ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ ДЛЯ ОБНАРУЖЕНИЯ И КЛАССИФИКАЦИИ РАДИОПОМЕХ

Современные радиотехнические системы работают в условиях усложняющейся электромагнитной обстановки, что повышает вероятность возникновения радиопомех и ухудшения качества передачи информации. Традиционные методы их обнаружения и анализа обычно основаны на заданных порогах и заранее определённых характеристиках сигнала. Однако при низком отношении сигнал/шум, изменении параметров помех и появлении новых типов воздействий эффективность таких методов может снижаться.

Перспективным решением является применение методов искусственного интеллекта и машинного обучения, способных автоматически выявлять характерные признаки радиопомех и определять их тип. Целью статьи является анализ возможностей применения методов искусственного интеллекта для автоматизированного обнаружения и классификации радиопомех, а также оценка преимуществ и ограничений их использования при обработке радиосигналов.

Радиопомехой называют нежелательный электромагнитный сигнал или воздействие, которое ухудшает качество приёма и обработки полезного радиосигнала. В зависимости от происхождения и характера воздействия их можно разделить на несколько основных групп:

• по происхождению: естественные (атмосферные, космические, тепловые) и искусственные, возникающие вследствие работы радиоэлектронных средств или преднамеренного воздействия;
• по спектральным характеристикам: узкополосные, широкополосные и полосовые;
• по характеру во времени: непрерывные, импульсные, периодические и непериодические;
• по характеру воздействия: маскирующие, имитирующие и деструктивные.

Для автоматического обнаружения и классификации радиопомех необходимо выделить признаки, по которым они отличаются от полезного сигнала и фонового шума. Основными группами таких признаков являются временные, спектральные и статистические характеристики.

Временные характеристики описывают изменение сигнала во времени. К ним относятся длительность воздействия, форма импульсов, период повторения, частота следования импульсов, время нарастания и спада, а также наличие периодичности.

Спектральные характеристики отражают распределение энергии сигнала по частоте. К основным параметрам относятся центральная частота, ширина занимаемой полосы, форма спектра и уровень мощности в различных частотных областях. Узкополосная помеха обычно проявляется в виде выраженного пика в ограниченной полосе частот, в то время как широкополосная характеризуется распределением энергии на значительном диапазоне.

Статистические характеристики позволяют описать свойства радиопомехи с точки зрения распределения её амплитуд и мощности. К ним относятся среднее значение, дисперсия, среднеквадратичное значение, максимальная и средняя мощность, а также характеристики распределения амплитуд. Дополнительно могут использоваться коэффициент асимметрии, эксцесс и корреляционные характеристики.

На практике радиопомеха часто наблюдается одновременно с полезным сигналом и фоновым шумом, вследствие чего её характеристики могут быть частично скрыты или искажены. Особенно сложной задача становится при низком отношении сигнал/шум, когда различия между полезным сигналом, шумом и помехой становятся менее выраженными. Поэтому для повышения надёжности обнаружения целесообразно использовать совокупность временных, спектральных и статистических признаков.

Применение искусственного интеллекта для обнаружения и классификации радиопомех представляет собой последовательный процесс, включающий получение радиосигнала, его предварительную обработку, формирование признакового представления, анализ с помощью модели машинного обучения и принятие итогового решения.

На этапе предварительной обработки из исходного радиосигнала удаляются или уменьшаются нежелательные составляющие, способные ухудшить работу алгоритма. В зависимости от конкретной задачи могут выполняться фильтрация, нормализация амплитуды, удаление постоянной составляющей, изменение частоты дискретизации и разделение непрерывного сигнала на отдельные временные фрагменты. После этого данные необходимо представить в форме, удобной для алгоритма машинного обучения.

Выбор алгоритма ИИ зависит от структуры исходных данных и поставленной задачи. Для классификации спектрограмм широко применяются свёрточные нейронные сети (CNN), способные автоматически выделять локальные пространственно-частотные признаки. Для анализа последовательностей отсчётов могут использоваться рекуррентные нейронные сети (RNN) и их модификации [2, c. 52-56].

Применение нейронных сетей позволяет разделить задачу анализа радиосигналов на два последовательных этапа: обнаружение наличия помехи и определение её типа. На первом этапе модель должна установить, присутствует ли в исследуемом фрагменте радиосигнала помеха.

Для обучения нейронной сети формируется размеченная выборка, содержащая примеры радиосигналов с различными типами помех и без них. Каждый пример должен иметь соответствующую метку класса. Для повышения устойчивости модели в выборку рекомендуется включать сигналы с различным уровнем мощности, отношением сигнал/шум, центральной частотой и длительностью воздействия [3].

После формирования выборки данные разделяют на обучающую, валидационную и тестовую части. На обучающей выборке модель настраивает свои параметры, валидационная часть используется для выбора архитектуры и гиперпараметров, а тестовая – для итоговой оценки качества [3].

Одним из наиболее важных факторов, влияющих на качество классификации, является отношение сигнал/шум (SNR). При высоком SNR характерные признаки помехи хорошо различимы, поэтому нейронная сеть обычно обеспечивает более высокую точность. При снижении SNR полезный сигнал и помеха сильнее маскируются шумом, что приводит к увеличению количества ошибок. Кроме того, на результат могут влиять условия распространения радиоволн, многолучевость, замирания, затухание и изменение характеристик канала. Поэтому для получения устойчивой модели обучающая выборка должна отражать широкий диапазон возможных условий работы [1, с. 37-43].

Практическая система обнаружения и классификации радиопомех с использованием ИИ представляет собой последовательность взаимосвязанных функциональных блоков. На первом этапе радиосигнал поступает от антенной системы на приёмное устройство, где выполняется его усиление, фильтрация и оцифровка с помощью аналого-цифрового преобразователя. Полученный цифровой сигнал передаётся в вычислительную систему для дальнейшей обработки [4, С. 121-129].

На следующем этапе выполняется предварительная обработка сигнала: удаление нежелательных составляющих, нормализация, фильтрация и разделение на отдельные временные фрагменты. Затем из сигнала формируется представление, используемое моделью ИИ [4, С. 121-129].

После подготовки данных сигнал поступает на модель искусственного интеллекта, которая определяет наличие помехи и, при необходимости, её тип.

Несмотря на высокую эффективность методов искусственного интеллекта, их применение для обнаружения и классификации радиопомех связано с рядом ограничений. Одной из основных проблем является недостаток качественных размеченных данных, охватывающих различные типы помех, уровни сигнала и условия распространения. Кроме того, характеристики радиопомех могут изменяться со временем, а появление новых типов сигналов приводит к снижению эффективности моделей, обученных на ограниченном наборе классов. Сложные нейронные сети также требуют значительных вычислительных ресурсов, что может затруднять их использование непосредственно на приёмном оборудовании.

Применение методов искусственного интеллекта открывает возможности для автоматизированного обнаружения и классификации радиопомех на основе их временных, спектральных и статистических характеристик. По сравнению с традиционными методами ИИ обладает большей гибкостью при работе со сложными сигналами и изменяющимися условиями. При этом эффективность таких систем напрямую зависит от качества обучающих данных, выбранной архитектуры модели и условий её применения. Перспективными направлениями дальнейших исследований являются повышение устойчивости моделей к шумам и неизвестным типам помех, использование методов transfer learning и самообучения, а также разработка компактных моделей для работы непосредственно на периферийных устройствах. Дальнейшее развитие этих подходов позволит создавать более адаптивные системы мониторинга радиочастотного спектра, способные работать в реальном времени.