Моделі та методи обробки сигналів на фоні корельованих ексцесних процесів
DOI:
https://doi.org/10.20535/RADAP.2025.101.%25pКлючові слова:
моментно-кумулянтні моделі, виявлення сигналів, статистики вищих порядків, поліноміальні розв’язувальні правила, модифікований моментний критерій, корельовані негаусові процесиАнотація
В роботі представлено нові математичні моделі та методи обробки сигналів, сформовані під впливом корельованих ексцесних негаусових завад, які широко зустрічаються в телекомунікаційних системах, радіолокаційних пристроях, засобах технічного контролю та інших прикладних системах. Основою побудови запропонованого підходу є моментно-кумулянтне представлення випадкових процесів, що дозволяє описати не лише базові статистичні характеристики досліджуваних сигналів, але й урахувати вплив негаусових параметрів, зокрема коефіцієнта ексцесу та кореляційних зв’язків між вибірковими значеннями. Такий підхід є актуальним у випадках, коли традиційні та широкого вживані гаусові моделі не забезпечують належної точності опису досліджуваних процесів, а побудова повної багатовимірної PDF є надмірно складною або неможливою з практичної точки зору.
Запропоновано методи синтезу поліноміальних стохастичних розв’язувальних правил (РП), які формуються на основі модифікованого моментного критерію якості для оцінки верхніх границь ймовірностей помилок у задачах статистичного виявлення сигналів. Побудовано як лінійні, так і нелінійні РП для різних степенів поліномів, що дає змогу адаптувати модель до різних типів завадових умов. Досліджено вплив коефіцієнта ексцесу та параметрів кореляції на ефективність виявлення сигналів. Показано, що використання статистик вищих порядків та нелінійна обробка вибіркових значень призводить до зменшення ймовірностей помилок першого та другого роду РП. Запропоновані моделі та методи виявлення сигналів можуть бути інтегровані в інтелектуальні системи обробки інформації, а також використані для розробки адаптивних алгоритмів виявлення в реальному часі.
Посилання
References
1. Peppas K., et al. (2018). High-Order Statistics for the Channel Capacity of EGC Receivers Over Generalized Fading Channels. IEEE Commun. Lett., Vol. 22, Iss. 8, pp. 1740-1743. doi:10.1109/LCOMM.2018.2846229.
2. Guo G., Mandal M., Jing Y. (2019). A robust detection of known signal in non-Gaussian noise using threshold systems. Signal Processing, Vol. 92, Iss. 11, pp. 2676-2688. doi:10.1016/j.sigpro.2012.04.014.
3. Herzog, M. H., Francis, G., Clarke, A. (2019). Experimental Design and the Basics of Statistics: Signal Detection Theory (SDT). In: Understanding Statistics and Experimental Design. Springer, Cham., 139 p. doi:10.1007/978-3-030-03499-3_2.
4. Van Trees, H., Bell, K., Tiany, Z. (2013). Detection Estimation and Modulation Theory. Wiley; 2nd edition, New Jersey, 1145 p.
5. Kay, S. M. (2008). Fundamentals of Statistical Signal Processing. Prentice Hall PTR, NJ., 614 p.
6. Zhu, X., Wang, T., Bao, Y., Hu, F., Li, S. (2019). Signal Detection in Generalized Gaussian Distribution Noise With Nakagami Fading Channel. IEEE Access, Vol. 7, pp. 23120-23126. doi:10.1109/ACCESS.2019.2895627.
7. Kassam, S. (2011). Signal Detection in Non-Gaussian Noise. Springer Verlag, New York, 233 p.
8. Krasilnikov, A., Beregun, V. (2024). Cumulant Detector of Non-Gaussian Signals against Background of Non-Gaussian Interferences. Radioelectronics and Communications Systems, Vol. 67, pp. 317–330. doi:10.3103/S0735272724060037.
9. Beregun, V., Krasilnikov A. (2020). The Use of Cumulant Methods for Distinction of Diagnostic Signals with Gamma Distribution. 2020 IEEE 40th International Conference on Electronics and Nanotechnology (ELNANO), pp.741-746. doi: 10.1109/ELNANO50318.2020.9088804.
10. T. V. Malenchyk, S. Ya. Zhuk (2024). Algorithm for Sequential Detection of Trajectory of Small Sized UAV by FMCW Radar According to Strongest Neighbor Criterion. Visnyk NTUU KPI Seriia – Radiotekhnika Radioaparatobuduvannia, Iss. 98, pp. 23–29. doi:10.20535/RADAP.2024.98.23-29.
11. Kunchenko Y. P. (2002). Polynomial Parameter Estimation of Close to Gaussian Random Variables. Aachen: Shaker, 396 p.
12. Kunchenko Y. P. (2006) Stohasticheskie polinomyi [Stochastic Polynomials]. К.: Naukova Dumka, 275 p.
13. V. Palahin, J. Juhár, O. Zorin, D. Viediernikov and E. Palahina (2018). Computer Modeling of Noise Signals Processing System in Non-Gaussian Noise. 2018 IEEE 38th Inter-national Conference on Electronics and Nanotechnology (ELNANO), pp. 658-662. doi:10.1109/ELNANO.2018.8477442.
14. L. Vokorokos, S. Marchevský, A. Ivchenko, E. Palahina, V. Palahin (2017). Parameters Estimation of Correlated non-Gaussian processes by the Method of Polynomial Maximization. IET Signal Processing, Vol. 11, Iss. 3, pp. 313–319. doi:10.1049/iet-spr.2016.0142.
15. V. Palahin, and O. Zorin (2024). Models and methods for RZ-signals distinction in non-Gaussian noise for information-measurement systems. Journal of Electrical Engineering, Vol. 75, No. 5, pp. 372-382, Slovak University of Technology. DOI: 10.2478/jee-2024-0045.
16. Peppas, K., Mathiopoulos, P., Yang, J., Zhang, C., Sasase, I. (2018). High-Order Statistics for the Channel Capacity of EGC Receivers Over Generalized Fading Channels. IEEE Communications Letters, Vol. 22, No. 8, pp. 1740-1743. doi:10.1109/LCOMM.2018.2846229.
17. M. Coulon, J.-Y. Tourneret, and A. Swami (2000). Detection of Multiplicative Noise in Stationary Random Processes Using Second- and Higher Order Statistics. IEEE Transactions on Signal Processing, Vol. 48, No. 9, pp. 2566-2575. DOI: 10.1109/78.863059.
18. Denkovski, D., Atanasovski, V., Gavrilovska, L. (2012). HOS Based Goodness-of-Fit Testing Signal Detection. IEEE Communications Letters, Vol. 16, Iss. 3, pp.310-313. doi:10.1109/LCOMM.2012.010512.111830.
19. C. Chen, W. Xu, Y. Pan, H. Zhu and J. Wang (2022). A Nonparametric Approach to Signal Detection in Non-Gaussian Noise. IEEE Signal Processing Letters, Vol. 29, pp. 503-507. doi:10.1109/LSP.2022.3143031.
20. Dgani, B.; Cohen, I. (2024). Efficient Cumulant-Based Automatic Modulation Classification Using Machine Learning. Sensors, Vol. 24, Iss. 2, 701. doi:10.3390/s24020701.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 В. В. Палагін , О. А. Палагіна , Т. В. Воробкало , С. С. Мартиненко , О. С. Зорін
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
