Thuật toán nâng cao chất lượng nhận dạng tín hiệu sử dụng phân bố wigner-ville và phổ biên độ
Tóm tắt: 26
| 
PDF: 38 
##plugins.themes.academic_pro.article.main##
Author
Từ khóa:
Tóm tắt
Bài báo này đề xuất một thuật toán mới để nhận dạng các tín hiệu ra đa sử dụng mạng học sâu hai kênh. Thuật toán đề xuất gồm có 2 bước chính. Bước một sử dụng phân bố Wigner-Ville và chuỗi Fourier nhanh để trích xuất các đặc trưng của tín hiệu trên miền thời gian-tần số. Hai đặc trưng này đóng vai trò là các tham số đầu vào cho bước hai. Trong bước hai, mạng học sâu hai kênh được thiết kế để nâng cao chất lượng nhận dạng các tín hiệu nói trên. Hiệu quả của thuật toán đề xuất được đánh giá bằng các tín hiệu mô phỏng trong MATLAB. Kết quả mô phỏng cho thấy, thuật toán đề xuất cho hiệu quả tốt hơn so với các thuật toán đang sử dụng mạng trí tuệ nhân tạo đơn kênh như chuỗi Fourier thời gian ngắn, phân bố Wigner-Ville và phép biến đổi Wavelet liên tục. Thuật toán đề xuất có thể nhận dạng được 6 dạng tín hiệu với độ chính xác P=97,5% trong khi các phương pháp sử dụng mạng đơn kênh chỉ cho độ chính xác P<=89%.
Tài liệu tham khảo
-
[1] I. Skolnik, Introduction to Radar Systems, 2nd edition, McGraw Hill, Inc, Singapore, 2002, ISBN: 97800728813872.
[2] R. Mahafza, Radar Systems Analysis and Design Using MATLAB, 4th edition, Chapman & Hall/CRC, 2002, ISBN: 9780367507930.
[3] R. Rao, D. N. Kim, and J. J. Hwan, Fast Fourier Transform: Algorithms and Applications, 1st edition, Springer Dordrecht, 2010, ISBN: 978-1-4020-6628-3.
[4] K. Mitra, Digital Signal Processing: A Computer Based Approach, 2nd edition, McGraw-Hill, 2001, ISBN: 978-0072321050.
[5] O. Smith, Spectral Audio Signal Processing, W3K Publishing, 2011, ISBN: 978-0974560731.
[6] M. John and B. Boashash, “Fast and memory-efficient algorithms for computing quadratic time-frequency distributions”, Applied and Computational Harmonic Analysis, Vol. 35, No. 2, 2013, pp. 350-358. https://doi.org/10.1016/j.acha.2013.01.003.
[7] M. Jonathan, “Element Analysis: A Wavelet-Based Method for Analysing Time-Localized Events in Noisy Time Series.” in Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, vol. 473, no. 2200, 2017, https://doi.org/10.1098/rspa.2016.0776.
[8] M. Duong, J. Vesely, P. Hubacek, P. Janu, and T. X. Luong, “Detection and Parameter estimation of Intra-pulse Modulated Radar Signals in Complex Interference Environment”, SN Applied Sciences, Vol. 5, No. 184, 2023, https://doi.org/10.1007/s42452-023-05403-x.
[9] Kiranyaz, T. Ince, O. Abdeljaber, O. Avci, and M. Gabbouj, "1-D Convolutional Neural Networks for Signal Processing Applications”, ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Brighton, UK, 2019, pp. 8360-8364, doi: 10.1109/ICASSP.2019.8682194.
[10] Qi, Y. Chen, Y. Liu, A. Xu, L. Li, and J. Li, "Radar signal recognition based on deep convolutional neural network in complex electromagnetic environment”, 2022 3rd China International SAR Symposium (CISS), Shanghai, China, 2022, pp. 1-5, doi: 10.1109/CISS57580.2022.9971410.
[11] Quan, Z. Tang, X. Wang, W. Zhai, and C. Qu. “LPI Radar Signal Recognition Based on Dual-Channel CNN and Feature Fusion”, Symmetry, vol. 14, no. 3, p.570, 2022. https://doi.org/10.3390/sym14030570.
[12] Cheng, Y. Fan, S. Fang, M. Wang, and H. Liu. “ResNet-AE for Radar Signal Anomaly Detection”, Sensors, vol. 22, no. 16, pp.6249, 2022. https://doi.org/10.3390/s2216624.
[13] L. Xia, L. Wang, Z. Xie, and X. Gao.”GA-Dueling DQN Jamming Decision-Making Method for Intra-Pulse Frequency Agile Radar”, Sensors, vol. 24, no. 4, pp. 1325, 2024, doi: 10.3390/s24041325.
##plugins.themes.academic_pro.article.sidebar##
