ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОБНАРУЖЕНИЯ ИНФОРМАТИВНОГО РАДИОСИГНАЛА В УСЛОВИЯХ ПОМЕХ

APPLICATION OF MACHINE LEARNING METHODS TO DETECT INFORMATIVE RADIO SIGNAL IN INTERFERENCE CONDITIONS

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

Приёмное устройство в радиотехнической системе часто должно принять решение не о содержании сообщения, а о факте присутствия полезного сигнала в наблюдаемом интервале. Эта задача усложняется при низком отношении сигнал/шум, когда различия между реализациями с сигналом и без сигнала становятся слабо выраженными. На практике эта задача осложняется тем, что радиоканал редко соответствует идеализированной модели: на сигнал влияют аддитивный шум, многолучевое распространение, изменение фазы и амплитуды, импульсные помехи и возможный доплеровский сдвиг. Классические методы обнаружения, включая согласованный фильтр, корреляционный и энергетический обнаружители, строятся на заранее заданном решающем правиле; их преимущество состоит в математической определенности, поскольку можно задать порог и оценить вероятности правильного обнаружения и ложной тревоги [4]. Однако эффективность таких методов зависит от того, насколько принятая модель сигнала и шума соответствует реальным условиям приема.

Поэтому в работе рассматривается обучаемый обнаружитель, который формирует решающее правило по примерам сигналов, прошедших через модель радиоканала.

Цель статьи – рассмотреть возможность применения машинного обучения для обнаружения информативного радиосигнала и описать модельный эксперимент, позволяющий проверить работоспособность такого подхода.

Постановка задачи обнаружения

Задача обнаружения радиосигнала может быть записана как проверка двух гипотез:

где  – наблюдаемый ряд;

 – аддитивный шум;

 – полезный сигналж;

t – номер отсчёта.

При гипотезе  полезный сигнал отсутствует, а при гипотезе  он присутствует в наблюдаемом фрагменте.

Для реального радиоканала такая запись является упрощённой. Сигнал может приходить с задержкой, изменённой фазой и случайной амплитудой. Кроме того, помеха не всегда является только гауссовским шумом. Поэтому модель наблюдения можно представить в более общем виде:

где  – коэффициент изменения амплитуды;

 – задержка;

 – фазовое искажение;

 – дополнительная помеховая составляющая.

В терминах машинного обучения данная задача сводится к бинарной классификации. Каждому входному фрагменту сигнала ставится в соответствие метка:

Тогда модель должна построить отображение

где  – входное представление сигнала;

 – выходная оценка наличия полезного сигнала;

 – обучаемые параметры.

Решение принимается по порогу  если выход модели превышает порог, принимается гипотеза , иначе – гипотеза .

Стоит отметить, что машинное обучение не отменяет саму логику порогового обнаружения. Модель лишь формирует оценку наличия сигнала, а итоговое решение по-прежнему должно приниматься с учётом выбранного критерия.

Представление сигнала и схема эксперимента

В качестве входных данных использовалось I/Q-представление радиосигнала. Комплексная реализация в этом случае задаётся двумя компонентами: синфазной (I) и квадратурной (Q). Такое представление сохраняет информацию об амплитуде и фазе и позволяет работать с исходной структурой сигнала без обязательного перехода к спектрограмме.

Пусть окно наблюдения содержит N комплексных отсчётов. Тогда вход модели можно представить в виде матрицы:

В эксперименте использовалось окно длиной (N=128) комплексных отсчётов. Это сравнительно небольшой фрагмент, но он уже содержит локальную структуру сигнала, по которой можно судить о наличии или отсутствии полезной составляющей.

Для проверки подхода была сформирована схема эксперимента. Она состоит в получении набора входных реализаций с заранее известной меткой: “сигнал отсутствует” или “сигнал присутствует”. Такая постановка позволяет обучить модель и затем проверить, насколько уверенно она разделяет два класса.

