Анотація
У роботі експериментально визначено пороговий рівень впливу адитивного гаусівського шуму (SNR ≈ 0 дБ) на екстремально стиснуті зображення вейвлет-спектру шуканого вимірювального сигналу у форматі одноканального JPEG розміром 32×32 пікселі з якістю 15 %, без застосування фільтрації, для ідентифікації сигналу за допомогою згорткової нейронної мережі.
Ключові слова: шум, вимірювальний сигнал, CNN, вейвлет-аналіз, RMSE
Сигнал
Досліджується сигнал радіостанції Retevis як приклад шуканого сигналу, який CNN повинна ідентифікувати на фоні «пустого» ефіру (шуму).
Вимірювальний сигнал та шум трансформуються у зображення спектру з використанням неперервного вейвлет-перетворення [1], адже CNN є ефективними при роботі з двомірними даними.
На рис. 1 проведено стискання спектру до формату одноканального Jpeg з розміром 32х32 пікселі та 15% якості. Вага зображення при цьому становить ~240 байт, що дає можливість телеметрії подібного зображення, наприклад, по LoRa зв’язку, де максимальний розмір одного пакета становить 240 байт.
Рисунок 1. Сигнал у вигляді вейвлет-спектру після стиснення та додавання гаусівського адитивного шуму
Оскільки сигнал представлений у вигляді двомірного зображення завдяки ДВТ, його аналіз за допомогою CNN є доцільним.
Згорткова нейронна мережа
Структура нейронної мережі описана у роботі [2], але переневчена з 20 типів сигналів на бінарну ідентифікацію, де є шуканий сигнал та все інше. Також адаптованого до роботи з зображеннями 32х32 та складається з 14 шарів.
Два основних класи для навчання: перший – сигнал радіостанції, другий – «пустий» ефір чи шум (все інше, крім шуканого сигналу).
Загальна кількість аугментованих зображень 22000 на обидва класи, де включені чистий сигнал, чистий шум, «пустий» ефір, сигнали із різними типами шуму (gaussian, s&p, speckle, poisson, occlusion), з ДВТ фільтрацією та без. SNR (відношення сигнал / шум) для гаусівського адитивного шуму задавалось у значеннях від 30 до 0 дБ.
Експеримент
Для встановлення порогового рівня зашумленості зображення вейвлет-спектру, коли згорткова нейрона мережа не може розпізнати шуканий сигнал використовуємо метрики ймовірності виявлення сигналу [3].
Загальна точність розпізнавання (Accuracy) – основний показник якості ідентифікації, формула для рівної кількості класів:
де Pd – вирогідність виявлення сигналу, Pfa – ймовірність помилкової тривоги.
Accuracy дорівнює 50% – це випадкове вгадування.
Експеримент проводився на окремій генерації із 100 зображень зашумлених спектрів на кожен тип заданого SNR (загально 1800 зображень).
Таблиця 1. Ідентифікація зашумленого сигналу CNN
У табл. 1 для більшості значень хибних тривог (Pfa) наближаються до нуля, це пов'язано з тим, що другий клас являє собою широкий спектр завад та інших сигналів. Навчання успішно сформувало негативний класс – усе, що нейронна мережа не розпізнала як шуканий сигнал, відноситься до класу шуму. Для підтвердження результатів було проведено тест на 3000 зображеннях чистого шуму, де CNN 6 разів (0.2%) помилково класифікувала зразки.
Зазначемо, що з падінням SNR зменшується ймовірність виявлення вимірювального сигналу (Pd), адже шум перекриває ключові ознаки.
Висновки
З табл. 1 бачимо, що в області SNR ≈ 0-1 дБ (RMSE ≈ 0.31-0.34) спостерігається різке зниження ймовірності ідентифікації сигналу по вейвлет-спектру з використанням згорткової нейронної мережі (з ~83% до ~56%).
Тож можна зробити висновок: коли шум дорівнює сигналу у дБ, це є порогом для розпізнавання сигналу з використанням згорткової нейронної мережі. Це може свідчити про необхідність використання методів фільтрації для підвищення рівня розпізнавання вимірювальних сигналів на фоні завад, що потребує подальших досліджень.
Список літератури:
1. Molina-Tenorio, Y., Prieto-Guerrero, A., Aguilar-Gonzalez, R. A Novel Multiband Spectrum Sensing Method Based on Wavelets and the Higuchi Fractal Dimension // Sensors. – 2019. – Vol. 19, No. 6.
2. Onufriienko, D., Taranenko, Y., Oliinyk, O., Lopatin, V. Recognition of Images of Continuous Wavelet Spectra of Noisy Radio Location Signals Using a Convolutional Neural Network // Cybernetics and Systems Analysis. – 2024. – Vol. 60. – P. 834–844.
3. Rainio, O., Teuho, J., Klén, R. Evaluation metrics and statistical tests for machine learning // Sci Rep. – 2024. – Vol. 14. – Article 6086.
|
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter