регресії та нейронної мережі прямого зв’язку, що має просту практичну реалізацію порівняно з іншими відомими методами. Показано, що у разі високих рівнів шуму запропонований метод забезпечує вищу точність відновлення сигналу порівняно з традиційним методом демодуляції на основі контурів Гарднера та Костаса, а також використовує меншу кількість параметрів ніж інші відомі методи.
Ключові слова: машинне навчання, глибоке навчання, цифрове оброблення сигналів, автоматична класифікація модуляції, демодуляція сигналів.
повний текст
СПИСОК ЛІТЕРАТУРИ
- 1. Proakis J.G., Manolakis D.G. Digital signal processing: Principles, algorithms, and applications. New York: Pearson, 2021. 1088 p.
- 2. Van Trees H.L., Bell K.L. Detection, estimation, and modulation theory: Detection, modulation and linear estimation theory. New York: Wiley, 2001. 686 p. https://doi.org/10.1002/0471221082 .
- 3. Sklar B. Digital communications: Fundamentals and applications. Upper Saddle River: Prentice Hall, 2001. 1104 p.
- 4. Bishop C.M. Pattern recognition and machine learning. New York: Springer, 2006. 738 p. https://doi.org/10.1007/978-0-387-45528-0 .
- 5. Chollet F. Deep learning with Python. Shelter Island: Manning, 2021. 504 p.
- 6. Goodfellow I., Bengio Y., Courville A. Deep learning. Cambridge: MIT Press, 2016. 800 p. https://doi.org/10.5555/3086952 .
- 7. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks. Communications of the ACM. 2017. Vol. 60, Iss. 6. Р. 84–90. https://doi.org/10.1145/3065386 .
- 8. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A.N., Kaiser ., Polosukhin I. Attention is all you need. arXiv preprint. 2017. arXiv:1706.03762. https://doi.org/10.48550/ arXiv.1706.03762 .
- 9. O’Shea T. An introduction to deep learning for the physical layer. IEEE Transactions on Cognitive Communications and Networking. 2017. Vol. 3, N 4. P. 563–575. https://doi.org/10.1109/TCCN.2017.2758370 .
- 10. O’Shea T.J., Roy T., Clancy T.C. Over-the-air deep learning-based radio signal classification. IEEE Journal of Selected Topics in Signal Processing. 2018. Vol. 12, N 1. P. 168–179. https://doi.org/10.1109/JSTSP.2018.2797022 .
- 11. Semenov V., Semenova Y.V. Method for the automatic modulation classification for the sums of phase-shift-keying signals based on polynomial features. 2024 IEEE 42nd International Conference on Electronics and Nanotechnology (ELNANO) (13–16 May 2024, Kyiv, Ukraine). 2024. P. 587–590. https://doi.org/10.1109/ELNANO63394.2024.10756909 .
- 12. Abdelmutalab A., Assaleh Kh., El-Tarhuni M. Automatic modulation classification based on high order cumulants and hierarchical polynomial classifiers. Physical Communication. 2016. Vol. 21. P. 10–18. https://doi.org/10.1016/j.phycom.2016.08.001 .
- 13. Задірака В.К., Семенов В.Ю. Методи розв’язання систем нелінійних рівнянь та задач мінімізації функцій: Елементи теорії та застосування. Київ: Наук. думка, 2023. 128 с.
- 14. Ahmad A., Agarwal S., Darshi S., Chakrawvarty S. DeepDeMod: BPSK demodulation using deep learning over software-defined radio. IEEE Access. 2022. Vol. 10, Iss. 5. P. 115833–115848. https://doi.org/10.1109/ACCESS.2022.3219090 .
- 15. Hanna S., Dick Ch., Cabric D. Signal processing based deep learning for blind symbol decoding and modulation classification. IEEE Journal on Selected Areas in Communications. 2022. Vol. 40, Iss. 1. P. 82–96. https://doi.org/10.1109/JSAC.2021.3126088 .
- 16. Dampage U., Amarasooriya S.M.R.P., Samarasinghe R.A.S.M., Karunasingha N.A. Combined classifier-demodulator scheme based on LSTM architecture. Wireless Communications and Mobile Computing. 2022. Vol. 2022, Article ID 5584481. https://doi.org/10.1155/2022/5584481 .
