Nhận dạng tín hiệu ra đa LPI sử dụng mạng nơ ron học sâu

Hiện nay, các thiết bị ra đa sử dụng kỹ thuật điều chế tín hiệu phức tạp nhằm giảm xác suất bị thu chặn (LPI). Trong khi đó, dạng điều chế tín hiệu ra đa là một trong những thông tin quan trọng trong trinh sát điện tử, cho phép định danh nguồn phát xạ. Do đó, một mô hình mạng nơ-ron học sâu tích chập (CNN) sẽ được đề xuất trong bài báo này, nhằm nâng cao khả năng nhận dạng tín hiệu ra đa LPI. Cụ thể, mô hình CNN đề xuất được khảo sát với số kênh và kích thước bộ lọc khác nhau.

Nguyễn Văn Linh, Đồn Văn Sáng, Trần Cơng Tráng, Trần Văn Cường 70 NHẬN DẠNG TÍN HIỆU RA ĐA LPI SỬ DỤNG MẠNG NƠ-RON HỌC SÂU LPI RADAR SIGNAL RECOGNITION USING DEEP-LEARNING NEURAL NETWORK Nguyễn Văn Linh, Đoàn Văn Sáng*, Trần Công Tráng, Trần Văn Cường Học viện Hải quân1 Tác giả liên hệ: doansang.g1@gmail.com (Nhận bài: 01/7/2021; Chấp nhận đăng: 07/9/2021) * Tóm tắt - Hiện nay, thiết bị đa sử dụng kỹ thuật điều chế tín hiệu phức tạp nhằm giảm xác suất bị thu chặn (LPI) Trong đó, dạng điều chế tín hiệu đa thông tin quan trọng trinh sát điện tử, cho phép định danh nguồn phát xạ Do đó, mơ hình mạng nơ-ron học sâu tích chập (CNN) đề xuất báo này, nhằm nâng cao khả nhận dạng tín hiệu đa LPI Cụ thể, mơ hình CNN đề xuất khảo sát với số kênh kích thước lọc khác Kết khảo sát cho thấy, tham số cao độ xác nhận dạng tăng, nhiên, thời gian thực thi chậm Vì vậy, cần lựa chọn mạng có độ lớn phù hợp để đạt độ xác cần thiết với thời gian thực thi cho phép Ngoài ra, kỹ thuật tiền xử lý đóng vai trị quan trọng việc nâng cao độ xác nhận dạng mạng CNN Do đó, hai kỹ thuật STFT WVD khảo sát Kết cho thấy, WVD cho độ xác nhận dạng cao thời gian xử lý chậm STFT Abstract - Currently, radar equipment uses Low Probability Intercepted (LPI) signals Meanwhile, modulated radar signal is one of the important information in electronic reconnaissance, allowing the identification of the emission source In order to improve the recognition of LPI radar signals, convolutional deep learning neural networks (CNN) are proposed in this paper Specifically, the proposed CNN model is surveyed with different channel numbers and filter sizes Survey results show that, the higher the parameter, the higher the identification accuracy; however, the slower the execution time Therefore, it is necessary to select a network of a suitable size to achieve the required accuracy with the allowed execution time In addition, preprocessing techniques also play an important role in enhancing the identity accuracy of the CNN network Therefore, two techniques of STFT and WVD were explored Although WVD offers higher recognition accuracy, the results show that it has a slower processing time than STFT Từ khóa - Trinh sát điện tử; mạng nơ-ron tích chập; tín hiệu đa; kỹ thuật tiền xử lý; điều chế tín hiệu Key words - Electronic reconnaissance; Convolutional Neural Network (CNN); radar signal; pretreatment techniques; modulation of signals Giới thiệu Trong tác chiến điện tử (EW: Electronic Warfare), thiết bị đa chủ động thường sử dụng giải pháp quản lý công suất, thời gian, dải phổ khơng gian phát sóng để tránh làm giảm xác suất bị thu chặn Ngoài ra, kỹ thuật điều chế tín hiệu đa giúp cho xác suất thu chặn giảm đáng kể Những tín hiệu điều chế gọi tín hiệu thu chặn xác xuất thấp (LPI: Low Probability of Intercept) Chính vậy, hệ thống trinh sát điện tử gặp phải nhiều thách thức việc nhận dạng tín hiệu LPI Thật vậy, hoạt động trinh sát điện tử, nhận dạng tín hiệu LPI nguồn phát mà đối phương sử dụng góp phần định danh nguồn phát, từ nắm bắt tình hình lực lượng trang bị đối phương Bài tốn nhận dạng tín hiệu LPI trở nên khó khăn hoạt động điều kiện có nhiều nguồn xạ điện từ (trạm phát thanh, truyền hình, trạm thu phát sóng viễn thơng, thiết bị wifi, loại đa, máy thông tin, ) khiến cho mật độ truyền sóng mơi trường trở nên dày đặc Trước đây, để nhận biết kiểu loại tín hiệu, thiết bị trinh sát điện tử cần phải thu chặn, xử lý trích chọn cách hiệu đặc trưng tín hiệu để tạo liệu đầu vào cho thuật toán nhận dạng chuyên dụng Theo đó, kỹ thuật phân tích phổ thời gian tần số sử dụng rộng rãi để trích rút đặc trưng mật độ cơng suất tín hiệu miền thời gian tần số Trong đó, đáng ý kỹ thuật xử lý biến đổi Fourier thời gian ngắn (STFT: Short Time Fourier Transform) Xử lý phân bố Wigner-Ville (WVD: Wigner-Ville Distribution) Gần đây, mạng nơ-ron tích chập (CNN) sử dụng rộng rãi nhiều lĩnh vực như: Nhận dạng hình ảnh; Nhận dạng giọng nói; Nhận dạng chữ viết tay, Mạng CNN có tiềm to lớn để ứng dụng vào lĩnh vực quân mà cụ thể nhận dạng tín hiệu đa LPI cho nhiệm vụ trinh sát điện tử Gần đây, luận án tiến sĩ [1] Grancharova đề xuất mạng CNN (có ba lớp tích chập, lớp có 32 kênh với kích thước lọc 3x3) để phân loại dạng điều chế tín hiệu vơ tuyến Mặc dù, mạng CNN cải thiện độ xác nhận dạng trung bình lên đến 86% cho tỉ số tín / tạp (SNR) khoảng (-10, +10) dB, cao so với mạng CNN khác (với độ xác 73%) đề xuất [2], mơ hình CNN [1] cịn đơn giản sử dụng liệu đầu vào dạng biên độthời gian Bên cạnh đó, mơ hình LSTM (Long Short Term Memory) nghiên cứu, khảo sát so sánh với mơ hình CNN Kết nghiên cứu [3] cho thấy khả phân loại LSTM có tính ổn định so với CNN thay đổi mơi trường truyền sóng Mặc dù vậy, xét điều kiện định, mơ hình CNN có khả nhận dạng tín hiệu tốt LSTM Do đó, kết hợp CNN LSTM tăng tính ổn định thuật tốn nhận dạng có tác động nhiễu mà đảm bảo độ xác nhận dạng cao [4] Naval Academy (Nguyen Van Linh, Van-Sang Doan, Tran Cong Trang, Tran Van Cuong) ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 19, NO 10, 2021 Một số nghiên cứu cho thấy, kỹ thuật tiền xử lý để tạo liệu đầu vào cho mơ hình nhận dạng tác động lớn đến hiệu nhận dạng (độ xác tốc độ xử lý) Trong đó, kỹ thuật tiền xử lý điển STFT [5] biến đổi Wavelet [6], WVD [7], Choi-Williams Distribution [8] ứng dụng rộng rãi Tuy nhiên, kỹ thuật xử lý có ưu nhược điểm riêng phù hợp với mơ hình nhận dạng khác Chính vậy, nghiên cứu nhóm tác giả thực khảo sát tính hiệu mạng CNN sử dụng hai kỹ thuật tiền xử lý STFT WVD Cụ thể, nhóm tác giả đề xuất mơ hình mạng CNN có khả ứng dụng nhận dạng tín hiệu LPI (bao gồm LFM, Barker Rect) Đây ba loại điều chế tín hiệu đa phổ biến Mơ hình CNN mà nhóm tác giả đề xuất huấn luyện đánh giá tập liệu giả lập chương trình Matlab Theo đó, hiệu nhận dạng tín hiệu LPI mơ hình đề xuất đánh giá cách thay đổi tham số mạng Kết thử nghiệm cho thấy, mơ hình CNN phức tạp độ xác nhận dạng cao, nhiên thời gian xử lý lâu Ngoài ra, hiệu hai kỹ thuật tiền xử lý (STFT WVD) để tạo tập liệu so sánh với áp dụng mạng CNN nhóm tác giả Mặc dù, kỹ thuật WVD cho độ xác cao STFT tốc độ xử lý chậm Các tín hiệu đa LPI kỹ thuật tiền xử lý 2.1 Tín hiệu LPI Trong báo này, nhóm tác giả xem xét ba dạng sóng đa điển hình, bao gồm: tín hiệu điều chế nội xung đơn tần (Rect), tín hiệu điều tần tuyến tính (LFM) tín hiệu điều pha mã Barker (Barker) Các tín hiệu giả lập để phục vụ cho việc huấn luyện mạng CNN kiểm nghiệm Như biết, tín hiệu đa dạng số thực mơ tả sau: s (t ) = A(t ) cos (2 f t + 71  t + 0 );  A0 , t  [0, x ]; A (t ) =  0, t  [0, x ], 2 f = (rad / s ) t (3) Trong đó, x độ rộng xung; A0 biên độ; f0 tần số góc sóng mang; 𝜂 hệ số nén tín hiệu điều tần; f lượng dịch tần thời gian t; 0 pha ban đầu tín hiệu 2.1.3 Tín hiệu điều chế pha mã Barker Tín hiệu điều pha (hay tín hiệu mã pha) tổ hợp n xung vô tuyến liên tiếp nhau, có độ rộng  tần số f0 với số hữu hạn p giá trị pha ban đầu (q) (q = 0, 1, …, p - 1) tạo thành xung tín hiệu có độ rộng x = n tương đối lớn Giá trị pha ban đầu xung thành phần phân bố đoạn [0, 2 theo quy luật định [9] Trong trường hợp p = 2, hai giá trị pha ban đầu (0) = (1) =  Tín hiệu s(t) trở thành tín hiệu điều pha mã Barker khi:   A0 t  0, x  A(t ) =  ,  0 t  0, x  f (t ) = f , (4)  (t ) = Barker 0;   , Trong đó, x độ rộng xung; A0 biên độ (không đổi); f0 tần số sóng mang (khơng đổi); (t) pha ban đầu xung tín hiệu (theo quy luật mã Barker) Bảng Bộ mã Barker biết n Mã Barker +1 −1 (1) +1 +1 −1 Trong đó, A(t) giá trị biên độ - hàm phụ thuộc thời gian mô tả đường bao tín hiệu điều chế, f(t) tần số sóng mang phụ thuộc thời gian φ(t) pha tín hiệu 2.1.1 Tín hiệu Rect Đây tín hiệu phổ biến sử dụng phần lớn hệ thống đa, đặc biệt hệ thống sử dụng máy phát dùng Magnetron Tín hiệu s(t) trở thành tín hiệu điều chế nội xung đơn tần khi: +1 +1 −1 +1 +1 +1 +1 −1 +1 +1 +1 +1 −1 −1 +1 −1 11 +1 +1 +1 −1 −1 −1 +1 −1 −1 +1 −1 13 +1 +1 +1 +1 +1 −1 −1 +1 +1 −1 +1 −1 +1 s(t ) = A(t ) cos(2 f (t )t +  (t ))   A0 t  0, x  A(t ) =  , f (t ) = f0 ,  (t ) = 0 (2)  0 t  0, x  Trong đó, x độ rộng xung; A0 biên độ (khơng đổi); f0 tần số sóng mang (khơng đổi); 0 pha ban đầu tín hiệu (khơng đổi) 2.1.2 Tín hiệu LFM Tín hiệu LFM sử dụng đài đa đại nhằm nâng cao cự ly hoạt động khả phân biệt mục tiêu, đồng thời giảm công suất phát việc tăng độ rộng xung phát nén xung máy thu Tín hiệu LFM thường tạo máy phát sử dụng cơng nghệ bán dẫn Tín hiệu s(t) trở thành tín hiệu điều tần tuyến tính nội xung khi: +1 +1 +1 +1 +1 −1 2.2 Tiền xử lý tín hiệu Hình dạng phổ tần số-thời gian tín hiệu dấu hiệu