Отправить статью по E-mail 
Использование нейронной сети для обнаружения и идентификации помех при приеме шумоподобного сигнала
- Авторы: Бельков С.1, Малыгин И.1
-
Учреждения:
- Уральский федеральный университет имени первого Президента России Б.Н. Ельцина
- Выпуск: Том 22, № 2 (2019)
- Страницы: 37-43
- Раздел: Статьи
- URL: https://journals.ssau.ru/pwp/article/view/7052
- DOI: https://doi.org/10.18469/1810-3189.2019.22.2.37-43
- ID: 7052
Цитировать
Полный текст
Аннотация
Основной задачей системы связи является своевременная надежная и достоверная передача сообщений между абонентами. В случае воздействия помех система связи выполняет свою задачу в соответствии с той помехозащищенностью, которой она обладает. В то же время смесь полезного сигнала, шума и помех, поступающая на вход приемника, после необходимой обработки может служить источником информации о существующих в канале помехах. Полученная таким образом информация о наличии и характере помех может быть полезна как для изменения параметров радиоканала (модуляции, частоты, режима), так и для внешнего заказчика. Настоящая статья посвящена использованию нейронных сетей для извлечения из поврежденных информационных сигналов информации о характере помех, вызвавших такое повреждение.
Об авторах
С.А. Бельков
Уральский федеральный университет имени первого Президента России Б.Н. Ельцина
Автор, ответственный за переписку.
Email: buf2@mail.ru
И.В. Малыгин
Уральский федеральный университет имени первого Президента России Б.Н. Ельцина
Email: pit_pit2@mail.ru
Список литературы
- Варакин Л.Е. Системы связи связи с шумоподобными сигналами. М.: Радио и связь, 1985. 384 с.Radio signal detection using machine-learning approach / I.V. Malygin [et al.] // Proc. CEUR Workshop. 2017. P. 57–61.Морозов О.А., Овчинников П.Е. Обнаружение фазоманипулированных сигналов при помощи искусственных нейронных сетей // Труды Российского научно-технического общества радиотехники, электроники и связи имени А.С. Попова. Серия: Цифровая обработка сигналов и ее применение. Выпуск: X-2. М., 2008. С. 677–679.Neural network based C/N0 abnormity detection method for GPS anti-spoofing / L. He [et al.] // Proc. ITM. 2016. P. 716–725. DOI: https://doi.org/10.33012/2016.13454Матвеев М.Г., Копытин А.В., Сирота Е.А. Комбинированный метод идентификации параметров распределенной динамической модели // Сборник трудов IV Международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2018). Самара: Новая техника, 2018. С. 1651–1657.Гарькина И.А., Данилов А.М., Дулатов Р.Л. Идентификация помех, не коррелированных с входным сигналом // Современные проблемы науки и образования. 2015. № 1-1. URL: http://www.science-education.ru/ru/article/view?id=17837 (дата обращения: 08.03.2019).Осипов Н.А., Шавин А.С., Тарасов А.Г. Методика идентификации помех, действующих в канале передачи информации робототехнических систем // Труды МАИ. 2014. № 94. С. 18–25.Бархатов В.А. Обнаружение сигналов и их классификация с помощью распознавания образов // Дефектоскопия. 2006. № 4. С. 14–27.Никитин Н.П., Лузин В.И. Устройства приема и обработки сигналов. Системы управления приемником. Устройства борьбы с помехами: уч. пос. / науч. ред. В.И. Гадзиковский. Екатеринбург: Изд-во Урал. ун-та, 2014. 88 с.Ефимов Е.Н., Шевгунов Т.Я. Формирование оценки направления прихода сигнала с использованием искусственных нейронных сетей // Труды МАИ. 2015. № 82. С. 28–33.Barker R.H. Group synchronizing of binary digital sequences // Communication theory. London: Butterworth. 1953. P. 273–287.Forney G. Generalized minimum distance decoding // IEEE Transactions on Information Theory. 1966. Vol. 12. P. 125–131. DOI: https://doi.org/10.1109/TIT.1966.1053873
- Rüschendorf L. The Wasserstein distance and approximation theorems // Zeitschrift für Wahrscheinlichkeitstheorie und verwandte Gebiete. 1985. Vol. 70. P. 117–129. DOI: https://doi.org/10.1007/BF00532240Welch L. Lower bounds on the maximum cross correlation of signals // IEEE Transactions on Information Theory. 1974. Vol. 20. P. 397–399. DOI: https://doi.org/10.1109/TIT.1974.1055219Amari S. Backpropagation and stochastic gradient descent method // Neurocomputing. 1993. Vol. 5. P. 185–196. DOI: https://doi.org/10.1016/0925-2312(93)90006-OChen T., Chen H. Universal approximation to nonlinear operators by neural networks with arbitrary activation functions and its application to dynamical systems // IEEE Transactions on Neural Networks. 1995. Vol. 6. P. 911–917. DOI: https://doi.org/10.1109/72.392253Shore J., Johnson R. Axiomatic derivation of the principle of maximum entropy and the principle of minimum cross-entropy // IEEE Transactions on Information Theory. 1980. Vol. 26. P. 26–37.
Дополнительные файлы
