Нейрокомпьютерная обработка сигналов и изображений

Нейрокомпьютерная обработка сигналов и изображений


Обнаружение фазоманипулированных сигналов при помощи искусственных нейронных сетей

Морозов О.А., Овчинников П.Е.

Научно-исследовательский физико-технический институт Нижегородского Государственного университета им. Н.И. Лобачевского

В настоящее время нейросетевые технологии широко применяются в различных системах обработки экспериментальных данных и сигналов [1]. В современных системах передачи цифровой информации по радиоканалам широкое распространение нашли различные виды угловой (фазовой и частотной) модуляции и манипуляции. При этом используется узкополосная передача модулированного сигнала и устройства автоматической регулировки усиления (АРУ). В ряде задач узкая полоса и выравнивание мощности делают сигнал и шум плохо различимыми, что затрудняет формализацию алгоритма обнаружения. Использование искусственной нейронной сети (ИНС) позволяет построить алгоритм обнаружения, не требующий определения формальных признаков, а обучаемый на примерах обрабатываемых сигналов.

В данной работе рассматривается метод нейросетевого обнаружения фазоманипулированного сигнала на основе анализа синфазной (I) и квадратурной (Q) компонент [2]. Для выделения I и Q компонент применяется метод квадратурной демодуляции, который в современных системах связи реализуют цифровые приемники. Анализ I и Q компонент сигнала позволяет уменьшить объем обрабатываемых данных за счет снижения частоты дискретизации.



Рис. 1. Схема обнаружения ФМ4 сигнала с использованием ИНС.

Для обнаружения ФМ4 сигналов была построена система обработки, состоящая из блока предобработки и нейросетевого классификатора (см. рис. 1). Обрабатываемый сигнал фрагментами поступает в блок предварительной обработки, служащий для уменьшения потока обрабатываемой информации и выделения информативных признаков сигнала. Признаки поступают на вход классификатора, персептрона с пятью выходами. При обучении нейронная сеть настраивается так, чтобы четыре выхода из пяти служили для различения манипуляций, а пятый выход активировался при отсутствии фазоманипулированного сигнала.

В данной работе в качестве блока предобработки использовался блок формирования выборок из выходных сигналов цифрового приёмника. На вход нейронной сети подавался фрагмент дискретизованных I и Q компонент сигнала, представляющих собой выход цифрового приёмника:

(1),

где s(n) – принимаемый сигнал, – период дискретизации, – несущая частота, – фильтр низких частот и дециматор, так как обычно частота дискретизации IQ компонент выбирается существенно меньшей частоты дискретизации исходного сигнала.

Комплексная огибающая в виде IQ компонент выбрана в качестве признаков для распознавания по двум причинам. Во-первых, IQ компоненты не привязаны к несущей частоте и при этом содержат информацию о фазе сигнала: . (2)

Во-вторых, IQ компоненты поступают с цифрового приёмника, и для их получения не требуются дополнительные вычисления.

Длина фрагмента, т.е. число отсчетов и, соответственно, число пар входов ИНС выбирается равной длине символьного сегмента: (3), где – частота дискретизации IQ компонент, – частота следования символов.

При последовательной подаче на вход нейронной сети отсчетов IQ компонент на выходах формируется четыре сигнала, отражающих вероятности скачкообразных изменений фазы в зависимости от времени, и сигнал наличия модуляции. Для краткости назовём совокупность этих сигналов фазограммой. Пример фазограммы представлен на рис. 1. На фазограмме значения на выходах ИНС показаны цветом: белым – ноль, чёрным – единица, серым – промежуточные. Для уменьшения влияния шумов каждый из сигналов фазограммы сглаживается по времени при помощи свертки с прямоугольным окном:

(4), где – номер выхода персептрона, – индекс, соответствующий времени, – выход персептрона, – результат сглаживания, – ширина окна. После сглаживания фазограмма передискретизуется с частотой равной частоте манипуляций. При низком уровне сигнала на пятом выходе система выдаёт декодируемые символы. Для определения символов используется критерий максимального правдоподобия: (5), где – декодируемый символ.

При высоком уровне сигнала на пятом выходе система выставляет признак отсутствия информационного сигнала (флаг паузы).

Описанный алгоритм использует обученную сеть. Обучение производится стандартным способом на фрагментах реализаций комплексной огибающей сигнала, подобных тем, которые предполагается распознавать. IQ компоненты моделируются по данным, сгенерированным случайным образом. Сгенерированные данные используются при обучении для формирования требуемых выходов ИНС. Часть образцов представляет собой шум и не содержит модулированного сигнала.



Рис. 2. Пример обнаружения и детектирования.

Для проведения численных экспериментов в работе использовалась программная реализация многослойного персептрона. В качестве процедуры обучения применен алгоритм обратного распространения ошибки. Для обучения ИНС в задачах распознавания требуется набор пар «вход-выход», поэтому обучающая выборка формировалась из специально сгенерированных сигналов. Поскольку обнаружение должно осуществляться в условиях аддитивных шумов, то выборка для обучения была составлена из IQ реализаций зашумленных сигналов с соотношением сигнал/шум +10дБ и отрезков шума без информационного сигнала.

В работе проводилось обнаружение ФМ4 сигнала (возможные изменения фазы: 0, π/2, π, -π/2). Параметры сигнала: спектральная полоса – 40 кГц, частота манипуляций – 16000 бит/с, частота дискретизации IQ компонент – 192 кГц. На вход персептрона одновременно подавались 12 отсчетов I и 12 отсчетов Q компоненты, что соответствует отрезку сигнала, содержащему один период манипуляции. После каждого сдвига по времени на один отсчет производилась новая подстановка и вычисления, связанные с обработкой сигнала нейронной сетью. Таким образом достигалась максимальная детализация фазограммы по времени, а именно 12 выходных векторов персептрона на один период манипуляции. При необходимости объем вычислений предлагаемого метода может быть уменьшен за счет увеличения шага между двумя последовательными подстановками отсчетов сигнала на вход нейронной сети. На рис. 2 приведён пример функционирования системы при обнаружении сигнала на фоне шума, отношение сигнал/шум (ОСШ): 10 дБ, при работающем АРУ. При таком ОСШ предложенная система надёжно отделяет участок сигнала (от t₁ до t₂) от участков шума.

Представлен метод обнаружения ФМ сигналов, основанный на использовании ИНС. Построенная система позволяет обнаруживать ФМ4 сигналы и одновременно производить детектирование. Обработка тестовых сигналов представленным методом показывает его работоспособность. В настоящее время проводятся исследования по устойчивости метода в различных условиях.

Литература

1. 
   Нейрокомпьютеры в системах обработки сигналов. Под ред. Гуляева Ю.В. и Галушкина А.И.. – М: Радиотехника, 2003.
   
2. 
   Скляр Б. Цифровая связь. Теоретические основы и практическое применение. М.: Издательский дом «Вильямс», 2003.
   


Detection of PSK Signals with Artificial Neural Network

Morozov O., Ovchinnikov P.

Physical-Technical Research Institute of Nizhni Novgorod State University

Nowadays neural network technologies are widely applied in various systems of data processing, in particular neural networks are used for processing of radio signals. Various kinds of angular (phase and frequency) modulation and shift keying have found a wide distribution in modern systems of digital information transfer on radio channels. Typically narrow-band transfer of the modulated signal and automatic level control (ALC) devices is used. In a number of cases narrow band and power leveling make a signal hardly distinguishable from noise and complicates formalization of algorithm of detection. The use of artificial neural network (ANN) presumes to construct an algorithm of detection which is not require the definition of formal attributes, but is trained on examples of signals.

In the work in the question the method of neural network detection of quaternary phase-shift keying (QPSK) signal, based on the analysis of in-phase (I) and quadrature-phase (Q) components is considered. The method of quadrature demodulation is applied for IQ components extraction. In modern communication systems this procedure is realized by digital receivers. The analysis of IQ components of signal allows to reduce volume of processed data due to sampling frequency reduction.

For detection of QPSK signals the system consisting of preprocessing block and neural network classifier has been constructed. The fragments of the received signal go in the block of preprocessing, which is needed for reduction of information stream and extraction of valuable features of a signal. Extracted features are given to the input of the classifier, namely to the input of the multilayer perceptron (MLP) with five outputs. At the training the neural network is tuned so that four from five outputs serve for manipulation distinction, and the fifth output acts at absence of PSK signal. In the work in the question sampler of outputs of the digital receiver was used as a preprocessing block. The fragment of sampled IQ components of a signal, representing an output of the digital receiver is given to the input of the trained neural network.

Samples of IQ components are chosen as features for recognition by two reasons. First, IQ components are not dependent on carrier frequency and at the same time contain the information about phase of a signal. Secondly, IQ components output from the digital receiver, and additional calculations are not required for their obtaining. Fragment of sampled IQ components was given to the network input. Presence of an information signal and detected symbols were estimated from the network outputs.

Software perceptron was used for computer experiment.

QPSK signal detection (possible phase shifts: 0, π/2, π, -π/2) was carried out in the work. Designed detection method was tested on signals with additive noise.

The neural network method of detection for PSK signals is presented. The constructed system allows to carry out detection and decoding of QPSK signals simultaneously. Processing of test signals by the proposed method shows its capacity for work. Examinations of the method robustness in various conditions are carried out in present time.


