ЕФЕКТИВНІСТЬ ВИКОРИСТАННЯ НЕЙРОННИХ МЕРЕЖ В ЗАДАЧІ ВИЯВЛЕННЯ ГАРМОНІЧНОГО СИГНАЛУ НА ТЛІ ШИРОКОСМУГОВОЇ КОРЕЛЬОВАНОЇ ЗАВАДИ
DOI:
https://doi.org/10.18372/2310-5461.62.18706Ключові слова:
нейромережевий алгоритм, адаптивний алгоритм, авторегресійний процес, негаусівські завадиАнотація
Проблема ефективного виявлення сигналів залишається актуальною для багатьох сфер застосування, включаючи обробку мовних сигналів, аналіз радіолокаційних відбитків від рухомих об'єктів та метеоутворень, використання інформаційно-вимірювальних систем в умовах радіопротидії. При цьому синтез оптимальних процедур виявлення особливо ускладнюється при дії сигналів та завад, які характеризуються складним частотним спектром і не можуть бути повністю описані лише статистикою Гауса. За таких умов однією з альтернатив до проблеми негаусовості є синтез робастних процедур, що здатні зберігати показники ефективності в широкому класі сигнально-завадових ситуацій. Втім зростаючий інтерес до технології штучного інтелекту, відкрив можливості використання нейромережевих технологій для виявлення сигналів в умовах дії складних негаусівських завад імпульсного типу при апріорній невизначеності розподілів ймовірності.
Таким чином у роботі розглянуто проблему застосування нейромережевих технологій для виявлення сигналів в умовах складних перешкод з апріорною невизначеністю розподілів ймовірностей. Зокрема, в роботі виконується синтез та порівняльний аналіз двох підходів до виявлення гармонічного сигналу з невідомою фазою на фоні авторегресійної корельованої завади. Перший підхід базується на процедурі статистичного синтезу адаптивного алгоритму виявлення сигналу. Другий підхід передбачає використання нейронної мережі. Відзначено, що алгоритми нейронних мереж значно перевершують оптимальні алгоритми при моделюванні дії негаусівських імпульсних перешкод, але демонструють нижчу ефективність при дії гаусівських корельованих завад.
Посилання
Ramamurti V., Rao S. S., & Gandhi P. P., “Neural detectors for signals in non-Gaussian noise”. IEEE International Conference on Acoustics Speech and Signal Processing. 1993. doi: 10.1109/icassp.1993.319160.
Allen R., “Automatic earthquake recognition and timing from single traces”. Bull. Seism. Soc. Am, vol. 68, no. 5, pp. 1521–1532. 1978.
Clara E. Yoon et al, “Earthquake detection through computationally efficient similarity search”. Science Advances, Vol. 1, no. 11, e1501057. 2015
Linville L. B., “Global‐and Local‐Scale High‐Resolution Event Catalogs for Algorithm Testing”. Seismological Research Letters, 90(5), pp. 1987–1993. 2019.
Linville L. R., “Global to local high-resolution event catalogs for algorithm testing and source studies”. Seismol. Res. Lett. 2019.
Prokopenko I. G., Dmytruk A. Yu., Prokopenko K. I., “Application of robust algorithms in the problem of detection of moving targets on the background of non-gaussian clutter”, Science-based Technologies, № 1, p. 58–66. 2023. doi: 10.18372/2310-5461.57.17445.
Tian C., Hong M., Li D. and Yuan D., “Deep recurrent neural network for ground-penetrating radar signal denoising”, 2022 4th International Conference on Intelligent Information Processing (IIP), Guangzhou, China, pp. 85–88. 2022. doi: 10.1109/IIP57348.2022.00024.
Geng Z., Yan H., Zhang J. and Zhu D., “Deep-Learning for Radar: A Survey," in IEEE Access, vol. 9, pp. 141800–141818, 2021, doi: 10.1109/ ACCESS.2021.3119561.
Purwins H., Li B., Virtanen T., Schlüter J., Chang S. -Y. and Sainath T., “Deep Learning for Audio
Signal Processing," in IEEE Journal of Selected Topics in Signal Processing, vol. 13, no. 2, pp. 206–219. May 2019. doi: 10.1109/JSTSP. 2019.2908700.
Nanduri A. and Sherry L., “Anomaly detection in aircraft data using Recurrent Neural Networks (RNN), "2016 Integrated Communications Navigation and Surveillance (ICNS), Herndon, VA, USA, pp. 5C2-1-5C2-8. 2016. doi: 10.1109/ ICNSURV.2016.7486356.
Acharya, U. R., Fujita, H., Oh, S. L., Hagiwara, Y., Tan, J. H., & Adam, M. “Application of deep convolutional neural network for automated detection of myocardial infarction using ECG signals". Inf. Sci., 415, 190–198. 2017.
Jiang W, Ren Y, Liu Y, Leng J. “Artificial Neural Networks and Deep Learning Techniques Applied to Radar Target Detection: A Review. "Electronics. 11(1), 156. 2022. doi: 10.3390/electronics11010156.
Carrera E. V., Lara F., Ortiz M., Tinoco A. and León R., “Target Detection using Radar Processors based on Machine Learning," 2020 IEEE ANDESCON, Quito, Ecuador, pp. 1–5. 2020. doi: 10.1109/ANDESCON50619.2020.927217.
Prokopenko I., Prokopenko K., Dmytruk A., “Application of Neural Network Technologies in Signal Detection Tasks" IEEE International Conference on Information and Telecommunication Technologies and Radio Electronics (UkrMiCo). Kyiv, Ukraine, pp. 151–156. 2023. doi: 10.1109/ UkrMiCo61577.2023.10380364.9.
Yann LeCun L. B., “Gradient-based learning applied to document recognition”. Proceedings of the IEEE, 86(11), pp. 2278–2324. 1998.
George D. & Huerta E. A., “Deep Neural Networks to Enable Real-time Multimessenger Astrophysics”. Phys. Rev. D 97, 044039. 2018.
Gabbard H., Williams M., Hayes F., & Messenger C., “Matching matched filtering with deep networks in gravitational-wave astronomy”. Phys. Rev. Lett. 120, 141103. 2018.
Wang H., Cao Z., Liu X., Wu S., & Zhu J.-Y, “Gravitational wave signal recognition of O1 data by deep learning”. Phys. Rev. D 101, 104003. 2020.
Krastev P. G., “Real-time detection of gravitational waves from binary neutron stars using artificial neural networks”. Phys. Lett. B 803, 13533. 2020.
López M., Palma I. Di, Drago M., Cerdá-Durán P., & Ricci F., “Deep learning for core-collapse supernova detection“. Phys. Rev. D 103, 063011. 2021.
