Nghiên cứu thuật toán nâng độ chính xác nhận dạng các tín hiệu thông tin
Tóm tắt: 4
| 
PDF: 8 
##plugins.themes.academic_pro.article.main##
Author
Từ khóa:
Tóm tắt
Bài báo này đề xuất thuật toán mới để nâng cao độ chính xác khi nhận dạng các tín hiệu thông tin liên lạc. Thuật toán đề xuất tập trung nghiên cứu các tín hiệu điều chế tương tự và điều chế số sử dụng trong các hệ thống thông tin. Thuật toán đề xuất gồm có 2 bước chính: bước một sử dụng phân tích Wavelet để trích xuất đặc trưng tín hiệu. Mạng nhân tạo học sâu được thiết kết trong bước 2 để nhận dạng các tín hiệu. Hiệu quả của thuật toán đề xuất được đánh giá bằng tín hiệu trong MATLAB và so sánh với các phương pháp trích xuất đặc trưng thông dụng: biến đổi Fourier thời gian ngắn, phân bố Wigner-Ville và các cấu trúc mạng khác như mạng SqueezeNet, AlexNet. Các kết quả mô phỏng cho thấy, thuật toán đề xuất đạt độ chính xác khi nhận dạng cao nhất (92%) so với các phương pháp STFT và WVD. Trong khi so sánh với các cấu trúc mạng có sẵn, phương pháp đề xuất cho thời gian huấn luyện giảm đi 1,5 lần nhưng độ chính xác nhận dạng tương đương.
Tài liệu tham khảo
-
[1] A. Poisel, Information Warfare and Electronic Warfare Systems, Artech House, London, UK, 2013. ISBN: 9781608077052.
[2] K. R. Yarlagadda, Analog and Digital Signal and Systems, Springer, New York, USA, 2010. ISBN: 9781441900333.
[3] Graham, Communications, Radar and Electronic Warfare, John Wiley and Sons, West Sussex, UK, 2011. ISBN: 9780470688717.
[4] N. Trefethen, Spectral Methods in MATLAB, SIAM, Philadelphia, USA, 2011. ISBN: 978-0-89871-465-4.
[5] M. Duong, J. Vesely, P. Hubacek, P. Janu, and X. L. Tran, “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.
[6] M. Duong, J. Vesely, P. Hubacek, P. Janu, and N. G. Phan, “Detection and Parameter Estimation Analysis of Binary Shift Keying Signals in High Noise Environments”, Sensors, vol. 22, no. 9, 2022. https://doi.org/10.3390/s22093203.
[7] J. O’Shea, T. Roy, and T. C. Clancy, "Over-the-Air Deep Learning Based Radio Signal Classification”, IEEE Journal of Selected Topics in Signal Processing, vol. 12, no. 1, pp. 168-179, Feb. 2018, doi: 10.1109/JSTSP.2018.2797022.
[8] A. Harper, M. A. Thornton, and E. C. Larson, “Automatic Modulation Classification with Deep Neural Networks”, Electronics, vol. 12, no. 3962, 2023, https://doi.org/10.3390/electronics12183962.
[9] Qiang, X. Yu, and G. Ruan, “LPI Radar Waveform Recognition Based on Deep Convolutional Neural Network Transfer Learning”, Symmetry, vol. 11, no. 4, pp. 540, 2019, https://doi.org/10.3390/sym11040540.
[10] Hao, Z. Chong, S. Li, and Z. Yamiao, “Research on Radar Signal Recognition Technology Based on Convolution Neural Network”, in Proceedings of the 4th International Conference on Advanced Information Science and System, New York, USA, November 2022, no. 39, pp. 1-6. https://doi.org/10.1145/3573834.357451.
[11] Xia, Z. Ma, and Z. Huang, “Radar Waveform Recognition Based on a Two‐stream Convolutional Network and Software Defined Radio”, IET Radar Sonar Navig. vol. 16, no. 5, pp. 837–851, 2022. https://doi. org/10.1049/rsn2.12224.
[12] Sklar, “Digital Communications Fundamentals and Applications”, 3rd edition, Pearson, New Jersey, USA, 2020. ISBN: 978-0134588568.
[13] M. Walenczykowska, A. Kawalec, and K. Krenc, “An Application of Analytic Wavelet Transform and Convolutional Neural Network for Radar Intrapulse Modulation Recognition”, Sensors, vol. 23, no. 4, 2023. https://doi.org/10.3390/s23041986.
##plugins.themes.academic_pro.article.sidebar##