ПРИМЕНЕНИЕ НЕЙРОННЫХ АППРОКСИМАТОРОВ ДЛЯ ФИЛЬТРАЦИИ ИМПУЛЬСНЫХ ПОМЕХ

Соловьева Е.Б., Дегтярев С.А.

Санкт-Петербургский Государственный Электротехнический Университет

Важной задачей в области прецизионной обработки сигналов является синтез высокоточных устройств, в том числе цифровых фильтров импульсных помех. Классические медианные фильтры (МФ), успешно подавляют импульсный шум, но заметно искажают многие участки сигналов, не пораженные помехой [1], [2]. Повысить качество фильтрации удается с помощью операторных методов [3] – [6], на основе которых строятся полиномиальные фильтры в виде усеченного ряда Вольтерры [3] и многочлена расщепленных сигналов [4] – [6]. Синтез фильтров высоких порядков часто сопровождает проблема плохой обусловленности системы уравнений, решаемой при аппроксимации нелинейного оператора устройства. Указанную проблему частично удается решить с помощью метода расщепления в частотной области [5], [6].

Известны методы построения нейронных фильтров, свободных от проблемы плохой обусловленности и не уступающих полиномиальным фильтрам по точности восстановления сигналов [7]. В этой связи, предлагается синтезировать комбинированные нейронные фильтры импульсных помех в виде каскадного соединения МФ и нейронной цепи (трехслойного или полиномиального персептрона).

Задача нелинейной фильтрации. В рамках принципа «черного ящика», когда нелинейный оператор фильтра устанавливает однозначную связь между множеством входных () и выходных () сигналов устройства , где – нормированное дискретное время,  – длительность входных сигналов, задача синтеза цифрового фильтра импульсных помех состоит в построении математической модели в виде операторного уравнения , (1),

где – выходной сигнал модели фильтра; – оператор, аппроксимирующий на множествах и при условии для всех , . Здесь – заданная погрешность моделирования.

Параметры нелинейного оператора находятся в результате решения задачи аппроксимации

, где  вектор параметров оператора .

Комбинированные нейронные фильтры (с внутренним сглаживающим МФ) синтезируются согласно структуре, показанной на рис. 1 [5], [6]. Здесь блок ПСВ обозначает преобразователь (с оператором ) скалярного сигнала в векторный, блок НЦ – нейронную цепь с оператором .



Рис. 1. Структура комбинированного нейронного фильтра

Нелинейный оператор фильтра является композицией двух операторов и . Оператор отображает скалярные входные сигналы НЦ в соответствующие векторные сигналы , где – знак транспонирования. Множество сигналов интерпретируется как множество фрагментов длиной , каждый из которых является вектором, составленным из отсчетов входного сигнала на опорной области (апертуре), движущейся вдоль сигнала с шагом в один такт.

Оператор НЦ преобразует векторные сигналы в скалярные выходные сигналы фильтра. Нейронная цепь с оператором является аппроксиматором, имеющим вид трехслойного или полиномиального персептрона [7].

С учетом структуры, показанной на рис. 1, операторное уравнение (1) фильтра преобразуем следующим образом: .

Задача аппроксимации оператора имеет вид . (2).

Синтезируем фильтры импульсных помех со структурой, показанной на рис. 1, на основе комбинированного трехслойного персептрона (КТП) и комбинированного полиномиального персептрона (КПП).

Множества сигналов фильтра и критерий оценки точности фильтрации. Нейронные фильтры строятся на классе растровых (точечных) полутоновых изображений при разрешении, измеряемом 256 уровнями серого. Импульсный шум представляет собой включенные и выключенные пикселы (белые и черные точки на изображении), появление которых не зависит от наличия выброса шума в соседних точках. Данная модель импульсного шума называется «соль и перец» [1], [2], [8].

Обучающий сигнал фильтра – искаженное импульсным шумом изображение размером 250x500 пикселов.

Синтез нейронных фильтров (КТП и КПП) выполнялся в системе MATLAB [8] и заключался в решении задачи аппроксимации (2) в среднеквадратичной метрике с помощью алгоритма обратного распространения ошибки [8] – [10].

Результаты нейронной фильтрации сравнивались с результатами медианной фильтрации, выполненной при разных формах и размерах апертур [1], [2], а также комбинированной фильтрации Вольтерры [3], [5], [6].

Модель комбинированного фильтра Вольтерры (КФВ) имела вид усеченного ряда Вольтерры [3], [5]

, (3), где – ядро Вольтерры порядка , – величина памяти КФВ. Параметры модели (3) КФВ получены в результате решения задачи аппроксимации (2) с использованием восьми обучающих изображений размером 250x500 пикселов каждое.

