CC BY
6
УДК 621.37.037
Якименко И.В.
Каршибоев Ш.А.
Муртазин Э.Р.
Джизакский политехнический институт
СПЕЦИАЛИЗИРОВАННОЕ МАШИННОЕ ОБУЧЕНИЕ ДЛЯ
РАДИОЧАСТОТ
Аннотация. на протяжении многих лет подходы машинного обучения успешно применяются для решения многочисленных задач по обнаружению и классификации — от обработки изображений до разделения голоса и распознавания текста. Однако только недавно подобные методы стали применяться для обработки радиочастотных (РЧ) сигналов и электромагнитной обстановки (ЭМЭ).
Ключевые слова: машинное обучение, радиочастоты, радиоволны, спуфинг, мультисенсорные распределенные системы.
Karshiboev Sh.A.
Murtazin E.R.
Jizzakh Polytechnic Institute
SPECIALIZED MACHINE LEARNING FOR RADIO FREQUENCIES
Abstract. Over the years, machine learning approaches have been successfully applied to solve numerous detection and classification problems -from image processing to voice separation and text recognition. However, only recently have similar techniques been applied to radio frequency (RF) signal processing and the electromagnetic environment (EME).
Keywords: machine learning, radio frequencies, radio waves, spoofing, multi-sensor distributed systems.
Разработка новых технологий для автоматизированной обработки и анализа радиочастотных данных в режиме реального времени требует специальных знаний, которые охватывают множество организаций и дисциплин [1]. Эта специальная группа по интересам нацелена на создание сообщества машинного обучения (ML) для исследователей радиочастот и проведение серии тематических семинаров, посвященных приложениям и проблемам в этой области.
Стремление к распределенной обработке в режиме реального времени на периферии с меньшим участием человека подталкивает решения к использованию встроенного аппаратного и программного обеспечения. Гибридные вычислительные архитектуры и программно-определяемые
радиостанции для приложений машинного обучения быстро развивают области технологий от встроенного управления до автономности и искусственного интеллекта (ИИ) [2]. Тесная связь между аппаратным и программным обеспечением в радиочастотной области и использование специализированных ускорителей глубокого обучения должны быть использованы для удовлетворения будущих требований к поиску и передаче данных, а также соображений SWAP [3]. Для обнаружения сигнала желательно скорректировать количество вложенной энергии, чтобы сделать его пропорциональным уровню интереса к конкретному сигналу, и мы будем стремиться как можно раньше определить, представляет ли сигнал интерес. Многоцелевые радиочастотные датчики с возможностью машинного обучения с использованием встроенного аппаратного и программного обеспечения будут использоваться для обнаружения радиочастотных сигналов, включая Wi-Fi, Bluetooth и сотовую связь, чтобы использовать на порядок больше скорости по сравнению с традиционными методами [4].
В случае нескольких датчиков мы будем стремиться контролировать и адаптировать энергопотребление, параметры и точность каждого датчика, чтобы оптимизировать использование доступной мощности. Появятся возможности для совместного проектирования датчиков, предварительной обработки и нейронных сетей. Мы начинаем видеть, как фреймворки, предназначенные для генерации эффективных ускорителей нейронных сетей, выполняют автоматический перенос архитектур машинного обучения на FPGA. Это имеет множество применений, в частности, для улучшения ситуационной осведомленности [5]. Начинают изучаться стратегии раннего выхода из логического вывода на разных этапах сетевой архитектуры. Внутрисетевые вычисления используются для разгрузки стандартных приложений на сетевые устройства с целью увеличения пропускной способности за счет обработки данных по мере их прохождения по сети. Внутрисетевая обработка данных на беспроводных сенсорных узлах может использоваться для сбора данных в нескольких распределенных источниках и их агрегирования на пути к конечному пункту назначения [6,7]. Существует большой потенциал использования машинного обучения для агрегации данных, оптимизации и распределения ресурсов. Динамическая адаптация аппаратного обеспечения уже позволяет обновлять спутники на орбите и частично перенастраивать их. Автономные беспилотные транспортные средства потребуют автоматического обновления алгоритмов встроенного оборудования в соответствии с изменениями в окружающей среде, кроссплатформенными модификациями и технологическими достижениями, часто на устаревшем оборудовании.
Разработка эффективных решений машинного обучения на небольших платформах требует сокращения моделей, динамического сжатия, компактных представлений и дистилляции знаний с
использованием таких методов, как отсечение сетей, повышение производительности в режимах с более низкой точностью, уменьшение размерности и представления разреженных слоев [8,9]. Мы должны хорошо понимать, когда решения COT подходят для использования по назначению, а когда нам требуется специализированное оборудование. Существует ряд вариантов того, какую обработку следует выполнять в аппаратном обеспечении, что делать в программном обеспечении, где выполнять вычисления на периферии, а когда возвращаться в облако. Ответы на некоторые из этих вопросов во многих случаях тесно связаны с требованиями к безопасности и анонимизации данных [10,11].
