ИСПОЛЬЗОВАНИЕ I/Q-ПРЕДСТАВЛЕНИЯ РАДИОСИГНАЛА В ЗАДАЧАХ НЕЙРОСЕТЕВОГО ОБНАРУЖЕНИЯ

USING THE I/Q REPRESENTATION OF A RADIO SIGNAL IN NEURAL NETWORK DETECTION TASKS

Bezhnar Alexey Sergeevich

Student, Tver State Technical University, Russia, Tver

Kemaykin Valery Konstantinovich

Candidate of Technical Sciences, Associate Professor, Tver State Technical University, Russia, Tver

Введение

При обработке радиосигналов приёмник часто работает не с заранее известным сообщением, а с коротким фрагментом отсчётов, по которому необходимо определить сам факт присутствия полезного сигнала. Такая постановка особенно сложна при низком отношении сигнал/шум, когда энергетические различия между шумом и сигналом выражены слабо. Классические методы обнаружения, например энергетический детектор и согласованный фильтр, хорошо описаны теоретически, но их применение часто связано с дополнительными предположениями: требуется знать уровень шума, форму сигнала или параметры канала [4]. Поэтому в задачах радиомониторинга и обработки сигналов всё чаще рассматриваются методы машинного обучения, способные извлекать признаки непосредственно из данных [3], [5], [6]. Однако здесь сразу возникает важный вопрос: в каком виде подавать радиосигнал на вход нейросети?

Цель статьи – рассмотреть I/Q-представление как входной формат для нейросетевого обнаружителя и показать, какие свойства такого представления делают его удобным при анализе радиосигналов в условиях шума.

Основная часть

I/Q-представление основано на описании радиосигнала через его комплексную огибающую. В дискретной форме принимаемый сигнал может быть записан следующим образом:

где  – синфазная составляющая;

 – квадратурная составляющая;

 – мнимая единица;

t – номер отсчёта.

Такое представление позволяет перенести полосовой сигнал в базовую полосу и сохранить при этом информацию об амплитуде и фазе. Иначе говоря, I/Q-отсчёты описывают не только энергию сигнала, но и его внутреннюю структуру, связанную с изменением комплексной огибающей во времени.

Рисунок 1. Разложение сигнала на синфазную I и квадратурную Q составляющие: Зелёный цвет – модулированный сигнал; красный – Q; синий – I

Для нейросетевых моделей I/Q-данные удобны тем, что они могут быть поданы на вход в виде массива размера , где t – длина окна наблюдения. При такой организации входа одна последовательность содержит значения , а вторая . Структурная схема квадратурного модулятора показана на рисунке 2.

Рисунок 2. Структурная схема квадратурного демодулятора

Далее сверточная нейронная сеть анализирует локальные зависимости между отсчётами и выявляет признаки, которые позволяют отличить наличие сигнала от его отсутствия. В отличие от заранее рассчитанных статистик, здесь используется более общий подход: модель обучается на исходных данных и сама формирует информативное внутреннее представление.

Здесь важно не упустить одну деталь. Нейросеть не получает заранее подготовленный энергетический или спектральный признак. Она работает с более исходной формой данных и сама выделяет информативные зависимости. Это не отменяет ценность классических методов, но меняет логику обработки: вместо ручного выбора признаков используется обучаемое представление сигнала.

Особенно заметно это проявляется в задаче обнаружения. При классификации модуляций обычно предполагается, что сигнал уже присутствует, а модель должна определить его тип. При обнаружении ситуация иная: сначала требуется установить сам факт наличия полезного сигнала. Формально такая задача сводится к проверке двух гипотез:  – сигнал отсутствует,  – сигнал присутствует. В нейросетевой постановке модель получает окно I/Q-отсчётов и формирует выходную оценку, которую можно интерпретировать как вероятность принадлежности наблюдаемого фрагмента к гипотезе . Если эта оценка превышает выбранный порог, принимается решение о наличии сигнала; если нет – фиксируется отсутствие полезной составляющей.