Рисунок 1. Схема модельного эксперимента по обнаружению радиосигнала

Набор данных формировался для двух классов. Класс  включает реализации, содержащие шум и помехи без полезного сигнала. Класс  включает реализации, в которых полезный сигнал присутствовал на фоне шумов и искажений радиоканала. Для приближения задачи к реальным условиям в модель включались аддитивный шум, рэлеевские замирания, доплеровский сдвиг и импульсные помехи.

Архитектура нейронной сети

Для обработки I/Q-последовательностей использовалась свёрточная нейронная сеть. Выбор такой архитектуры связан с тем, что свёрточные слои позволяют выделять локальные изменения во временной последовательности: амплитудные выбросы, фазовые переходы и устойчивые сочетания I/Q-компонент [5]. На мой взгляд, это особенно важно для задачи обнаружения, поскольку полезный сигнал в условиях помех проявляется не как идеально сохранённая форма, а как совокупность признаков, распределенных по окну наблюдения.

Входной слой сети принимает матрицу I/Q-отсчетов размерности 2x128. Далее данные проходят через свёрточные блоки, в которых выполняется выделение локальных признаков. После этого признаки агрегируются и передаются в классификационный слой, формирующий выходную оценку принадлежности реализации к классу . Итоговое решение принимается не напрямую по выходу сети, а после сравнения этой оценки с порогом .

Рисунок 2. Архитектура нейронной сети для обнаружения радиосигнала

Оценка результатов модельного эксперимента

Цель эксперимента состояла в проверке принципиальной возможности использовать машинное обучение для обнаружения сигнала при низком отношении сигнал/шум. Поэтому основным вопросом было следующее: способна ли обучаемая модель разделять реализации классов  и , если полезный сигнал искажён радиоканалом и скрыт помехами?

Для оценки использовалась ROC-кривая и показатель AUC. Такой выбор связан с тем, что в задаче обнаружения важна не только общая доля правильных ответов, но и соотношение между вероятностью правильного обнаружения и вероятностью ложной тревоги. При изменении порогамодель может давать больше обнаружений, но одновременно возрастает риск ложных срабатываний. Поэтому анализ результата должен быть связан именно с пороговой природой задачи.

По результатам тестирования значение AUC составило 0,8374. Это означает, что выходные оценки модели в целом позволяют различать реализации с полезным сигналом и реализации, содержащие только шум и помехи. Иначе говоря, полученное значение AUC показывает, что на тестовой выборке выходные оценки модели позволяют различать реализации двух классов.

Таблица 1

Параметры и результат модельного эксперимента

Рисунок 3. ROC-кривая обучаемой модели при обнаружении радиосигнала

Полученный результат показывает, что обучаемая модель смогла сформировать разделяющее правило для двух классов в условиях низкого отношения сигнал/шум. На тестовой выборке значение AUC составило 0,8364, что указывает на достаточно выраженную разделимость реализаций, содержащих полезный сигнал, и реализаций, соответствующих шуму и помехам. При этом порог обнаружения  = 0,956644, выбранный по критерию ограничения ложной тревоги, обеспечил фактическое значение = 0,1020, близкое к заданному уровню = 0,1. Вероятность правильного обнаружения при этом составила = 0,6285.

Заключение

В ходе выполнения работы была достигнута поставленная цель – рассмотрена возможность применения методов машинного обучения для обнаружения информативного радиосигнала в условиях помех. Для этого задача обнаружения была представлена как бинарная классификация, а в качестве входных данных использовано I/Q-представление радиосигнала, позволяющее сохранить информацию об амплитудной и фазовой структуре принимаемой реализации. Проведённый модельный эксперимент при длине окна N=128 комплексных отсчётов и SNR = −5 дБ показал, что обучаемая модель способна разделять классы: значение AUC составило 0,8364, а при целевом уровне ложной тревоги вероятность правильного обнаружения достигла = 0,6285.

Полученные результаты позволяют рассматривать нейросетевой подход как основу для дальнейшего развития методов обнаружения радиосигналов. Полученный результат не следует рассматривать как доказательство превосходства CNN над классическими обнаружителями, однако он показывает, что при заданных условиях модель способна разделять классы