😂 🦆 🤱🏿 ニューラルネットワークを使用した無線信号の認識 👩🏼‍🌾 ♌️ 💴

信号認識のトピックは非常に重要です。レーダーでは、信号認識を使用して、オブジェクトを識別したり、意思決定作業、医療、その他の多くの分野で使用したりできます。

研究分野

研究は2つの方向で行われるべきだと思います。第1の方向はプライマリ信号処理で、時間領域「s（t）」の信号が関数に置き換えられます[5]。一連の機能は、認識が行われる機能空間内のベクトルです。

2番目の方向は、分類器自体の研究と開発です。これは、属性空間のクラスが非線形に分離される可能性があるためです。パーセプトロン型ニューラルネットワークは、線形に分離可能なクラスのみを分離できます。また、動径基底ネットワークなどのニューラルネットワークは、球体分離でクラスのみを分離できます[4]。

多くの場合、これら2種類のニューラルネットワークは組み合わされています。属性空間を正しく選択することは非常に重要です。信号に関する過剰な情報がある場合、クラスの分離が困難であるという事実により認識手順が複雑になるためです。クラスは一般に非線形に分離でき、分離できないためです。十分なデータがない場合、複数の信号が1つのデータセットに対応するため、オブジェクトを認識することが問題になります。認識のために、信号の統計特性を記号として入力できます。

標識の数を決定するための次の基準を導入することを提案します。

1）記号は、異なるクラスに属するオブジェクトごとに異なる必要があります。

2）同じクラスのオブジェクトの値が一致する必要があります。

信号の統計パラメータの完全な一致は、信号がエルゴード的であり、観測時間が無限に近い場合にのみ可能です。非エルゴード信号、または観測された有限時間の信号は、記号の多次元空間で特定の領域を形成します[3]。

異なるクラスに属する信号は、独自の領域を形成します。分類子のタスクは、ある領域を別の領域から分離することです。主要な処理タスクは有限ベクトルによる信号の記述に限定されるため、同じクラスに属する信号は多次元ユークリッド空間で互いに近く、異なるクラスに属する信号は遠く離れています。つまり、コンパクト性の仮説が満たされます。

信号はほとんど常にノイズの背景に対して記録され、フーリエ変換に基づく認識方法または時間領域のサンプルによる認識方法は、信号を一次処理としてフィルタリングすることを意味することに注意する必要があります。干渉がエルゴードランダムプロセスである場合、統計に基づく認識方法をフィルタリングする必要はありません。なぜなら干渉のある信号モデルから干渉モデルをいつでも「差し引く」ことができます[2]

重要！ この方法では、生体信号を認識できません。なぜなら生体信号は非常に特異的であるため、それらを認識するためには、これらの信号を生成するプロセスのメカニズムを考慮する必要があります[6]。 ECG信号とEEG信号をさまざまな方法で調査するとします。

数学的基礎

実際には、ほとんどの認識問題を解決するためには、次のような4つのパラメーターのみを認識に使用すれば十分であることが判明しました。期待、標準偏差、過剰および非対称。

たとえば、次のオプションを使用した信号認識を検討してください。

1）信号なし（干渉のみ）

2）正弦波+干渉

3）長方形+干渉

4）矩形エンベロープ+干渉を伴う無線パルス。

信号対雑音比（実験では0.2です。

（正規化しないように）1ボルトに等しい信号振幅と、正規分布のホワイトノイズの形のノイズを取ります。

認識のために、隠れ層に4つの入力、4つの出力、9つのニューロンを持つ2層パーセプトロンを使用します（コルモゴロフの定理による、十分な条件）[4]。

一次加工

符号の空間でベクトルを構成し、最初にノイズモデルを定義します。

[2,3]

次に、干渉のある信号のベクトルを作成します。

mは平均、Dは分散、 $画像$ -SKO、 $画像$ -過剰、 $画像$ -非対称。

しかし、これは連続信号の場合であり、確率密度f（x）の分析表現がわかっている場合です。離散信号の場合、積分は合計に置き換えられます。そして、我々は統計的パラメーターについてではなく、それらの推定について話している[2]。そして、評価を決定する際のエラーが発生します（それらについては別の記事で説明します）。