Алгоритм аналізу радіочастотного спектра та селекції сигналів за зовнішніми параметрами
Ключові слова:
радіочастотний спектр, селекція сигналів, зовнішні параметри, радіомоніторинг, асоціативний масивАнотація
Для сучасного радіомоніторингу панорамний огляд широкої смуги частот і селекція сигналів складає його найважливішу частину. Постійне зростання кількості радіоелектронних засобів та розширення ширини миттєвої смуги аналізу у сучасних радіоприймальних пристроях призводить до того, що одночасно може спостерігатися значна кількість аналогових та цифрових сигналів. Автоматична адаптація системи радіомоніторингу до подальшої обробки сигналів можлива завдяки попередній селекції сигналів. Метою дослідження є розробка алгоритму для селекції сигналів у панорамних системах радіомоніторингу за їх зовнішніми параметрами. Сутність запропонованого алгоритму полягає у виявленні зайнятих ділянок радіочастотного спектра, визначенні центральної частоти та ширини смуги кожного каналу, оцінюванні рівня шуму та відношення сигнал-шум. Утворення частотних каналів дозволяє проводити фільтрацію сигналів та оцінювати тривалості імпульсів, а також завантаженість кожного каналу. Оцінки значень параметрів для кожного фрагменту сигналу та частотного каналу записуються в асоціативні масиви, що в подальшому полегшує селекцію сигналів. Через мінливість шуму та каналу поширення оцінки значень параметрів сигналів для кожного фрагменту сигналу будуть випадковими величинами. Для отримання надійних оцінок центральної частоти та ширини смуги сигналу проведено їх додаткову обробку шляхом групування виміряних значень. Доступ до даних масиву можна здійснювати як за номером частотного каналу (рядки таблиці), так і за параметрами сигналів (ключами), які є заголовками стовпців таблиці. Асоціативні зв’язки між даними забезпечать гнучку фільтрацію сигналів за будь-якими комбінаціями параметрів. Для перевірки розробленого підходу було проаналізовано смугу частот 933-953 МГц та використано контейнер для даних DataFrame Multi Index пакету Pandas мови програмування Python. Дана структура забезпечує багаторівневу індексацію, гнучкий доступ до даних та широкий набір інструментів для їх оброблення та модифікації. Розроблений алгоритм може бути використаний в існуючих та перспективних системах радіомоніторингу для ідентифікації радіоелектронних засобів та формування баз даних.
Посилання
References
Liang Y.-C. (2020). Dynamic Spectrum Management. From Cognitive Radio to Blockchain and Artificial Intelligence. Springer, 180 р. doi: 10.1007/978-981-15-0776-2.
Saber M. et. al. (2020). Spectrum Sensing for Smart Embedded Devices in Cognitive Networks using Machine Learning Algorithms. Procedia Computer Science, Vol. 176, pp. 2404–2413. doi: 10.1016/j.procs.2020.09.311.
Zhang Y. et al. (2017). A Spectrum Sensing Method Based on Signal Feature and Clustering Algorithm in Cognitive Wireless Multimedia Sensor Networks. Advances in Multimedia, Vol. 2017, 11 p. doi: 10.1155/2017/2895680.
Franco H., Cobo-Kroenke C., Welch S., Graciarena M. (2020). Wideband Spectral Monitoring Using Deep Learning. Proceedings of the 2nd ACM Workshop on Wireless Security and Machine Learning (WiseML2020), pp.19–24. doi: 10.1145/3395352.3402620.
Tekbiyik K. et al. (2021). Spectrum Sensing and Signal Identification with Deep Learning based on Spectral Correlation Function. IEEE Transactions on Vehicular Technology, Vol. 70, Iss. 10, pp. 10514-10527. doi: 10.1109/TVT.2021.3109236.
Tekbiyik K. et al. (2019). Multi-Dimensional Wireless Signal Identification Based on Support Vector Machines. IEEE Access, Vol. 7, pp. 138890-138903. doi: 10.1109/ACCESS.2019.2942368.
Jeevangi S., Jawaligi S., Patil V. (2022). Deep Learning-based SNR Estimation for Multistage Spectrum Sensing in Cognitive Radio Networks. Journal of Telecommunications and Information Technology, Vol. 4, pp. 21-31. doi: 10.26636/jtit.2022.164922.
Bedir O., Ekti A. R., Ozdemir M. K. (2023). Exploring Deep Learning for Adaptive Energy Detection Threshold Determination: A Multistage Approach. Electronics, Vol. 12, 18 p. doi: 10.3390/electronics12194183.
Bari F., Agrawal P., Chatterjee B., Sen S. (2022). Statistical Analysis Based Feature Selection Enhanced RF-PUF With >99.8% Accuracy on Unmodified Commodity Transmitters for IoT Physical Security. Frontiers in Electronics, Vol. 3, 14 p. doi: 10.3389/felec.2022.856284.
Baldini G., Chareau J.-M., Bonavitacola F. (2021). Spectrum Sensing Implemented with Improved Fluctuation-Based Dispersion Entropy and Machine Learning. Entropy, Vol. 23, 24 p. doi: 10.3390/e23121611.
Zayen B., Hayar A., Kansanen K. (2009). Blind Spectrum Sensing for Cognitive Radio Based on Signal Space Dimension Estimation. IEEE International Conference on Communications, pp. 1-5. doi: 10.1109/ICC.2009.5198794.
Yang M., Shao X., Xue G. et al. (2021). Big data theory based spectrum sensing algorithm for the satellite cognitive radio network. Wireless Networks, 9 p. doi: 10.1007/s11276-021-02808-7.
Zheng S. et al. (2018). Big Data Processing Architecture for Radio Signals Empowered by Deep Learning: Concept, Experiment, Applications and Challenges. IEEE Access, Vol. 6, pp. 55907-55922. doi: 10.1109/ACCESS.2018.2872769.
Recommendation ITU-R SM.1600-3. Technical identification of digital signals SM Series Spectrum management. (2017). ITU, 25 р.
Recommendation ITU-R SM.443 – Bandwidth measurement at monitoring stations.
Handbook. Spectrum monitoring. (2011). ITU Radiocommunication Bureau, 678 р.
Cook C. E., Bernfeld M. (1993). Radar Signals: An Introduction to Theory and Applications. Artech House, Inc.: Norwood, MA, USA. 552 p.
VanderPlas J. (2017). Python Data Science Handbook. Essential Tools for Working with Data. O’Reilly Media. 647 p.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Микола Вікторович Бугайов
Ця робота ліцензується відповідно до 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.
