Разработка интеллектуального алгоритма распознавания вида модуляции для системы радиодоступа

Современные системы связи и радиодоступа переживают этап бурного развития, обусловленный повсеместным распространением технологий Интернета Вещей (IoT), мобильной связи пятого и перспективного шестого поколения (5G/6G), а также специализированных сетей (таких как Software-Defined Radio (SDR) и Cognitive Radio (CR)). Ключевой тенденцией является переход к когнитивным и адаптивным системам, способным динамически подстраивать свои параметры, включая тип модуляции, в зависимости от состояния канала связи, уровня помех и требований к трафику. В таких условиях способность автоматически и точно идентифицировать вид модуляции принимаемого сигнала становится не просто полезной функцией, а фундаментальной необходимостью.

Задача автоматического распознавания вида модуляции (Automatic Modulation Classification (AMC)) является критически важным звеном в цепочке обработки сигнала системой радиодоступа. Она лежит в основе интеллектуального демодулятора, обеспечивает работу когнитивных радиостанций, которые должны «понимать» радиообстановку, и используется в системах радиоразведки и мониторинга спектра [1].

Традиционные подходы к решению этой задачи, основанные на анализе экспертных признаков сигнала (таких как мгновенная амплитуда, фаза и частота), показывают хорошую эффективность в условиях высоких значений отношения «сигнал-шум» (ОСШ), однако их производительность резко снижается в зашумленных и многолучевых каналах, характерных для реальных условий эксплуатации [2–4].

В связи с этим, актуальной является задача разработки интеллектуального алгоритма распознавания вида модуляций, обладающего повышенной помехоустойчивостью, адаптивностью и способностью эффективно функционировать в нестабильной среде систем радиодоступа. Одним из направлений для создания таких алгоритмов является использование методов искусственного интеллекта и машинного обучения, а в частности, глубоких нейронных сетей. Эти технологии позволяют автоматически извлекать сложные, иерархические и скрытые закономерности из сырых данных сигнала (I/Q-отсчетов) или их преобразований (спектрограмм), минуя этап формирования признаков.

Виды использованных модуляций

В работе исследовалось три вида модуляций: BPSK, QPSK, QAM-16, которые являются частью стандарта передачи четвертого поколения (LTE).

BPSK (Binary Phase Shift Keying) – это двоичная фазовая манипуляция. Эта форма фазовой модуляции, в которой фаза несущего сигнала изменяется на 0° или 180° в зависимости от информационного бита. На выходе получается сигнал, в котором каждый бит информации кодируется изменением фазы несущего сигнала на одно из двух возможных значений [5].

QPSK (Quadrature Phase Shift Keying) – квадратурная фазовая манипуляция. В этом методе фазовой модуляции фаза несущего сигнала изменяется на одно из четырех возможных значений (45°, 135°, 225°, 315°) в зависимости от 2 информационных битов [6].

QAM-16 (Quadrature Amplitude Modulation) – это метод модуляции, который комбинирует изменение фазы и амплитуды несущего сигнала для кодирования информации. QAM-16 использует 16 различных состояний для передачи 4 информационных бит [7].

Все сигналы, генерируемые этими видами модуляций, можно представить в виде:

s ( t ) = A ( t ) cos ( a t + ф ( t ) ) , (1) где A ( t ) , ^ф ( t ) – амплитуда и фаза, соответствующая передаваемой комбинации битов.

На рисунке 1 представлены сигнальные созвездия видов модуляции, которые были использованы при исследовании.

На рисунке 2 показан пример сигналов, формируемых для последовательности информационных бит b = [ 1100 1011 0111 0000 ] .

-1

BPSK

о 01

QPSK о 00

о

о

-1

о -<--- о 01

-2

-3

-

-1

-2

-2

10 real	12	-2	-1   0 real
О 0010	О 0110	о 1110	QAM16 о 1010
.....6 0011	-4— о 0111	—-О—-1111	.....6..... 1011
О 0001	4— о 0101	<5 1101	О 1001
Q 0000	4------Q------ 0100	- Ъ- -1100	- -< -1000

-4 -3 -2 -1   0    1    2    3    4

real

Рисунок 1. Сигнальные созвездия различных видов модуляций

-4

Например, если передается комбинация [ 1100 ] , то для модуляции:

– BPSK это будет соответствовать передаче следующего сигнала:

s (t ) = cos (at + п), t g[0; T],

s (t ) = cos (at + п), t g( T ;2T ], s (t ) = cos (at + 0), t g( 2T ;3T ],

s (t ) = cos (at + 0), t g(3T;4T ];

– QPSK это будет соответствовать передаче следующего сигнала:

1	1			1		1	1		1	1	1
		0	0		0			0				0	0	0	0

1,0                                                                                                                                           t sbpsk(t)

010₀,,,_,500_{5                                                                                                                                                                                                                                                                                        t}

,

2,0 s qpsk ( t )

101,,,,000

2,0                                                                                                                                            ^t

Рисунок 2. Пример модулированных сигналов

s ( t ) = 2Ccos ( a t + 5л/ 4 ) , t s [ 0;2 T ] , s(t ) = 2Ccos(at + П 4 ) , t e ( 2 T ;4 T ] ;

– QAM-16 это будет соответствовать передаче сигнала:

s (t) = ^ 12 + (-3)2 cos (at + arctan 2 (-3,1)), t e[0;4T ], где T – период передачи бита информации; arctan2 – функция расчета, аналогичная арктангенсу, но с областью определения (-п; п).