Использование I/Q-представления в задачах глубокого обучения получило заметное развитие прежде всего в исследованиях, связанных с распознаванием радиомодуляций. Так, T. O’Shea, J. Corgan и T. Clancy показали, что свёрточные сети могут обучаться непосредственно на комплексных временных рядах и использоваться для анализа радиосигналов [5]. Позднее T. O’Shea и J. Hoydis рассмотрели более широкий круг задач физического уровня связи и также отметили возможность применения нейросетевых моделей к «сырым» I/Q-отсчётам без предварительного ручного конструирования признаков [6]. Эти работы не решают задачу обнаружения в рассматриваемой здесь форме напрямую. Тем не менее они подтверждают важный общий тезис: комплексные отсчёты являются содержательной и пригодной формой представления радиосигнала для нейросетевой обработки.

Преимущества I/Q-представления в задаче обнаружения можно свести к нескольким положениям. Во-первых, сохраняется амплитудно-фазовая структура сигнала, тогда как при переходе только к амплитуде часть информации неизбежно теряется. Во-вторых, такое представление хорошо согласуется с цифровым радиоприёмом, поскольку многие SDR-системы изначально работают с комплексными отсчётами базовой полосы. В-третьих, I/Q-формат позволяет использовать одномерные свёрточные сети, которые анализируют локальные временные зависимости и не требуют заранее жёстко заданного набора признаков.

Однако не всё так однозначно. Более полное входное описание само по себе не гарантирует высокого качества обнаружения. Если обучающая выборка плохо отражает реальные условия работы системы, нейросеть может выучить не устойчивые свойства сигнала, а особенности конкретного набора данных. Для радиосигналов эта проблема особенно чувствительна: уровень шума, параметры канала, аппаратные искажения и даже способ формирования выборки могут заметно повлиять на структуру I/Q-отсчётов. В работе J. Snoap, D. Popescu и C. Spooner рассматривается проблема обобщающей способности моделей, обученных на raw I/Q-данных, при переносе между различными наборами сигналов [7]. Следовательно, при построении нейросетевого обнаружителя важно учитывать не только архитектуру модели, но и реалистичность данных, на которых она обучается.

Отдельного внимания заслуживает сравнение I/Q-представления с другими способами описания сигнала. В литературе используются спектрограммы, амплитудно-фазовые представления, признаки на основе кратковременного преобразования Фурье и различные статистические характеристики [3], [4]. У каждого из этих подходов есть своя область применения. Например, спектрограмма может быть удобна, если требуется явно отразить частотно-временную структуру сигнала. Амплитудно-фазовое представление может оказаться полезным, когда исследователя интересуют изменения фазы и огибающей. Или если использовать только амплитудучасть фазовой информации будет потеряна. В некоторых задачах это допустимо, однако при низком SNR и наличии фазовых искажений такая потеря может снизить различимость классов.

В общем, I/Q-отсчёты имеют важное отличие: они являются наиболее близкой к исходной форме цифрового описания сигнала и не требуют дополнительного преобразования, которое может как выделить полезные особенности, так и скрыть часть структуры.

Если связать изложенное с задачей обнаружения радиосигнала при низком отношении сигнал/шум, можно сделать следующий вывод. I/Q-представление является удобным компромиссом между физической содержательностью и вычислительной применимостью. С одной стороны, оно сохраняет комплексную природу радиосигнала. С другой – достаточно просто преобразуется во входной массив для CNN. Благодаря этому обнаружитель может работать до этапа демодуляции и использовать исходные цифровые отсчёты приёмника.

Заключение

Проведённый анализ показывает, что I/Q-представление радиосигнала является обоснованным форматом входных данных для нейросетевого обнаружения. Его основное достоинство состоит в сохранении амплитудно-фазовой структуры сигнала, благодаря чему модель получает возможность извлекать признаки непосредственно из комплексных отсчётов, а не только из заранее рассчитанных статистик. Это особенно важно в условиях низкого отношения сигнал/шум и неполной информации о параметрах принимаемого сигнала.

В то же время эффективность данного подхода определяется не только выбором представления, но и качеством обучающих данных, архитектурой нейросети и устойчивостью модели к изменению сигнально-помеховой обстановки. Поэтому дальнейшее исследование целесообразно направить на сравнение I/Q-представления с амплитудно-фазовыми и частотно-временными формами данных в единой задаче обнаружения при фиксированных значениях отношения сигнал/шум и вероятности ложной тревоги.