Данная работа посвящена разработке программного обеспечения для распознавания OFDM сигналов в широкополосной спектрограмме с помощью нейронной сети. В ходе разработки необходимо было решить следующие задачи: - Разработка генератора тестовых сигналов для обучения нейронной сети. - Обучение нейронной сети YOLOv8. - Разработка программных средств оценки результатов обнаружения и классификации. Разработан генератор тестовых OFDM сигналов, соответствующих стандарту IEEE802.11ac, и сигналов с QAM, PSK и FSK модуляциями, который позволяет задавать количество сигналов в спектрограмме, полосу частот (20, 40 или 80 МГц) и длительность (в диапазоне от 2,2 до 4,3 мс) сигналов, смещение по частоте и времени для каждого сигнала, а также отношение сигнал/шум. Генератор реализован в среде моделирования Matlab и обеспечивает создание спектрограмм с шириной полосы частот 640 МГц. Для решения задач обнаружения сигналов в широкополосной спектрограмме и классификации обнаруженных сигналов использована нейронная сеть YOLOv8n. Для разработки программных средства использован язык программирования Python и библиотека ultralytics. Исследование разработанных программных средств обнаружения и классификации сигналов в широкополосной спектрограмме в диапазоне отношения сигнал/шум от -20 дБ до 20 дБ показало, что доля верно найденных и верно классифицированных сигналов выше 0.85 при отношении сигнал-шум больше -3 дБ.

The topic of the final qualifying work: "Development of software for recognizing OFDM signals" This work is devoted to the development of software for recognizing OFDM signals in a broadband spectrogram using a neural network. During the development, it was necessary to solve the following tasks: • Development of a test signal generator for neural network training. • YOLOv8 neural network training. • Development of software tools for evaluating the results of detection and classification. A generator of test OFDM signals conforming to the IEEE802.11ac standard and signals with QAM, PSK and FSK modulations has been developed, which allows you to set the number of signals in the spectrogram, the frequency band (20, 40 or 80 MHz) and the duration (in the range from 2.2 to 4.3 ms) of the signals, the frequency and time offset for each the signal, as well as the signal-to-noise ratio. The generator is implemented in the Matlab simulation environment and provides the creation of spectrograms with a bandwidth of 640 MHz. The YOLOv8n neural network was used to solve the problems of detecting signals in a broadband spectrogram and classifying the detected signals. The Python programming language and the ultralytics library were used to develop the software. A study of the developed software tools for detecting and classifying signals in a broadband spectrogram in the signal-to-noise ratio range from -20 dB to 20 dB showed that the proportion of correctly found and correctly classified signals is higher than 0.85 with a signal-to-noise ratio greater than -3 dB.

• ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ
• ВВЕДЕНИЕ
• ГЛАВА 1. ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ
  • 1.1. Системы радиомониторинга
  • 1.2. Телекоммуникационные системы, использующие OFDM
  • 1.3. Алгоритмы распознавания
  • 1.4. Цель работы и решаемые задачи
• ГЛАВА 2. ГЕНЕРАТОР ТЕСТОВЫХ СИГНАЛОВ
  • 2.1. Требования к генератору тестовых сигналов
  • 2.2. Функциональная схема генератора
  • 2.3. Формирование OFDM сигналов
  • 2.4. Формирование сигналов с другими модуляциями
  • 2.5. Понятия мощности шума и сигналов
  • 2.6. Формирование суммарного сигнала в широкой полосе частот
  • 2.7 Формирование спектрограммы
• ГЛАВА 3. ПРОГРАММНЫЕ СРЕДСТВА ОБНАРУЖЕНИЯ И КЛАССИФИКАЦИИ СИГНАЛОВ
  • 3.1. Выбор модели нейронной сети
  • 3.2. Структура нейронной сети YOLO
  • 3.3. Программные средства обучения и тестирования нейронной сети
• ГЛАВА 4. ИССЛЕДОВАНИЕ КАЧЕСТВА ОБНАРУЖЕНИЯ И КЛАССИФИКАЦИИ СИГНАЛОВ
  • 4.1. Создание набора данных для обучения
  • 4.2. Обучение нейронной сети
  • 4.3. Обнаружение сигналов на спектрограмме
  • 4.4. Классификация обнаруженных сигналов
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