CC BY
0ВЕСТНИК ТОГУ. 2021 № 2 (61)
УДК 004.896
© А. В. Зинкевич, 2021
ИССЛЕДОВАНИЕ ВОЗМОЖНОСТИ ИДЕНТИФИКАЦИИ АЗН-В СИГНАЛОВ С ПОМОЩЬЮ НЕЙРОСЕТЕЙ
Зинкевич А. В. - канд. техн. наук, доц. кафедры «Вычислительная техника», e-mail: 006526@pnu.edu.ru (ТОГУ)
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.
Введение
На сегодняшний день методы машинного обучения применяются для решения разнообразного круга задач. В случае, когда известны исходные данные, а полученный результат можно отнести к какому-либо классу, зачастую применяют обучаемые с учителем искусственные нейронные сети. Использование такого подхода позволяет обучить нейронную сеть и получить модель для дальнейшей работы. В простейшем случае модель может быть обучена на двух классах, один из которых может указывать на наличие искомого сигнала в представленной выборке, а второй - на наличие шума. В результате, при подаче на вход модели дискретных отсчетов сигнала, на выходе будет рассчитана вероятность принадлежности этого сигнала к известному для модели классу. Точность распознавания обычно зависит от количества исходных данных для обучения и сложности мод ели сети. При таком подходе можно получить более высокую точность распознавания сигнала по сравнению с классическими приемниками. Оценка точности, а также эффектов «недообучения» и «переобучения» может быть проведена по кривым валидации и обучения. Исходными данными
ВЕСТНИК ТОГУ. 2021. № 2 (61)
для обучения могут быть сигналы, имеющие изначально разнообразные виды искажений и наложенных шумов.
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 FHghtAware и FHghtradar24. 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].
Рис. 1. Структура сигнала АЗН-В
Программно-конфигурируемая радиосистема
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 аналогово-цифровым преобразователем (АЦП). Последний предваряется фильтром нижних частот, который выполняет техническую функцию сопряжения полосы 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 аналого-цифрового преобразования сигнала без искажений. Согласно теореме Ко-тельникова 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.
ВЕСТНИК ТОГУ. 2021. № 2 (61)
Для сбора необходимого количества сигналов АЗН-В, которые передаются в эфире, достаточно провести запись длительностью 30 секунд. Результатом работы ПКР является набор 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.
Skip Connection
Re
-
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.
lxlConv kn ,, Jk„ ,, . L Max • Res Unit Ш Res Unit • „ ,. Linear T T IT Poolm
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
Слой Выходная размерность
Input 2 x 320
Residual Stack 40 x 160
Residual Stack 40 x 80
Residual Stack 40 x 40
Residual Stack 40 x 20
Residual Stack 40 x 10
Fully connected / SeLU 128
Fully connected / SeLU 128
Fully connected / Softmax 2
В качестве входных данных для обучения и валидации нейросети из принятого сигнала были выделены массивы точек, соответствующие кадрам формата АЗН-В длительностью 120 мкс (240 точек). Эти массивы являются набором двумерных матриц, содержащие I и Q составляющие сигнала по 320 точек (пакет). Данные взяты с запасом в начале и конце последовательности. Для соответствия входу нейросети данные были подвергнуты нормализации. Отношение сигнал/шум, для которого идентификация считается успешной, зависит от алгоритма работы декодера dump1090. Таким образом, все данные для обучения, содержащие сигнал, успешно декодируются с помощью dump1090. Зависимость точности распознавания модели от отношения сигнал/шум в работе не рассматривается. Также в отдельный класс были выделены пакеты, не содержащие «полезный» сигнал. Пример полученных данных, которые будут подаваться на вход нейросети, приведен на рис. 6.
ВЕСТНИК ТОГУ. 2021. № 2 (61)
а) б)
Рис. 6. Пример пакета данных по 320 точек шума (а) и АЗН-В сигнала (б)
Исходные данные выборок, содержащих «полезное» значение сигнала и шума, равны и содержат по 4032 пакета. Эти данные разбиты на тренировочные и проверочные (95% от общего числа пакетов, из которых 20% -проверочные). Отдельно будут использованы тестовые данные (5% от общего числа пакетов) для проверки обученной модели.
