Детальная информация

Работа посвящена созданию системы для приема, обработки и классификации радиосигналов в широком диапазоне частот с использованием SDR-платформы и методов машинного обучения. Проект ориентирован на задачи мониторинга радиоэфира, автоматического детектирования и классификации сигналов, генерируемых различными радиопередающими устройствами, включая базовые станции. В рамках работы был выполнен сравнительный анализ доступных SDR-платформ. В качестве аппаратной базы был выбран USRP B200. Программная часть управления SDR разрабатывалась на языке C++ и Python для реализации нейросети на базе TensorFlow. Классификация модуляций реализована с помощью гибридной архитектуры нейросети, включающей слои свертки, блоки внимания SE позиционные кодировки, трансформерный многоголовым вниманием и LSTM-модули для учета временных зависимостей. Финальный классификатор обеспечивает детекцию 24 видов модуляций, включая PSK, QAM, APSK и FM. Обучение проводилось с использованием оптимизатора AdamW и регуляризации через ReduceLROnPlateau. Реализованная система обеспечивает последующую классификацию с высокой точностью при различных уровнях SNR, визуализацию спектров с наложением результатов детектирования, а также поддержку GPU-ускорения. Проведенное тестирование подтвердило надежность архитектуры и эффективность разработанной модели, в условиях низкого отношения сигнал/шум.

The work focuses on creating a software system for receiving, processing, and classifying radio signals across a wide frequency range using SDR platform and machine learning methods. The project addresses radio spectrum monitoring challenges, automatic detection and classification of signals generated by various radio transmitting devices, including base stations. Within the framework of this research, a comparative analysis of available SDR platforms was conducted. USRP B200 was selected as the hardware foundation. The SDR control software component was developed using C++ and Python languages for implementing a neural network based on TensorFlow. Modulation classification was implemented through a hybrid neural network architecture, incorporating convolutional layers, SE attention blocks, positional encodings, transformer-based multi-head attention mechanisms, and LSTM modules for temporal dependency processing. The final classifier enables detection of 24 modulation types, including PSK, QAM, APSK, and FM. Training was conducted utilizing the AdamW optimizer and regularization through ReduceLROnPlateau. The implemented system provides subsequent classification with high accuracy at various SNR levels, spectrum visualization with detection result overlays, and GPU acceleration support. Testing confirmed the architecture reliability and effectiveness of the developed model under low signal-to-noise ratio conditions.

• РЕФЕРАТ
• ABSTRACT
• ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ
• ВВЕДЕНИЕ
• Глава 1. АКТУАЛЬНОСТЬ РАБОТЫ
• Глава 2. ОБЗОР СУЩЕСТВУЮЩИХ РЕШЕНИЙ
  • 2.1 Прием радиосигналов
    • 2.1.1 Приемники семейства Realtek
    • 2.1.2 Устройство HackRF
    • 2.1.3 Платформа Lime SDR
    • 2.1.4 Аппаратное семейство USRP
  • 2.2 Анализ Сигналов
    • 2.2.1 Сверточные нейронные сети для распознавания радиомодуляции
    • 2.2.2 Классификация спектрограмм диапазона 3,5 ГГц с помощью глубокого обучения и ее применение к мониторингу спектра
    • 2.2.3 Спектральный анализ и сверточная нейронная сеть для автоматического распознавания модуляции
    • 2.2.4 Обнаружение модуляции в системах неортогонального множественного доступа с использованием методов глубокого обучения
    • 2.2.5 Исследование глубоких нейронных архитектур в задачах распознавания модуляции
    • 2.2.6 Ресурсоэффективная нейронная сеть для автоматической классификации модуляции в беспилотных системах связи
    • 2.2.7 Алгоритм распознавания модуляции радиосигналов на основе остаточных сетей и механизмов внимания
• Глава 3. ОБОСНОВАНИЕ ИСПОЛЬЗУЕМЫХ ТЕХНОЛОГИЙ И СРЕДСТВ РАЗРАБОТКИ
• Глава 4. ТЕХНИЧЕСКИЕ ТРЕБОВАНИЯ
• Глава 5. АРХИТЕКТУРА РЕШЕНИЯ
  • 5.1 Получение сигнала
  • 5.2 Обработка записи
  • 5.3 Модель детектирования модуляции
    • 5.3.1 Первый слой
    • 5.3.2 Сверточные слои
    • 5.3.3 Промежуточный слой
    • 5.3.4 Слой внимания
    • 5.3.5 Блок трансформера энкодера
    • 5.3.6 Промежуточный слой трансформера
  • 5.4 Визуализация данных
• Глава 6. ОПИСАНИЕ РЕАЛИЗАЦИИ
  • 6.1 Работа с периферией
  • 6.2 Обработка записи
  • 6.3 Модель детектирования сигналов
    • 6.3.1 Общие параметры обучения
    • 6.3.2 Слой нормализации
    • 6.3.3 Сверточные слои
    • 6.3.4 Позиционное кодирование
    • 6.3.5 Реализация блока сжатия и возбуждения
    • 6.3.6 Реализация трансформера
    • 6.3.7 Промежуточный слой трансформера и классификатор
    • 6.3.8 Результаты работы
• ЗАКЛЮЧЕНИЕ
• СПИСОК ЛИТЕРАТУРЫ