Машинное обучение для радиочастот охватывает широкий диапазон масштабов с точки зрения расстояний, частот и областей применения. Небольшие пассивные системы используются для мониторинга здоровья, а в мире COVID и за его пределами беспроводные технологии Интернета вещей доминируют в нашей повседневной домашней жизни. Специалисты по радиотехнической разведке, радиоэлектронной борьбе и связи все чаще сталкиваются с необходимостью разработки новых подходов к автоматизации обнаружения, классификации и идентификации сигналов, от аналитики городского масштаба до перехвата сигналов в более крупном масштабе на бортовых платформах для ситуационной осведомленности [12,13]. В масштабе наблюдения Земли используется Интерферометрический радар с синтезированной апертурой (InSAR) для автоматического извлечения признаков разницы фаз между спутниками. Он используется для обнаружения землетрясений, мониторинга оседания и отслеживания потоков льда для мониторинга последствий изменения климата. Все эти процессы охватывают диапазон частот от колебаний в масштабе атома до размеров футбольного поля [14,15,16]. Наша способность успешно развертывать алгоритмы машинного обучения в таком широком диапазоне масштабов зависит от нашей способности успешно адаптировать решения к конкретным предметным приложениям.
Использованные источники:
1. Mustofoqulov, J. A., & Bobonov, D. T. L. (2021). "MAPLE" DA SO'NUVCHI ELEKTROMAGNIT TEBRANISHLARNING MATEMATIK TAHLILI. Academic research in educational sciences, 2(10), 374-379.
2. Mustofoqulov, J. A., Hamzaev, A. I., & Suyarova, M. X. (2021). RLC ZANJIRINING MATEMATIK MODELI VA UNI "MULTISIM" DA HISOBLASH. Academic research in educational sciences, 2(11), 1615-1621.
3. Иняминов, Ю. А., Хамзаев, А. И. У., & Абдиев, Х. Э. У. (2021). Передающее устройство асинхронно-циклической системы. Scientific progress, 2(6), 204-207.
4. Каршибоев, Ш. А., Муртазин, Э. Р., & Файзуллаев, М. (2023). ИСПОЛЬЗОВАНИЕ СОЛНЕЧНОЙ ЭНЕРГИИ. Экономика и социум, (4-1 (107)), 678-681.
5. Мулданов, Ф. Р., Умаров, Б. К. У., & Бобонов, Д. Т. (2022). РАЗРАБОТКА КРИТЕРИЙ, АЛГОРИТМА И ЕГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ СИСТЕМЫ ИДЕНТИФИКАЦИИ ЛИЦА ЧЕЛОВЕКА. Universum: технические науки, (11-3 (104)), 13-16.
6. Мулданов, Ф. Р., & Иняминов, Й. О. (2023). МАТЕМАТИЧЕСКОЕ, АЛГОРИТМИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ СОЗДАНИЯ СИСТЕМЫ РОБОТА-АНАЛИЗАТОРА В ВИДЕОТЕХНОЛОГИЯХ. Экономика и социум, (3-2 (106)), 793-798.
7. Ирисбоев, Ф. Б., Эшонкулов, А. А. У., & Исломов, М. Х. У. (2022). ПОКАЗАТЕЛИ МНОГОКАСКАДНЫХ УСИЛИТЕЛЕЙ. Universum: технические науки, (11-3 (104)), 5-8.
8. Zhabbor, M., Matluba, S., & Farrukh, Y. (2022). STAGES OF DESIGNING A TWO-CASCADE AMPLIFIER CIRCUIT IN THE "MULTISIM" PROGRAMM. Universum: технические науки, (11-8 (104)), 43-47.
9. Каршибоев, Ш. А., & Муртазин, Э. Р. (2021). Изменения в цифровой коммуникации во время глобальной пандемии COVID-19. Молодой ученый, (21), 90-92.
10. Каршибоев, Ш., & Муртазин, Э. Р. (2022). ТИПЫ РАДИО АНТЕНН. Universum: технические науки, (11-3 (104)), 9-12.
11. Омонов С.Р., & Ирисбоев Ф.М. (2023). АВТОМАТИЗИРОВАННЫЕ СИСТЕМЫ ДЛЯ ИСПЫТАНИЙ НА ЭМС НА ОСНОВЕ ПРОГРАММНОЙ ПЛАТФОРМЫ R&S ELEKTRA. Экономика и социум, (5-1 (108)), 670-677.
12. Саттаров Сергей Абудиевич, & Омонов Сардор Рахмонкул Угли (2022). ИЗМЕРЕНИЯ ШУМОПОДОБНЫХ СИГНАЛОВ С ПОМОЩЬЮ АНАЛИЗАТОРА СПЕКТРА FPC1500. Universum: технические науки, (11-3 (104)), 17-20.
13. Абдиев, Х., Умаров, Б., & Тоштемиров, Д. (2021). Структура и принципы солнечных коллекторов. In НАУКА И СОВРЕМЕННОЕ ОБЩЕСТВО: АКТУАЛЬНЫЕ ВОПРОСЫ, ДОСТИЖЕНИЯ И ИННОВАЦИИ (pp. 9-13).
14. Раббимов, Э. А., & Иняминов, Ю. О. (2022). ВЛИЯНИЕ ОКИСНОЙ ПЛЕНКИ НА КОЭФФИЦИЕНТЫ РАСПЫЛЕНИЯ КРЕМНИЯ. Universum: технические науки, (11-6 (104)), 25-27.
15. Mustafaqulov, A. A., Sattarov, S. A., & Adilov, N. H. (2002). Structure and properties of crystals of the quartz which has been growth up on neutron irradiated seeds. In Abstracts of 2. Eurasian Conference on Nuclear Science and its Application.
16. Раббимов, Э. А., Жураева, Н. М., & Ахмаджонова, У. Т. (2020). Влияние окисной пленки на коэффициенты распыления кремния. Экономика и социум, (6-2 (73)), 187-189.