Результаты обучения нейросети
В результате обучения нейросети была получена информация, которая приведена на рис. 7 и рис. 8.
Рис. 7. Зависимость функции потерь на обучении и валидации
ВЕСТНИК ТОГУ. 2021. № 2 (61)
1.0
0.8 -
0.6 -
0.4 -
0.2 -
- Точность на обучении
- Точность на валидации
0.0
0
5
10
15 Эпоха
20
25
30
Рис. 8. Зависимость точности на обучении и валидации
Данные, приведенные на рис. 7, характеризуют значение функции потерь от количества эпох. Начиная с 10 эпохи графики на обучающей и валидаци-онной (проверочной) выборке далее практически не изменяют свое значение, что говорит об обучении нейросети и нецелесообразности последующего увеличения количества эпох. Данные, приведенные на рис. 8, характеризуют значение точности распознавания в зависимости от эпохи. Аналогично зависимости функции потерь, начиная с 10 эпохи точность распознавания не сильно изменяется, что также свидетельствует об окончании процесса обучения нейросети. Две кривые располагаются близко, и обе ошибки невелики, что свидетельствует о корректном обучении модели. Признаки переобучения проявляются только после 10 эпохи.
Для проверки обученной модели на тестовых данных, которые были зарезервированы ранее (5% от общего числа пакетов), использовался следующий код:
test_loss, test_acc = model.evaluate(test_data, test_labels)
print('Accuracy on testdata: ', test_acc * 100, '%')
Результатом выполнения кода является вычисленное значение точности на проверочных данных, которое равно 97,23%. Таким образом обученная модель может с полученной вероятностью определять наличие сигнала АЗН-В в подаваемой на вход тестовой выборке.
Заключение
Идентификация радиосигналов системы АЗН-В с использованием глубоких сверточных нейросетей возможна и дает достаточно высокую точность.
Для обучения и тестирования нейросети была разработана программа, которая использует библиотеку TensorFlow. С помощью ПКР USRP-2920 был
ВЕСТНИК ТОГУ. 2021. № 2 (61)
подготовлен набор входных данных в виде пакетов, содержащих по 320 отсчетов с частотой дискретизации 4 МГц. Часть пакетов, а именно 4032 пакета, содержащих сигнал АЗН-В и столько же пакетов, содержащих шумовые данные. Для тестирования модели нейросети из общего набора 8064 пакетов было зарезервировано 5%.
Программное обеспечение было установлено на компьютере, использующем графический ускоритель NVIDIA GEFORCE GTX 1660Ti. В результате время обучения нейросети составило 3 минуты и 12 секунд. Точность идентификации сигнала АЗН-В на тестовой выборке составила 97,23%.
Для практической реализации в системе идентификации потребуется сформировать более разнообразные входные сигналы, полученные при разных значениях отношения сигнал/шум.
Библиографические ссылки
1. Все про ADS-B. URL: https://adsbradar.ru/adsb-technology. (дата обращения: 15.09.2020).
2. Программно-определяемые радиоустройства USRP. URL: https://www.ni.com/ ru-ru/support/model.usrp-2920.html (дата обращения: 14.12.2020).
3. Комплексная платформа машинного обучения с открытым исходным кодом. URL: https://www.tensorflow.org. (дата обращения: 13.09.2020).
4. S. Zheng et al. Big Data Processing Architecture for Radio Signals Empowered by Deep Learning: Concept, Experiment, Applications and Challenges // IEEE Access. - vol. 6. - pp. 55907-55922. - 2018.
Title: Research of the possibility of identification of ADS-B signals using neural networks
Authors' affiliation:
Zinkevich A. V. - Pacific National University, Khabarovsk, Russian Federation
Abstract: 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.
