Исследование нелинейной цифровой фильтрации сигналов с использованием генеративно-состязательной нейронной сети

Дмитрий Эдуардович Цибулис, Андрей Николаевич Рагозин, Станислав Никифорович Даровских, Аскар Зайдакбаевич Кулганатов

Аннотация


В статье приведены результаты исследования, а также структурные схемы и параметры составляющих генеративно-состязательной нейронной сети. Приведены графические изображения результатов фильтрации радиотехнических сигналов. Сделаны выводы о возможностях применения данных нейронных сетей. Цель исследования: обоснование возможностей использования генеративносостязательных искусственных нейронных сетей для решения задач цифровой обработки радиотехнических сигналов. Материалы и методы. Для оценки результатов цифровой фильтрации зашумленных сигналов использовался метод математического моделирования в среде MATLAB. В качестве тестовых сигналов были взяты: синусоида, сигнал в виде суммы синусоид, модель реального радиотехнического информационного сигнала. В качестве шумовой составляющей используется белый гауссовский шум. Также проводится фильтрация сигнала, в котором отсутствует фрагмент определенной длинны. Была сгенерирована обучающая выборка для нейронной сети генератора, состоящая из зашумленных тестовых сигналов. Была также сгенерирована обучающая выборка нейронной сети дискриминатора, состоящая из тестовых сигналов, не содержащих шума. Результаты. На основе проведенного моделирования сделан вывод о том, что генеративно-состязательная нейронная сеть успешно решает задачи выделения полезного сигнала в смеси его с шумом различной физической природы. Такая нейросетевая структура способна также восстановить полезный сигнал, если в нем отсутствует какая-либо часть в результате воздействия внешних помех. Заключение. Существующие методы цифровой фильтрации радиотехнических сигналов требуют определенных трудовых и временных затрат, связанных с расчетом цифровых фильтров. Также при проектировании фильтров высоких порядков возникает сложность при проведении расчета данных фильтров. Идея использования нейронной сети в задачах фильтрации позволяет значительно уменьшить время проектирования фильтра, упростив, таким образом, процесс его реализации. Нейронная сеть, являющаяся самообучаемой системой, может находить решения, недоступные для обычных алгоритмов цифровой фильтрации. Результаты данной работы могут найти свое применение в области цифровой обработки сигналов и в развитии программно-конфигурируемого радио.

Ключевые слова


генеративно-состязательная сеть; генератор; дискриминатор; цифровой фильтр; информационный сигнал; радиотехнический сигнал

Полный текст:

PDF

Литература


Цибулис Д.Э., Рагозин А.Н., Даровских С.Н. Исследование цифровой фильтрации информационного сигнала с использованием искусственной нейронной сети автокодировщика // Инфокоммуникационные технологии: актуальные вопросы цифровой экономики: сб. науч. тр. II Междунар. науч.-практ. конф., Екатеринбург, 26–27 января 2022 года / под ред. В.П. Шувалова., сост. М.П. Карачарова. 2022. С. 144–149. EDN MNBGOL.

Цибулис Д.Э., Рагозин А.Н. Анализ информационных сигналов с использованием генеративно-состязательных нейронных сетей // Безопасность информационного пространства: сб. тр. XIX Всерос. науч.-практ. конф. студентов, аспирантов и молодых ученых, Екатеринбург, 08–11 декабря 2020 года. 2021. С. 40–44. EDN BCYSYJ.

Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с англ. А. А. Слинкина. 2-е изд., испр. М.: ДМК Пресс, 2018. 652 с.

Зеленский А.А., Письменскова М.Н., Воронин В.В. Алгоритм поиска изображений в виде хэш-функций на основе глубинных нейросетевых технологий // Доклады Томского государственного университета систем управления и радиоэлектроники. 2018. Т. 21, № 3. С. 57–62.

Акинина А.Н., Никифоров М.Б. Алгоритм детектирования несанкционированных свалок мусора на основе анализа данных дистанционного зондирования Земли // Известия Тульского государственного университета. Технические науки. 2019. № 10. С. 321–329.

Анализ методов многомодального объединения информации для аудиовизуального распознавания речи / Д.В. Иванько, И.С. Кипяткова, А.Л. Ронжин, А.А. Карпов // Научно-технический вестник информационных технологий, механики и оптики. 2016. Т. 16, № 3. С. 387–401.

Детектирование неизвестных звуков для людей с нарушенным слухом на основе вариационного автоэнкодера / А.Х. Сарафасланян, В.В. Чепраков, Д.А. Суворов и др. // Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. 2019. № 1 (124). С. 35–49.

Generative Adversarial Networks / I. Goodfellow, J. Pouget-Abadie, M. Mirza et al. Department of Computer Science and Research, University of Montreal. Montreal. QC H3C 3J7.

Arjovsky M., Chintala S., Bottou L. Wasserstein GAN. 06.12.2017. [Электронный ресурс]. URL: https://arxiv.org/pdf/1701.07875.pdf.

Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks / Jun-Yan Zhu, Taesung Park, Phillip Isola, Alexei A. Efros. University of California at Berkeley, in ICCV, 2017. URL: https://junyanz.github.io/CycleGAN/.

Hesse C. Image-to-Image Demo. Interactive Image Translation with pix2pix-tensorflow. 2017. [Электронный ресурс]. URL: http://www.newart.ru/htm/flash/risovalka_90.php.

Татузов А.Л. Нейронные сети в задачах радиолокации. Кн. 28. М.: Радиотехника, 2009. 432 с. (Научная серия «Нейрокомпьютеры и их применение»).

Аксенов С.В., Новосельцев В.Б. Организация и использование нейронных сетей (методы и технологии) / под общ. ред. В.Б. Новосельцева. Томск: Изд-во НТЛ, 2006. 128 с.

Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / пер. с польск. И.Д. Рудинского. 2-е изд., стереотип. М.: Горячая линия – Телеком, 2013. 384 с.:

Фокин Г.А. Технологии программно-конфигурируемого радио: учеб. пособие для вузов. М.: Горячая линия – Телеком, 2019. – 316 с.




DOI: http://dx.doi.org/10.14529/ctcr220215

Ссылки

  • На текущий момент ссылки отсутствуют.