Sztuczne sieci neuronowe o architekturze jednokierunkowej i rekurencyjnej w klasyfikacjach sygnałów radioelektronicznych

• Autorzy: Mazur Piotr , Rybak Łukasz , Dudczyk Janusz

Identyfikatory

DOI

10.15199/59.2024.6.3

Warianty tytułu

EN

Artificial neural networks with feedforward and recurrent architecture in the classification of radio-electronic signalsdirections

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono rezultaty badań dotyczących zastosowania sztucznych sieci neuronowych ANN (ang. Artificial Neural Networks) w klasyfikacji sygnałów radioelektronicznych. W przeprowadzonych eksperymentach użyto ANNs o architekturze jednokierunkowej (ang. feedforward) oraz rekurencyjnej (ang. recurrent). Celem artykułu było określenie wydajności wymienionych algorytmów przy użyciu stosowanych w dziedzinowej literaturze miar, opisujących jakość modeli predykcyjnych. W rozdziale drugim szczegółowo scharakteryzowano rodzaje sztucznych sieci neuronowych, będących obiektami zainteresowania przedmiotowych badań. W tym samym rozdziale przedstawiono również zastosowane miary jakości algorytmów rozpoznawania wzorców. Następnie zostały przedstawione otrzymane rezultaty. Na ich podstawie autorzy artykułu dokonali analizy wydajności wymienionych typów sztucznych sieci neuronowych w procesie klasyfikacji sygnałów radioelektronicznych. Ostatecznie przedstawiono wnioski płynące z opracowanej charakterystyki porównawczej oraz wskazano kierunki dalszych badań.

EN

This article presents the results of a study on the application of Artificial Neural Networks (ANNs) in the classification of radio signals. ANNs with feedforward and recurrent architectures were used in the conducted experiments. The purpose of the article was to determine the performance of the aforementioned algorithms using measures used in the field literature to describe the quality of predictive models. Chapter two characterizes in detail the types of artificial neural networks, which are the objects of interest of this research. The same chapter also presents the measures used to describe the quality of pattern recognition algorithms. Then the obtained results were presented. Based on them, the authors of the article analyzed the performance of the mentioned types of artificial neural networks in the process of classification of radio-electronic signals. Finally, the conclusions of the developed comparative characteristics are presented, and the directions for further research are indicated.

Słowa kluczowe

PL

sieć neuronowa; sztuczna inteligencja; radar; sygnał; analiza danych

EN

neural network; artificial intelligence; radar; signal; data analysis

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2024
• Tom: nr 6
• Strony: 20--23
• Opis fizyczny: Bibliogr. 12 poz., tab., wykr.

Twórcy

autor

Mazur Piotr

• Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego, Warszawa

autor

Rybak Łukasz

• Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego, Warszawa

autor

Dudczyk Janusz

• Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego, Warszawa

Bibliografia

• [1] E. Romero i D. Toppo, „Comparing Support Vector Machines and Feedforward Neural Networks With Similar Hidden-Layer Weights,” IEEE Transactions on Neural Networks, Maj 2007.
• [2] S. Ghosh i B. Ames, „FEEDFORWARD NEURAL NETWORKS &DEEP LEARNING,” 21 Kwiecień 2024.
• [3] A. Das, „RADAR and its application in Atmospheric and Ionospheric Research,” Sayam, pp. 7-15, 30 Grudzień 2023.
• [4] A. Bielecki, „Matematyczne podstawy sztucznych sieci neuronowych,” Matematyka Stosowana, tom 4, pp. 25-55, 2003.
• [5] H. Yiang i F. Ali, „A Novel Approach of Optimal Signal Streaming Analysis Implicated Supervised Feedforward Neural Networks,” IET Signal Processing, 9 Wrzesień 2024.
• [6] J. Batista, E. B. de Lima Filho, I. Bessa, E. Manino, X. Song i L. C. Cordeiro, „Counterexample Guided Neural Network Quantization Refinement,” IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, tom 43, nr 4, pp. 1121-1134, 2024.
• [7] Y. Wenchuan, D. Zhang i Y. Fu, „Research of a Diagonal Recurent Neural Network and Artificial Neural Networks,” 2016 International Symposium on Computer, pp. 374-377, 2016.
• [8] S. Leoshchenko, A. Oliinyk, S. Subbotin i T. Zaiko, „Using Modern Architectures of Recurrent Neural Networks for Technical Diagnosis of Complex Systems,” w 2018 International Scientific-Practical Conference Problems of Infocommunications. Science and Technology, Charków, Ukraina, 2018.
• [9] C. Gallicchio i A. Micheli, „Why Layering in Recurrent Neural Networks? A DeepESN Survey,” w 2018 International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro, Brazylia, 2018.
• [10] D. N. Marom, L. Rokach i A. Shmilovici, „Using the confusion matrix for improving ensemble classifiers,” 2010 IEEE 26-th Convention of Electrical and Electronics Engineers in Israel,, pp. 555-559, 2010.
• [11] D. Powers, „Evaluation: From Precision, Recall and F-Factorto ROC, Informedness, Markedness & Correlation,” School of Informatics and Engineering, Adelaide, Australia, 2007.
• [12] IBM, „What is gradient descent?,” 15 Październik 2024. ://www.ibm.com/topics/gradient-descent.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).