Дослідження нейромереж для керування системою software defined radio

ДОСЛІДЖЕННЯ НЕЙРОМЕРЕЖ ДЛЯ КЕРУВАННЯ СИСТЕМОЮ SOFTWARE DEFINED RADIO

STUDY NEUR NETWORKS FOR SOFTWARE DEFINED RADIO CONTROL

 Сторінки: 31-36. Номер: №6, 2021 (303) 
Автори:
ГУЛА І. В.
Хмельницький національний університет
ORCID ID: 0000-0002-4434-5794
e-mail: holmenetwork@gmail.com
ПОЛІКАРОВСЬКИХ О. І.
Одеський національний морський університет
ORCID ID: 0000-0002-1893-7390
e-mail: polalexey@gmail.com
IHOR HULA
Khmelnitskyі National University
OLEKSIY POLIKAROVSKYKH
Odessa National Maritime University
DOI: https://www.doi.org/10.31891/2307-5732-2021-303-6-31-36
Рецензія/Peer review : 19.11.2021 р.
Надрукована/Printed : 30.12.2021 р.

Анотація мовою оригіналу

Наукова стаття присвячена розгляду питань керування системою SDR шляхом розпізнавання видів цифрової модуляції та виконується системою, яка автоматично класифікує вид цифрової модуляції одержуваного сигналу. Запропоновано алгоритм автоматичного розпізнавання видів цифрової модуляції за допомогою багатошарової нейронної мережі. Досліджено вплив шуму в каналі зв’язку на ймовірності розпізнавання видів цифрової модуляції при відомому значенні носійної частоти.
 Ключові слова: розпізнавання цифрової модуляції, багатошарова нейронна мережа, система SDR.

Розширена анотація англійською мовою

The scientific article is devoted to the issues of SDR system control. Software Defined Radio is a system designed for software control of information transmission processes in a radio communication channel. Recognition of digital modulation types is used, which automatically classifies the type of digital modulation of the received signal. The following issues are covered in the article: the analysis of existing approaches in the task of automatic recognition of types of digital modulation is carried out; the analysis and classification of informative features in the task of automatic recognition is carried out the following types of digital modulation: 2-PSK, 4-PSK, 8-PSK, 2-FSK, 8-QAM, 16-QAM, 64-QAM and OFDM.
This article uses a neural network approach based on cumulative characteristics. To solve these problems, the methods of calculation and selection of informative cumulative features described in the developed model of the system of automatic recognition of digital modulation types by means of a neural network on cumulative features at a known value of carrier frequency are described.
A model of the system of automatic recognition of digital modulation types at a known value is constructed carrier frequency. An algorithm for automatic recognition of digital modulation types has been developed using a multilayer neural network.
The influence of noise in the communication channel on the probability of recognizing the types of digital modulation at a known value of the carrier frequency is investigated. It was found that regardless of the type of noise in the communication channel, the law of error distribution in IQ data becomes close to normal. This fact is one important argument for the use of cumulative features in the task of automatic recognition of types of digital modulation. Therefore, the task of automatic recognition of digital modulation types is quite relevant. Further research may be aimed at expanding the range of high-order cumulative features used, due to which it is possible to increase the probability of correct recognition of types of digital modulation, and solving the recognition problem at an unknown value of the frequency and initial phase of the carrier signal.
Keywords: digital modulation recognition, multilayer neural network, SDR system.

References

1. Avedjjan, Э.D. K vыboru kumuljantnykh pryznakov v zadache raspoznavanyja vydov cyfrovoj moduljaciji radyosyghnalov / Э.D. Avedjjan, V.N. Dam // Ynformatyzacyja y svjazj. – 2015. – # 4. – S. 11 – 15.
2. Adzhemov, S.S. Metodы raspoznavanyja vydov cyfrovoj moduljaciji syghnalov v koghnytyvnыkh radyosystemakh / S.S. Adzhemov, N.V. Klenov, M.V. Tereshonok, D.S. Chyrov // Vestnyk Moskovskogho Unyversyteta. Seryja Fyzyka. Astronomyja. – 2015. – # 6. – S. 19 – 27.
3. Bakulyn, M.Gh. Tekhnologhyja OFDM: Uchebnoe posobye dlja vuzov / M.Gh. Bakulyn, B.V. Krejndelyn, A.M. Shloma, A.PShumov. – M.: Ghorjachaja lynyja – Telekom, 2017. – 352 s.
4. Djjakonov, V.P. Scilab polnыj samouchytelj / V.P. Djjakonov. – M.: DMK Press, 2012. – 768 s.
5. Maghda, Ju.S. LabVIEW: praktycheskyj kurs dlja ynzhenerov y razrabotchykov / Ju.S. Maghda. – M.: DMK Press, 2012. – 208 s.
6. Medvedev, V.S. Nejronnыe sety. Scilab 6 / V.S. Medvedev, V.Gh. Potemkyn.- M.: DYALOGh-MYFY, 2001. – 630 s.
7. Khajkyn, S. Nejronnыe sety: polnыj kurs / Khajkyn; per. s anghl. pod red. N.N. Kussulj. – 2-e yzd. – M.: Yzdateljnыj dom “Vyljjams”, 2006. – 1104 s.
8. Marko, M. R. Application of artificial neural networks in classification of digital modulations for software defined radio / M.R.Marko, M.N. Aleksandar, J.N. Natasa // IEEE EUROCON 2009. – P. 1700 – 1706.
9. Taira, S. Automatic classification of QAM signals by neural networks / Taira // Acoustics, Speech, and Signal Processing (ICASSP 01), 2001. -Vol. 2. – P. 1309 – 1312.
10. Young, A. F. Classification of digital modulation types in multipath environshents /A.F. Young // Masters Thesis. Naval Postgraduate Schoo1, Monterey, CA 93943-5000, California. June 2008. P. 1 – 65.