quan trọng để phân biệt dạng điều chế tín hiệu LPI Đã có nhiều phương pháp xử lý tín hiệu miền thời gian miền tần số nghiên cứu phát triển Trong nghiên cứu này, nhóm tác giả sử dụng hai kỹ thuật xử lý phổ biến, bao gồm STFT WVD để tạo hình ảnh phổ tần số-thời gian Tập liệu tạo hai kỹ thuật sử dụng để huấn luyện đánh giá mạng CNN 2.2.1 Xử lý STFT Biến đổi STFT phép phân tích tín hiệu mà kết thu ảnh phổ mật độ cơng suất tín hiệu theo thời gian tần số Theo đó, trước biến đổi Fourier, tín hiệu phải chia thành đoạn ngắn cách nhân với hàm cửa sổ (window function) Một số hàm cửa sổ điển hình sử dụng như: Nguyễn Văn Linh, Đồn Văn Sáng, Trần Cơng Tráng, Trần Văn Cường 72 Rectangular window, Gauss window, Cassion Như vậy, độ mượt phổ công suất phụ thuộc vào độ rộng hàm cửa sổ tỉ lệ chồng lấn cửa sổ trượt qua tín hiệu Phép biến đổi STFT biểu diễn tổng quát biểu thức toán học sau:  S ( ,  ) = STFT{s(t )} =  s(t)w(t − )e −it dt (5) − Trong đó, w(-) hàm cửa sổ 2.2.2 Xử lý phân bố Wigner-Ville So với xử lý STFT, xử lý phân bố Wigner-Ville cung cấp độ phân giải thời gian tần số cao Về mặt tốn học, phép tính WVD mô tả sau:  Ws (t ,  ) =   *   s  t +  s  t −  e − j  d (6) − Mơ hình CNN cho tốn nhận dạng tín hiệu LPI CNN mơ hình mạng nơ-ron học sâu hệ thống thơng minh, có khả tự động trích chọn đặc trưng liệu với độ xác cao Nó áp dụng vào đời sống thực tiễn với ứng dụng điển nhận dạng khn mặt, chuyển giọng nói thành văn bản, chẩn đốn hình ảnh y học, … Trong lĩnh vực trinh sát điện tử, mơ hình CNN có tiềm ứng dụng vào nhận dạng tín hiệu đa LPI Mạng nơ-ron học sâu mà nhóm tác giả đề xuất trình bày Hình 1, gồm có: Lớp đầu vào, ba khối tự động trích xuất đặc tính (ConvBlock) khối đầu lớp chuẩn hóa (Norm), tích chập (Conv), gộp (Maxpool) hàm kích hoạt (ReLU) kết nối liên tiếp với Lớp Norm dùng để chuẩn hóa liệu đầu vào trước thực phép tính tích chập lớp Conv Như đề cập [10], lớp Norm giúp đẩy nhanh trình huấn luyện nhờ việc đưa giá trị đặc tính dạng chuẩn hóa Giả thiết đầu vào Norm xi giá trị đầu xˆi nhận theo công thức sau: xˆi = xi −  B  B2 + (7) 1 B  xi  B2 = ( xi −  ) lần B i =1 B i =1 lượt giá trị trung bình phương sai nhóm gồm B ảnh phổ đầu vào, ϵ số đủ nhỏ để ổn định đầu trường hợp phương sai nhỏ Trong nghiên cứu nhóm tác giả chọn ϵ = 10-5 Đặc tính phổ thời gian-tần số sau chuẩn hóa đưa vào lớp Conv có K kênh song song, kênh lọc có kích thước k×k Lớp Conv có chức tăng cường đặc tính hữu ích đồng thời làm suy yếu đặc tính khơng cần thiết nhiễu Phép tính tích chập với tín hiệu đầu vào véc-tơ a véc-tơ trọng số w lọc biểu diễn sau: Trong đó,  B = k −1 yn = a n + i wi (8) i =0 Với n thỏa mãn  n + i  N , i = 0,1, , k − Theo sau lớp Conv lớp Maxpool Lớp sử dụng để chọn lọc đặc tính mạnh, loại bỏ đặc tính yếu, đồng thời làm giảm kích thước liệu cho lớp Các lớp gộp (Pool) có nhiều loại khác nhau: Max pooling lấy phần tử lớn từ ma trận đối tượng; Average Pooling lấy tổng trung bình Sum Pooling lấy tổng tất phần tử map Trong mơ hình CNN đề xuất, lớp Maxpool sử dụng Hàm kích hoạt (Activation