Исследование возможности идентификации АЗН-В сигналов с помощью нейросетей

Размещено на http://www.allbest.ru/

Исследование возможности идентификации АЗН-В сигналов с помощью нейросетей

Зинкевич А.В., канд. техн. наук, доц. кафедры «Вычислительная техника»

В статье рассматривается использование глубоких сверточных нейросетей архитектуры ResNet для идентификации сигналов. Для приема радиосигнала системы автоматически зависимого наблюдения-вещания использовано программно-конфигурируемого радио на базе NI USRP-2920. Принятый поток данных преобразован к виду, который возможно использовать для входа нейросети. Программный код нейросети написан с использованием библиотеки TensorFlow на языке Python. В результате экспериментальных исследований дается оценка возможности использования полученной модели нейросети для поставленной задачи.

Ключевые слова: нейронные сети, ПКР, SDR, ResNet, АЗН-В, идентификация сигналов.

Abstract

Research of the possibility of identification of ADS-B signals using neural networks

Zinkevich A.V., Pacific National University, Khabarovsk, Russian Federation

The article discusses the use of deep convolutional neural networks of the ResNet architecture for signal identification. To receive the radio signal of the automatically dependent surveillance-broadcasting system, a software-defined radio based on the NI USRP- 2920 was used. The received data stream is converted to a form that can be used for the input of a neural network. The program code of the neural network is written using the TensorFlow library in Python. As a result of experimental studies, an assessment is made of the possibility of using the resulting neural network model for the task.

Keywords: neural networks, SDR, ResNet, ADS-B, signal identification.

Введение

В данной работе для исследования выбраны сигналы системы автоматически зависимого наблюдения-вещания (АЗН-В). Передатчики такой системы устанавливаются на воздушные суда, а также БПЛА и периодически посылает в эфир пакеты с информацией. Расположенные поблизости наземные приемники и другие летательные аппараты принимают эти сообщения и используют их для ситуационной осведомленности. Сообщения АЗН-В можно принимать и с помощью программно -конфигурируемого радио (ПКР). Существуют различные веб -сайты, которые объединяют информацию для отслеживания самолетов, поступающую от пользовательских ПКР, например FlightAware и Flightradar24. Большинство таких проектов использует программное обеспечение декодера dump1090 с открытым исходным кодом для обнаружения и интерпретации сообщений АЗН -В.

Процесс подготовки исходных данных для тренировки нейросети основан на алгоритмах декодирования dump1090. В результате оценивается возможность классифицировать сигналы АЗН-В с помощью приведенного в работе подхода.

Система АЗН-В

Сигнал АЗН-В имеет несколько форматов, но больший интерес представляет прием сигнала расширенного формата, поскольку в нем передается наибольшее количество информации. Такой сигнал имеет длительность 120 мкс и передается импульсно-позиционной модуляцией. Кадр формата АЗН-В (режим S) состоит из 112 бит данных с предшествующей преамбулой. Преамбула длительностью 8 мкс содержит две пары импульсов, идущих на некотором удалении друг от друга, после чего следует информационная часть (рис. 1). Сигнал системы передается на частоте 1090 МГц [1].

Прием сигналов удобнее всего проводить с помощью программно- конфигурируемой радиосистемы (ПКР, англ. Software-defined radio, SDR). В этом случае на компьютере будет получен готовый для работы поток данных, представляющий дискретные отсчеты принимаемого с эфира сигнала.

ПКР выполняет значительную часть цифровой обработки сигналов на обычном персональном компьютере или на ПЛИС (программируемой логической интегральной схеме), что дает возможность быстрой программной реконфигурации результирующего устройства. Аппаратная часть приемника включает перестраиваемый входной полосовой фильтр, малошумящий усилитель с функцией автоматической регулировки усиления и аналоговоцифровым преобразователем (АЦП). Последний предваряется фильтром нижних частот, который выполняет техническую функцию сопряжения пол осы частот аналогового сигнала с частотой выборок АЦП.

Одним из решений является приемо-передающая ПКР фирмы National Instruments USRP-2920 -- настраиваемый ВЧ-трансивер с высокоскоростным АЦП и цифро-аналоговым преобразователем для потоковой передачи сигналов I/Q основного диапазона на ведущий компьютер, работающий на частоте от 50 МГц до 2,2 ГГц и имеющий полосу частот 20 МГц (рис. 2) [2].

Рис. 2. Блок-схема устройства NI USRP-2920

Исходя из периода следования импульсов в системе АЗН-В, который равен 1 мкс (из рис. 1), можно рассчитать минимальную частоту для аналогоцифрового преобразования сигнала без искажений. Согласно теореме Котельникова данная частота должна быть больше удвоенной частоты сигнала, что в итоге ограничивает минимальную частоту значением 2 МГц. В работе выбрана частота равная 4 МГц, в этом случае на 1 полупериод сигнала будет приходиться по 2 отсчета с выхода АЦП. Увеличение частоты увеличит качество оцифрованного сигнала, однако это приведет к увеличению вычислений. Выигрыш при распознавании с помощью сверточных нейронных сетей в этом случае будет зачастую минимальным.

Для сбора необходимого количества сигналов АЗН -В, которые передаются в эфире, достаточно провести запись длительностью 30 секунд. Результатом работы ПКР является набор I/Q составляющих сигнала (рис. 3).

Рис. 3. I/Q составляющие принятого эфирного сигнала

Реализация нейросети для идентификации сигналов

Для реализации нейросети использовался фреймворк TensorFlow [3]. В качестве архитектуры сети выбрана ResNet (Residual Neural Network). Архитектура ResNet была изначально разработана для распознавания 2D - изображений, но в используемой в работе архитектуре используются одномерные слои и свертки [4]. Выходной слой сети - это слой пулинга с функцией Softmax, который преобразует оценки выходных данных конечного полносвязного слоя в набор вероятностей, которые и являются выходными данными сети.

На рис. 4 приведена структура остаточного блока (Residual Unit). Пропускное соединение (Skip Connection) в архитектуре остаточного блока позволяет решить проблему исчезающего градиента, что в свою очередь позволяет обучать глубокие сети.

Рис. 4. Структура остаточного блока (Residual Unit)

На рис. 5 приведена структура остаточного стека (Residual Stack). После процедуры извлечения признаков (Residual Unit) применяется функция максимума пуллинга (max pooling), которая сокращает размерность исходной области.

Рис. 5. Структура остаточного стека (Residual Stack)

Результирующая архитектура сети приведена в табл. 1. Результатом вычислений являются значения вероятности принадлежности к одному из 2 классов, полученные при помощи функции Softmax. В качестве функций активации выступает функция ReLU.

Таблица 1 Результирующая архитектура сети