Wyniki wyszukiwania - BazTech

1

Type of modulation identification using Wavelet Transform and Neural Network

Walenczykowska M., Kawalec A.

Bulletin of the Polish Academy of Sciences. Technical Sciences

|

2016

|

Vol. 64, nr 1

257--261

EN

Automatic recognition of the signal modulation type turned out to be useful in many areas, including electronic warfare or surveillance. The wavelet transform is an effective way to extract signal features for identification purposes. In this paper there are M-ary ASK, M-ary PSK, M-ary FSK, M-ary QAM, OOK and MSK signals analysed. The mean value, variance and central moments up to five of continuous wavelet transform (CWT) are used as signal features. The principal component analysis (PCA) is applied to reduce a number of features. A multi-layer neural network trained with backpropagation learning algorithm is considered as a classifier. There are two research variants: interclass and intraclass recognition with a wide range of signal-to-noise ratio (SNR).

2

Analiza algorytmu automatycznego rozpoznawania modulacji na potrzeby radia kognitywnego oraz systemów rozpoznania radioelektronicznego

Walenczykowska M., Kawalec A.

Elektronika : konstrukcje, technologie, zastosowania

|

2015

|

Vol. 56, nr 4

36-39

PL

Potrzeba opracowania skutecznego algorytmu automatycznego rozpoznawania typów modulacji (ang. Automatic Modulation Recognition - AMR) stała się jednym z najważniejszych zagadnień związanych nie tylko z rozwojem systemów rozpoznania radioelektronicznego ale również systemów radia kognitywnego (ang. Cognitive Radio - CR) budowanych w oparciu o radio programowalne (ang. Software Defined Radio - SDR). Praca zawiera opis jednego z proponowanych algorytmów rozpoznawania wybranych typów modulacji, w którym zastosowano transformację falkową (ang. Wavelet Transform - WT) oraz sztuczną sieć neuronową (ang. Artificial Neural Network - ANN). Opisane w pracy badania dotyczyły możliwości identyfikacji następujących modulacji cyfrowych: M-QAM, M-PSK, M-ASK, M-FSK. Transformację falkową zastosowano w celu wyodrębnienia cech charakterystycznych dla każdego z rozpoznawanych typów modulacji. Natomiast jako klasyfikator zastosowano dwa rodzaje sztucznej sieci neuronowej: perceptron wielowarstwowy (ang. Multi-Layer Perceptrone - MLP) oraz sieć radialną (ang. Radial Basis Function - RBF) oraz porównano ich skuteczność. Badania wykonano z wykorzystaniem środowiska MatLab oraz własnych klas i funkcji pozwalających na realizację funkcjonalności sztucznych sieci neuronowych. Przedstawiono problemy zaobserwowane podczas realizacji badań, w szczególności związane z identyfikacją poziomu modulacji dla kluczowania fazy (M-PSK).

EN

Signal intelligence (SIGINT) and cognitive radio (CR) systems are in need of effective, automatic modulation recognition (AMR) algorithm. This task has became one of the most important problems to solve since last ten years. The article presents one of the proposed modulation recognition algorithms where continuous wavelet transform (CWT) is used for signal features extraction and artificial neural network (ANN) acts as classifier. In our researches multilayer perceptron (MLP) and radial basis function (RBF) network were considered and correctness of classification was analyzed. There are M-ary ASK, M-ary PSK, M-ary FSK, M-ary QAM signals used for simulation. The mean value, variance and higher-order moments up to five of continuous wavelet transform (CWT) were taken to consideration as signal features. Principal component analysis (PCA) was applied to reduce number of features. There were two variants analyzed: interclass and intraclass recognition with wide range of signal-to-noise ratio (SNR). In researches we used collection of class and functions created in MatLab code for learning and testing ANN. There are also problems with M-ary PSK intraclass identification problems analyzed.

3

Zastosowanie transformacji falkowej i sieci neuronowej w rozpoznawaniu typu modulacji sygnału

Walenczykowska M., Kawalec A.

Elektronika : konstrukcje, technologie, zastosowania

|

2012

|

Vol. 53, nr 9

120-123

PL

W artykule omówiono sposób rozpoznawania rodzaju modulacji przy użyciu transformacji falkowej (CWT) oraz sieci neuronowej. Przeanalizowano sygnały M-PSK, M-FSK, M-QAM, M-ASK oraz MSK. W celu wyodrębnienia cech wykorzystano wartość średnią i odchylenie standardowe |CWT| sygnałów nieunormowanych oraz unormowanych. Natomiast skuteczność sieci przetestowano dla sygnałów o stosunku sygnału do szumu równym kolejno 20, 10, 6 oraz 3 dB. Poprawność klasyfikacji wynosiła od 100% (dla S/N = 20 dB) do 81% (dla S/N = 3 dB).

EN

The article investigates possibility of modulation type recognition using wavelet transform (CWT) and neural network. There are five types signal modulation analised: M-PSK, M-FSK, M-QAM, M-ASK and MSK with and without normalization. The mean value and standard deviation of CWT are used as a signal features. Two layer neural network with backpropagation algorithm for training is proposed as classifier. Effectiveness of classifier is 100% for 20 dB signal to noise ratio to 81% for 3 dB signal to noise ratio.

4

Analiza funkcji nieoznaczoności dla wybranych sygnałów w zastosowaniu do radarów pasywnych

Walenczykowska M., Kawalec A.

Przegląd Elektrotechniczny

|

2011

|

R. 87, nr 10

174-176

PL

W artykule omówiono możliwości wykorzystania sygnałów nadajników okazjonalnych w radarze pasywnym, w szczególności sygnały stacji FM. Przedstawiono kształt funkcji nieoznaczoności tych sygnałów oraz zobrazowano wpływ parametrów sygnału oraz odbiornika na możliwości detekcyjne radaru.

EN

The article investigates possibility of using waveforms of transmitters of opportunity for passive radars, especially FM signals. This report shows shape of ambiguity functions and impact of receiver and waveform parameters on passive radar detection abilities.