function) hàm phi tuyến áp dụng vào đầu lớp Maxpooling, Hình 1b Nhiều nghiên cứu rằng, hàm ReLU (Rectified Linear Unit) cho tốc độ tính tốn nhanh, đồng thời khắc phục số nhược điểm hàm khác Sigmoid Tanh Do đó, hàm ReLU lựa chọn áp dụng mơ hình mạng nhóm tác giả Theo hàm ReLU mô tả sau: ƒ ( x ) = max ( 0, x ) Hình Mơ hình CNN đề xuất cho tốn nhận dạng tín hiệu đa LPI a) Mơ hình tổng qt; b) mơ hình ConvBlock Tham số lớp đầu vào mạng CNN định theo kích thước ảnh phổ tín hiệu Cụ thể nghiên cứu này, sử dụng liệu phổ STFT kích thước lớp đầu vào 128×17, kích thước 200×200 sử dụng liệu phổ WVD Các đặc tính hữu ích để phân biệt dạng tín hiệu LPI ảnh phổ đầu vào tự động trích chọn qua khối Convblock Chi tiết lớp Convblock thể Hình 1b), đó, (9) Khối đầu (Output) bao gồm lớp: FC (Fully Connected layer), Softmax, Classification Các lớp kết nối đầy đủ (FC) mạng nơ-ron lớp mà tất đầu vào từ lớp kết nối với đơn vị kích hoạt lớp Trong hầu hết mô hình học máy phổ biến, vài lớp cuối lớp kết nối đầy đủ biến đổi liệu trích xuất lớp trước để tạo thành đầu cuối Đây lớp tiêu tốn nhiều thời gian thứ hai sau Lớp Convolution ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 19, NO 10, 2021 Hàm Softmax hàm biến vectơ gồm K giá trị thực thành vectơ gồm K giá trị thực có tổng Các giá trị đầu vào tùy ý, hàm Softmax biến chúng thành giá trị 1, để chúng hiểu xác suất Nếu đầu vào nhỏ âm, Softmax biến thành xác suất nhỏ đầu vào lớn, biến thành xác suất lớn, ln nằm khoảng từ đến Softmax hữu ích chuyển đổi điểm số thành phân phối xác suất chuẩn hóa, hiển thị cho người dùng sử dụng làm đầu vào cho hệ thống khác Vì lý này, người ta thường thêm hàm Softmax làm lớp cuối mạng nơ-ron Lớp Classification thực định dạng sóng tín hiệu đa LPI tương ứng với liệu phổ đầu vào Việc định phụ thuộc vào xác suất dạng sóng tính hàm Softmax trước Giả sử pi xác suất phân lớp tín hiệu, kết dự đốn xác định sau: Waveform predicted = arg max( pi ) a) Barker b) LFM độc lập so với tập huấn luyện với giá trị SNR từ -20 dB đến 10 dB với bước cách dB Như vậy, tập kiểm tra có tổng số 186 000 ảnh phổ cho kỹ thuật tiền xử lý (2 000 ảnh phổ / kiểu điều chế / SNR) Các tham số tín hiệu mơ thể Bảng Quá trình huấn luyện kiểm tra hiệu mạng CNN đề xuất thực GPU máy tính có cấu sau: CPU Intel Core 9300H CPU @ 2.40GHz, RAM 16 GB, GPU GTX 1660ti 6GB Bảng Các tham số tín hiệu mơ Tín hiệu Các tham số Rect Fs = 100 MHz Fc = U{Fs/6, Fs/5} τ = U{0.5, 2} μs LFM Fs = 100 MHz Fc = U{Fs/6, Fs/5} τ = U{0.5, 2} μs B =U{Fs/20, Fs/16} Barker Fs =100 MHz Fc = U{Fs/6, Fs/5} τ0 = U{0.1, 0,5} μs B = U{Fs/20, Fs/16} N={3, 4, 5, 7, 11} (10) Kết kiểm nghiệm thảo luận 4.1 Tập liệu phần cứng huấn luyện Dữ liệu cho huấn luyện mạng nơ-ron đóng vai trị quan trọng, định độ xác nhận dạng tín hiệu điều chế Nhóm tác giả mơ dạng tín hiệu đa LPI tín hiệu điều chế nội xung đơn tần; Tín hiệu điều tần tuyến tính nội xung; Và tín hiệu điều pha mã Barker Matlab Mỗi tín hiệu thêm nhiễu tạp trắng dạng phân bố Gauss có tỉ số SNR ngẫu nhiên dải từ -20 dB đến 10 dB với