Степень подавления импульсного шума разными методами фильтрации оценивалась с помощью среднеквадратичной погрешности , вычисляемой при восстановлении трех испытательных изображений по формуле , где . Испытательные изображения отличались от обучаемого сигнала. Каждое испытательное изображение имело размер 150x224 пикселов.

Нелинейная фильтрация импульсного шума средней плотности. При средней плотности импульсного шума () синтезированы нейронные фильтры (КТП с одним, двумя и тремя нейрона в скрытом слое, а также КПП первой и второй степени), КФВ первой, второй и третьей степени и МФ с квадратной апертурой 3х3. Сглаживающий МФ, содержащийся в КТП и КФВ, имел квадратную апертуру 3х3.

Среднеквадратичные погрешности, полученные при фильтрации тестовых изображений синтезированными устройствами, приведены в табл. 1.

Таблица 1. Погрешность фильтрации при плотности шума

Погрешность	МФ 3х3	КФВ			КПП		КТП
		1-й степени	2-й степени	3-й степени	1-й степени	2-й степени	1 нейрон	2 нейрона	3 нейрона
	1158	947	937	850	1000	1000	957	850	850

Анализ данных табл. 1 показывает, что КТП с двумя нейронами и КФВ третьей степени обеспечивают одинаковую точность фильтрации.

На практике целесообразно использовать КТП, поскольку его модель существенно проще модели КФВ. Данное заключение следует из сравнения количества параметров указанных моделей фильтров (модель КФВ содержит 219 параметров, модель КТП с двумя нейронами –­ 22 параметра). Кроме того, при синтезе КТП отсутствует проблема плохой обусловленности задачи аппроксимации нелинейного оператора фильтра, присущая методам полиномиальной фильтрации.



Рис. 2. Результаты фильтрации при плотности шума

Нелинейная фильтрация импульсного шума высокой плотности. При высокой плотности импульсного шума () синтезированы:

– КФВМ (КФВ первой, второй и третьей степени с последующим МФ);

– КТП с одним, двумя и тремя нейронами;

– КПП первой и второй степени.

Внутренние медианные фильтры КФВМ имели квадратную апертуру 3х3, а внутренний МФ в КТП – квадратную апертуру 5х5.

Таблица 2. Погрешность , обеспеченная КПП при плотности шума

Внутренний фильтр	КПП
	1-й степени	2-й степени
МФ 4x4	1800	1800
МФ 5x5	1700	1700

Результаты фильтрации импульсного шума с плотностью представлены на рис. 2. Кривая 1 – погрешность медианной фильтрации с квадратной апертурой 5х5, кривая 2 – зависимость погрешности от степени КФВМ, кривая 3 – зависимость погрешности от числа нейронов в КТП.

Среднеквадратичная погрешность , полученная КПП, приведена в табл. 2.

Из анализа рис. 2 и табл. 2 следует, что при высокой плотности шума КФВМ третьей степени дает меньшую погрешность фильтрации, чем МФ и нейронные фильтры. Однако, при визуальной оценке качество изображений, восстановленных КФВМ третьей степени и КТП с тремя нейронами, практически соизмеримо. В этом случае для борьбы с импульсными помехами целесообразно использовать КТП, поскольку его модель существенно проще модели КФВМ.

Заключение. Предложено синтезировать нейронные фильтры импульсных помех по соотношению вход-выход на основе комбинированных трехслойных и полиномиальных персептронов.

Достоинствами метода синтеза нейронных фильтров являются следующие:

• 
  инвариантность к статистическим свойствам сигналов и помех, в том смысле, что учет этих статистических свойств производится автоматически в процессе синтеза, когда фильтр «обучается»;
  
• 
  отсутствие проблемы плохой обусловленности задачи аппроксимации нелинейного оператора устройства, характерной для полиномиальных фильтров;
  
• 
  возможность повышения точности фильтрации введением в комбинированные фильтры сглаживающих устройств более качественных, чем классические МФ (например, адаптивных [2], итерационных [1], переключающихся МФ [11]), а также увеличением степени нелинейности синтезируемых фильтров. Следует отметить, что при высокой нелинейности комбинированного нейронного фильтра сложность нахождения глобально-оптимальных параметров модели такого фильтра возрастает, поскольку математическая модель содержит большое количество нелинейно входящих параметров.
  

Показано, что для очистки изображений от импульсных помех целесообразно использовать КТП, не уступающие по качеству восстановления изображений полиномиальным устройствам (фильтрам Вольтерры и фильтрам с частотным расщеплением сигналов), но имеющие модель существенно проще указанных аналогов.