Сибирский федеральный университет

Тип публикации: статья из журнала

Год издания: 2024

Идентификатор DOI: 10.30898/1684-1719.2024.1.5

Ключевые слова: digital signal processing, radio receiver, neural network, multilayer perceptron, interference immunity, optimal reception of radio signals, цифровая обработка сигнала, радиоприёмник, демодулятор, нейронная сеть, многослойный персептрон, помехоустойчивость, оптимальный прием радиосигналов

Аннотация: Одним из направлений цифровой обработки сигнала, применяемых в радиоприёмниках и исследуемых в настоящее время, является применение искусственных нейронных сетей. Приём сигналов - одна из наиболее сложных теоретических и инженерных задач передачи сообщений. Сложность состоит в том, что сообщения необходимо извлекать из модулированных сигналов, которые в радиоканале подвергаются воздействиям различных искажающих факторов и помех. Поэтому желательно располагать методами приёма, которые были бы наилучшими (оптимальными) в данных конкретных условиях. Существует множество различных топологий нейронных сетей. Известны, однослойные и многослойные прямого распространения - персептроны, рекуррентные сети, самоорганизующиеся сети, а также сети гибридного вида (радиально-базисные, иерархические классификаторы). Каждый из перечисленных видов топологий обладает своими преимуществами и недостатками. В статье проводится анализ текущих исследований и разработок в данной области. Показана реализация радиоприёмника (демодулятора) на основе многослойного персептрона и проведено обучение нейронной сети. С применением оборудования National Instruments стандарта PXI проведено исследование, которое показало, что в сравнении с оптимальным приёмником, вероятность битовой ошибки у приёмника на основе нейронной сети выше. Работа приёмника при воздействии гармонических помех показала, что при увеличении мощности помехи, вероятность ошибки BER возрастает, и чем ближе помеха к несущей частоте, тем BER так же становится выше. Тем не менее, исследуемый цифровой приёмник на основе нейронной сети сохраняет работоспособность при значительных уровнях помех, находящихся достаточно близко к несущей частоте полезного сигнала. One of the areas of digital signal processing used in radio receivers and currently being investigated is the use of artificial neural networks. Signal reception is one of the most difficult theoretical and engineering problems in message transmission. The difficulty lies in the fact that messages need to be extracted from modulated signals, which are exposed to various distorting factors and interference in the radio channel. Therefore, it is desirable to have methods of reception that would be the best (optimal) in the given conditions. There are many different neural network topologies. Single-layer and multi-layer direct propagation are known - perceptrons, recurrent networks, self-organizing networks, as well as hybrid networks (radial-basis, hierarchical classifiers). Each of these types of topologies has its own advantages and disadvantages.The article analyzes current research and development in this area. The implementation of a radio receiver (demodulator) based on a multilayer perceptron is shown and the neural network is trained. Using National Instruments PXI equipment, a study was carried out, which showed that in comparison with an optimal receiver, the probability of a bit error in a receiver based on a neural network is higher, but insignificant. The operation of the receiver under the influence of harmonic interference showed that as the power of the interference increases, the probability of a BER error increases, and the closer the interference is to the carrier frequency, the higher the BER also becomes. Nevertheless, the neural network-based digital receiver under study remains operational at significant levels of interference that are close enough to the carrier frequency of the desired signal.

Журнал: Журнал радиоэлектроники

Выпуск журнала: №1

ISSN журнала: 16841719

Место издания: Москва

Издатель: Институт радиотехники и электроники им. В.А. Котельникова РАН

• Евстратько В.В. (Сибирский федеральный университет)
• Коноваленко А.И. (Сибирский федеральный университет)
• Мишуров А.В. (Сибирский федеральный университет)
• Юхманов А.Д. (Сибирский федеральный университет)

• Ядро РИНЦ (eLIBRARY.RU)
• Список ВАК