bước cách dB Các tín hiệu tạo đưa vào xử lý miền thời gian - tần số kỹ thuật tiền xử lý STFT WVD Đầu tiền xử lý ảnh phổ thời gian - tần số tín hiệu, thể Hình Trong đó, Hình 2a,b,c ảnh phổ tín hiệu Barker, LFM Rect xử lý STFT với SNR = 10 dB Tương tự, Hình 2d,e,f ảnh phổ xử lý WVD 73 Ghi Fs: tần số lấy mẫu Fc: tần số sóng mang τ: Độ rộng xung điều chế U{a, b}: phân bố khoảng [a, b] B: Độ rộng phổ τ0: Độ rộng bit mã Barker N: Số bit mã Barker 4.2 Đánh giá hiệu nhận dạng mạng CNN đề xuất Ở phần này, mạng CNN đề xuất đánh giá độ xác thời gian xử lý áp dụng kỹ thuật tiền xử lý STFT WVD Tiếp theo, độ xác nhận dạng mạng CNN khảo sát việc thay đổi số tham số số lượng lọc lớp Conv kích thước lọc 4.2.1 So sánh độ xác nhận dạng thay đổi kỹ thuật tiền xử lý Trong thử nghiệm này, mạng CNN với cấu Hình khối ConvBlocks, khối có kênh (= lọc) kích thước lọc kênh định 3×3, lựa chọn để khảo sát thực nhận dạng tín hiệu đa LPI kết hợp với hai kỹ thuật tiền xử lý STFT WVD c) Rect d) Barker e) LFM f) Rect Hình Hình ảnh phổ tín hiệu với SNR = 10 dB sử dụng kỹ thuật tiền xử lý STFT (a, b, c) WVD (d, e, f) Mỗi kỹ thuật tiền xử lý tạo 30 000 file ảnh phổ thời gian-tần số gán cho nhãn đầu Rect; LFM Barker Mỗi ảnh có kích thước 128×17 200×200 tương ứng với kỹ thuật tiền xử lý STFT WVD Tập kiểm tra ảnh phổ thời gian - tần số tạo Hình So sánh độ xác nhận dạng Quá trình huấn luyện mạng CNN cho kỹ thuật tiền xử lý thiết lập nhau, cụ thể là: Tốc độ huấn luyện Nguyễn Văn Linh, Đoàn Văn Sáng, Trần Công Tráng, Trần Văn Cường 74 khởi tạo 0,01, kích thước gói huấn luyện cho vịng lặp 64 Q trình huấn luyện thực 20 epochs Sau huấn luyện, hai mạng CNN (lần lượt ký hiệu CNN-STFT CNN-WVD) kiểm chứng với tập liệu kiểm tra Kết kiểm tra thể Hình cho thấy, mạng CNN-WVD cho độ xác nhận dạng cao đáng kể so với mạng CNN-STFT SNR < dB Khi SNR > dB chênh lệch độ xác nhận dạng hai mạng khơng nhiều, lúc cường độ của tín hiệu cao nhiễu biểu diễn miền thời gian Khi phân tích phổ, hai kỹ thuật tiền xử lý STFT WVD cho đặc trưng rõ nét phổ mật độ công suất Mặc dù vậy, mơ hình CNN-WVD cho độ xác nhỉnh chút so với CNN-STFT độ phân giải ảnh phổ WVD cao so với STFT Bảng So sánh hiệu CNN-STFT với CNN-WVD Mô hình mạng CNN Độ xác nhận dạng trung bình (%) Thời gian thực (ms) CNN-STFT 93,03 0,68 CNN-WVD 96,84 1,2 Tuy nhiên, so sánh thời gian thực lần dự đoán, mạng CNN-STFT cho thấy khả xử lý nhanh nhiều so với mạng CNN-WVD, số liệu thể Bảng Có khác biệt thời gian xử lý khác kích thước đầu vào mạng Cụ thể, mạng CNN-STFT có kích thước liệu đầu vào 128×17 nhỏ nhiều (khoảng 18 lần) so với kích thước đầu vào 200×200 mạng CNN-WVD Hơn nữa, tiền xử lý STFT thực nhanh so với WVD Nhưng đổi lại, mạng CNN-WVD cho độ xác nhận dạng trung bình cao so với mạng STFT khoảng 3,81% 4.2.2 So sánh độ xác nhận dạng thay đổi số lượng kênh Từ kết kiểm tra Phần 4.2.1, phổ đặc trưng xử lý STFT lựa chọn để làm liệu đầu vào cho thử nghiệm Cụ thể, số lượng kênh lớp Conv thay đổi K = 8, 16, 32 64; Kích thước lọc kênh 3×3 Q trình huấn luyện kiểm tra thực tương