Выбор модели нейронной сети

Для исследований была выбрана модель многослойного перцептрона (Multilayered Perceptron, MLP).

MLP состоят из нескольких слоев нейронов, каждый из которых соединен со всеми нейронами предыдущего слоя. MLP подходят для решения задач, где данные не имеют явной структуры, такой как табличные значения, и используются для классификации и регрессии [8]. Для того, чтобы использовать MLP для решения более сложных задач, можно увеличить количество скрытых слоев нейрона. Естественно, при увеличении этих слоёв будет увеличиваться сложность структуры и количество исходных данных. Именно поэтому здесь нужно соблюдать баланс [1; 9; 10].

На рисунке 3 показан пример построения многослойного перцептрона [9].

Входной сигнал

Выходной сигнал

Входной Внутренний Внутренний Выходной слой слой №1 слой №2 слой

Рисунок 3. Структура нейронной сети на основе многослойного перцептрона

Работа нейронной сети разделяется на два основных этапа: прямое распространение и обратное распространение.

Прямое распространение: здесь входные данные проходят через сеть, и каждый нейрон выполняет ряд вычислений. Выход каждого нейрона вычисляется как взвешенная сумма его входов, которая пропускается через функцию активации.

Можно записать формулу для вычисления выхода нейрона в виде:

( yj= f\X WX+ b I,          (2)

\ i=1            )

где y_j – выход j -ого нейрона;

x_i – вход i -ого нейрона;

w_i j – весовой коэффициент, соединяющий вход i -ого нейрона с выходом j -ого нейрона;

f – функция активации;

b – смещение.

Обратное распространение. Этот этап используется для обучения сети. На этом этапе вычисляется ошибка сети (разница между предсказанным и реальным выходом), и эта ошибка распространяется обратно по сети для обновления весов:

^A w j

д L ^— , ^д w j

где A w j - изменение веса w j ;

П — скорость обучения;

L – функция потерь;

5L

– производная функции потерь по весу w_i j .

ij

Производная функции потерь по весу wij может быть вычислена с использованием цепного правила:

дL дL ду дz j дw„ “ ду, дz, дw ’ ij             j j ij

где y_j – выход j -ого нейрона;

z j – взвешенная сумма входов j-ого нейрона;

д L

– производная функции потерь по выходу дyj j-ого нейрона;

y – производная функция активации по взве-дzj шенной сумме входов;

д ^z j

– производная взвешенной суммы входов д w по весу wij .

В нейронной сети есть несколько ключевых параметров. Архитектура сети, которая определяет количество слоев в сети и количество нейронов в каждом слое. Веса и смещения – это параметры, которые сеть оптимизирует во время обучения. Функция активации f определяет выход нейрона на основе его входов. Скорость обучения П определяет, насколько быстро сеть обучается.

На рисунке 4 представлена блок-схема для обучения и проверки алгоритма распознавания видов модуляций, построенного в соответствии с архитектурой многослойного перцептрона.

Рисунок 4. Блок-схема

Результат работы модели

После проведения экспериментов с различными видами перцептронов была выбрана следующая структура:

– входной слой состоит из 2-х входов, принимающих квадратурные составляющие сигналов;

– три скрытых слоя, содержащих 32, 64 и 9 нейронов соответственно;

– выходной слой содержит 3 выходов, которые соответствуют метрикам для трех видов модуляций.

Полученная модель была обучена и протестирована при различных отношениях «сигнал/ шум» ( h ² ).

На рисунке 5 показаны графики зависимости вероятности ошибки (неверного распознавания вида модуляции) p от отношения «сигнал/шум» h ² .

10 ⁰ 10 ^-1 10 ^-2 10 ^-3 10 ^-4 10 ^-5 10 ^-6 10 ^-7 10 ^-8 10 ^-9

Рисунок 5. График вероятностей ошибок для каждого вида модуляций

Выводы

Проведенное компьютерное моделирование показывает следующее:

• 1.    При отношении «сигнал/шум» равном 5 дБ, вероятность ошибки распознавания вида модуляции составляет не более 0,01.

• 2.    Вероятность ошибки распознавания BPSK выше, чем у QPSK, а у QPSK выше, чем у QAM16. Это объясняется тем, что модуляция QAM16 имеет большее количество состояний (рисунок 1), которые отсутствуют в QPSK, поэтому вероятность верного распознавания выше за счет этих «дополнительных» состояний. Модуляция BPSK распознается с наибольшей вероятностью ошибки несмотря на то, что ее состояния не совпадают с состояниями QPSK/QAM-16 (рисунок 1). Однако расстояние между сигнальными состояниями в BPSK меньше, чем у QPSK/ QAM-16, что и приводит к повышению количества ошибок распознавания.

Заключение

Таким образом, с помощью нейронной сети процесс определения видов модуляций становится автоматизированным. Нейронная сеть позволяет распознавать различные виды модуляций при различной мощности шума (которая неизвестна на этапе обработки), что подтверждает ее эффективность. Это позволяет использовать разработанный алгоритм в различных областях связи.

Также результаты показывают, что имеется большой потенциал для дальнейшего улучшения и оптимизации модели, включая повышение точности распознавания и скорости обучения.

Дальнейшей перспективой этого исследования является распознавание модуляций более высокого порядка, таких как QAM-32, QAM-64, QAM-128, что позволит использовать разработанный алго- ритм в практических приложениях, например, для улучшения качества связи в системах связи четвертого и пятого поколения, если информация об используемой модуляции была утеряна или искажена при передаче. Исследования могут быть полезны для разработчиков соответствующих систем.