tự Phần 4.2.1 Hình thể phụ thuộc độ xác nhận dạng tín hiệu đa LPI, thời gian thực thi độ lớn (số lượng tham số) mạng CNN vào số lượng kênh lớp Conv Cụ thể, biểu đồ nét liền thể độ xác nhận dạng; Biểu đồ nét đứt thể thời gian thực thi; Và kích thước đường trịn biểu thị số lượng tham số mạng tương ứng Hình cho thấy, tăng số lượng kênh lớp tích chập số lượng tham số tính tốn mạng CNN tăng nhiều từ 1,7×103 đến 77,8×103 số kênh thay đổi từ đến 64, đổi lại độ xác nhận dạng tăng từ 93,03% lên 97,62% giá phải trả thời gian thực thi bị làm chậm từ 0,68 ms lên 0,71 ms Ngoài ra, Hình cho thấy, độ xác nhận dạng tín hiệu đa cải thiện đáng kể (≈ 3,4%) thay đổi số kênh từ lên 32 Trong đó, mạng CNN 64 kênh có độ xác cao mạng CNN 32 kênh ≈ 1,2% kích thước mạng tăng 57,3×10 tham số Vì vậy, mạng CNN 32 kênh nên lựa chọn để đạt hiệu tốt trường hợp nghiên cứu xét đến cân độ xác nhận dạng, tham số mạng thời gian thực thi Hình Độ xác nhận dạng thời gian tính tốn thay đổi số lượng kênh mạng CNN 4.2.3 So sánh độ xác nhận dạng thay đổi kích thước lọc Từ kết kiểm tra Phần 4.2.2, số lượng kênh lớp Conv lựa chọn 32 cho khảo sát này, đó, kích thước lọc thay đổi 3×3, 5×5, 7×7, 9×9, 10×10, 11×11, 12×12 Q trình huấn luyện kiểm tra thực tương tự phần Kết hiệu nhận dạng, kích thước mạng thời gian thực thi thể Hình Có thể thấy, tham số mạng CNN tăng từ 20,5×103 lên 301,3×103 thay đổi kích thước lọc từ 3×3 đến 12×12 Thời gian tính tốn tăng gần tuyến tính từ 0,7 ms lên 1,2 ms Hình Độ xác nhận dạng thời gian tính tốn thay đổi kích thước lọc Độ xác nhận dạng cải thiện đáng kể thay đổi kích thước lọc từ 3×3 đến 9×9 (tăng ≈ 3%), tốc độ tăng chậm lại kích thước 10×10, 11×11 12×12 Có thể thấy, tăng kích thước lọc từ 3×3 lên 5×5 độ lớn mạng tăng thêm 33,3×103 tham số, kết cải thiện độ xác nhận dạng thêm 1,8% thời gian thực thi cho lần dự đoán gần (≈ 0,7 ms) Trong đó, tăng kích thước từ 9×9 lên 12×12 làm cho kích thước mạng CNN tăng 131×103 tham số, nhiên độ xác nhận dạng tăng có 0,19% mà thời gian thực thi dự đốn lại chậm đáng kể (≈ 1,2 ms) Như vậy, mạng CNN với 32 lọc kích thước 5×5 lựa chọn cấu hình tối ưu toán xem xét nghiên cứu tính đến cân ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 19, NO 10, 2021 độ xác nhận đạng, độ lớn mạng thời gian thực thi Hình thể ma trận so sánh thực phân loại dạng tín hiệu rađa LPI tỉ số SNR = -5 dB Có thể thấy rằng, tín hiệu đa dạng xung điều chế sóng mang (Rect) mạng CNN dự đốn xác dạng tín hiệu đơn giản Hai dạng tín hiệu mã Barker LFM cho tỉ lệ nhận dạng thấp tính phức tạp biến đổi pha tần số chúng Trong đó, nhận dạng tín hiệu Barker xác tín hiệu LFM Hơn nữa, tỉ lệ nhận dạng nhầm Barker LFM chủ yếu rơi vào tín hiệu Rect, 1,6% 2,8% Điều với thực tế nhận dạng thủ công dựa vào kinh nghiệm người vận hành hệ thống, phân biệt tín hiệu Barker LFM khó so với tín hiệu Rect thường nhầm sang tín hiệu Rect nhiễu mạnh Hình Ma trận so sánh khả nhận dạng dạng sóng SNR = -5 dB Kết luận Qua kết khảo sát, để đạt độ xác cao mà số lượng tham số tính tốn thời gian xử lý tối ưu, mơ hình mạng CNN với 32 kênh, kích thước lọc 5×5 đề xuất để nhận dạng tín hiệu đa LPI Kỹ thuật tiền xử lý STFT áp dụng để trích rút đặc trưng phổ tín hiệu đầu vào phục vụ nhiệm vụ nhận dạng điều kiện 75 truyền lan sóng điện từ tương đối phức tạp (SNR = -10dB) thời gian xử lý nhanh mà bảo đảm độ xác nhận dạng cần thiết Như vậy, nghiên cứu đưa minh chứng tính khả thi áp dụng mạng CNN cho tốn nhận dạng tín hiệu rađa LPI Do đó, nhóm tác giả định hướng mở rộng nghiên cứu sử dụng mạng CNN tốn nhận dạng tín hiệu đa LPI với nhiều kiểu loại đa dạng điều kiện thực tế khác Hơn nữa, mơ hình tối ưu kiểm chứng với tín hiệu thực nghiệm đưa vào ứng dụng hệ thống thực tế TÀI LIỆU THAM KHẢO [1] M Grancharova, “Representation Learning for Modulation Recognition of LPI Radar Signals Through Clustering”, Dissertation, 2020 [2] L J Wong, W C Headley, S Andrews, R M Gerdes and A J Michaels, “Clustering Learned CNN Features from Raw I/Q Data for Emitter Identification”, MILCOM 2018 - 2018 IEEE Military Communications Conference (MILCOM), Los Angeles, CA, USA, 2018, pp 26-33 [3] Z Ma, Z Huang, A Lin, G Huang, “LPI Radar Waveform Recognition Based on Features from Multiple Images”, Sensors, 2020 (2), pp 526 [4] G Ruan and Ya Wang and Sh L Wang and Yu Zheng and Q Guo and S N Shulga, “Automatic recognition of radar signal types based on CNN-LSTM”, Telecommunications and Radio Engineering, Vol 79, No 4, pp 305-321, 2020 [5] A Gupta, and A A Bazil Rai “Feature Extraction of Intra-Pulse Modulated LPI Waveforms Using STFT”, 2019 4th International Conference on Recent Trends on Electronics, Information, Communication & Technology (RTEICT), 2019, pp 742-746 [6] E Świercz, “Automatic Classification of LFM Signals for Radar Emitter Recognition Using Wavelet Decomposition and LVQ Classifier”, Acta Physica Polonica A Vol 119, pp 488-494, 2011 [7] T O Gulum, P E Pace and R Cristi, "Extraction of polyphase radar modulation parameters using a wigner-ville distribution - radon transform”, 2008 IEEE International Conference on Acoustics, Speech and Signal Processing, Las Vegas, NV, USA, 2008, pp 1505-1508 [8] M Zhang, L Liu, and M Diao, “LPI Radar Waveform Recognition Based on Time-Frequency Distribution”, Sensors, Vol 16, No 10, pp 1682, 2016 [9] Nguyễn Thanh Hùng, Nguyên lý đa, Học viện Hải quân, 2011 [10] S Ioffe and C Szegedy, “Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift”, 2015-0211, arXiv:1502.03167  ... khả thi áp dụng mạng CNN cho toán nhận dạng tín hiệu ra? ?a LPI Do đó, nhóm tác giả định hướng mở rộng nghiên cứu sử dụng mạng CNN tốn nhận dạng tín hiệu đa LPI với nhiều kiểu loại đa dạng điều... huấn luyện mạng nơ- ron đóng vai trị quan trọng, định độ xác nhận dạng tín hiệu điều chế Nhóm tác giả mơ dạng tín hiệu đa LPI tín hiệu điều chế nội xung đơn tần; Tín hiệu điều tần tuyến tính nội... thời gian φ(t) pha tín hiệu 2.1.1 Tín hiệu Rect Đây tín hiệu phổ biến sử dụng phần lớn hệ thống đa, đặc biệt hệ thống sử dụng máy phát dùng Magnetron Tín hiệu s(t) trở thành tín hiệu điều chế nội