Диссертация (Оценка времени задержки циклостационарных радиосигналов для локализации источников излучений)

МОСКОВСКИЙ АВИАЦИОННЫЙ ИНСТИТУТ(НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ)На правах рукописиЕфимов Евгений НиколаевичОценка времени задержки циклостационарныхрадиосигналов для локализации источников излученийСпециальность 05.12.04 —«Радиотехника, в том числе системы и устройства телевидения»Диссертация на соискание ученой степеникандидата технических наукНаучный руководитель:д.т.н., профессорКузнецов Юрий ВладимировичМосква — 2017ОГЛАВЛЕНИЕСтр.Введение . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Глава 1. Анализ предметной области исследования . . . . . . . .1.1 Циклостационарные случайные процессы . . . . . . . . . . . . . .1.2 Задача оценки времени прихода сигнала . . . . . . . . . . . .

. . .1.3 Искусственные нейронные сети . . . . . . . . . . . . . . . . . . . .1.4 Цель и постановка задачи исследования . . . . . . . . . . . . . . .1.5 Выводы по главе 1 . . . . . . . . . . . . . . . . . . . . . . . . . . .Глава 2.

Циклостационарные свойства случайных процессов . .2.1 Теоретическое описание циклостационарных случайных процессов2.2 Циклостационарные свойства сигналов с амплитудной модуляцией2.3 Циклостационарные свойства сигналов с амплитудно-импульсноймодуляцией . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . .2.4 Циклостационарные и взаимные циклостационарные свойства радиосигналов . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2.4.1 Циклическая спектральная плотность мощности радиосигнала . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

.2.4.2 Циклическая взаимная спектральная плотность мощностирадиосигнала . . . . . . . . . . . . . . . . . . . . . . . . . .2.5 Выводы по главе 2 . . . . . . . . . . . . . . . . . . . . . . . . . . .Глава 3. Алгоритмы оценки спектральных характеристик циклостационарных сигналов . . . . . .

. . . . . . . . . . . . . . . . . .3.1 Метод оценки ЦСПМ на основе усреднения во временной области3.2 Алгоритм 2N-БПФ . . . . . . . . . . . . . . . . . . . . . . . . . . .3.2.1 Теоретическое описание . . . . . . . . . . . . . . . . . . . .3.2.2 Примеры . . . . . . . . . .

. . . . . . . . . . . . . . . . . .3.2.3 Оценка вычислительных ресурсов . . . . . . . . . . . . . .3.3 Блочный алгоритм вычисления усреднённых циклических периодограмм . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3.3.1 Теоретическое описание . . . . . . . . .

. . . . . . . . . . .24111114182325262630323636404243434747525458583.3.2 Пример . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3.4 Обнаружение и оценка по методу максимального правдоподобия .3.5 Выводы по главе 3 . . . . . . . . . . . . . . . . . . . . . . . . . .

.Глава 4. Оценка времени задержки циклостационарных сигналов . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4.1 Модель приема радиосигнала . . . . . . . . . . . . . . . . . . . . .4.2 Определение задержки по собственным и взаимным циклостационарным характеристикам . . . . . . . . . . . . . . . . . . .

. . . .4.3 Формирование взаимных спектральных и взаимных циклическихспектральных корреляционных характеристик сигналов . . . . . .4.4 Экспериментальные результаты . . . . . . . . . . . . . . . . . . .4.4.1 Результаты имитационного численного моделирования .

.4.4.2 Обработка экспериментальных данных . . . . . . . . . . .4.5 Выводы по главе 4 . . . . . . . . . . . . . . . . . . . . . . . . . . .Глава 5. Оценка направления прихода сигнала . . . . . . . . . .5.1 Основы теории нейросетевой обработки данных .

. . . . . . . . .5.1.1 Общие принципы работы нейронной сети . . . . . . . . . .5.1.2 Теория адаптивных элементов . . . . . . . . . . . . . . . .5.1.3 Примеры адаптивных элементов . . . . . . . . . . . . . . .5.1.4 Обучение нейронной сети . . . . . . . . . . . . . . . . . . .5.2 Определение направления прихода с использованием искусственных нейронных сетей . . . . .

. . . . . . . . . . . . . . . . . . . . .5.2.1 Формирование вектора входных данных . . . . . . . . . . .5.2.2 Оптимальное решение на основе метода максимальногоправдоподобия . . . . . . . . . . . . . . . . . . . . . . . . .5.2.3 Решение с использованием искусственных нейронных сетей5.2.4 Численное моделирование . . . . . .

. . . . . . . . . . . . .5.3 Выводы по главе 5 . . . . . . . . . . . . . . . . . . . . . . . . . . .Заключение . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Список сокращений и условных обозначений . . . . . . . . . . . .Список литературы . . . . . . . . . .

. . . . . . . . . . . . . . . . . .Список рисунков . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Список таблиц . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Приложение А. Свидетельства о государственной регистрациипрограмм . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .3616376797981849191107113115115115116117126136136138138140148149151153164169170ВведениеАктуальность работы.Современная тенденция создания радиотехнических устройств, применяемых в составе комплексов обработки инфокоммуникационных сигналов сосложными видами модуляции, определяет высокую актуальность разработкиалгоритмов цифровой обработки сигналов, позволяющих осуществлять на основе наблюдений сигналов оценивание заданных информационных параметров стребуемой точностью при выполнении ограничений по объёму вычислительныхресурсов, обусловленных временем выдачи результата или ограничением габаритных размеров и потребляемой мощности радиотехнических систем. Выборалгоритмов, применяемых при решении задачи оценивания, непосредственноопределяется выбором моделей представления рассматриваемого класса сигналов.В большинстве современных радиолокационных и телекоммуникационныхсистем обработка сигналов выполняется с использованием моделей, представляющих сигналы в виде реализаций случайных процессов.

Хотя такие сигналынельзя считать периодическими функциями на длинных интервалах наблюдения, они имеют структурную повторяемость. Периодическая структура вносится в эти сигналы намеренно в процессе их формирования для того, чтобы сделать сигналы пригодными для предсказуемой и надежной работы алгоритмов в системах их обработки. Примерами таких сигналов являются периодические сканирующие импульсы радарных систем, сигналы телеметрии ииные сигналы, в которых используются различные виды модуляции. Статистические параметры и характеристики, описывающие сигналы подобного класса, такие как среднее значение и автокорреляционная функция, изменяютсяво времени с некоторой периодичностью. Феномен периодической корреляциив случайных процессах в первые описан в работах [1, 2] отечественного ученого Гладышева Е.

Г., позднее в работах [3] Franks L. E. для описания данного феномена был предложен термин «циклостационарность», значительныйвклад в развитие теории циклостационарности внесли зарубежные исследова4тели Franks L. E., Gardner W. A., Spooner C. M., Napolitano A., Brown W. A.,Antoni J., Dobre O. A., Derakhshani M. Среди отечественных исследователейметоды обработки циклостационарных сигналов начинают находить признаниев работах Горячкина О. В., Стоянова Д. Д., Анциперова В.

Е. Продолжительный научный интерес исследователей [4] к такому типу сигналов позволил разработать специализированный математический аппарат, применение которогообеспечивает выигрыш в характеристиках верности и точности по сравнению смоделями, не учитывающими периодические свойства принимаемых случайныхсигналов.Одним из возможных подходов к выполнению требований по ограничениюобъёма затрачиваемых вычислительных ресурсов при решении задач оценивания информационных параметров сигналов является синтез оценивателя, реализующего метод максимального правдоподобия (ММП), с использованием нейронных сетей (ИНС) прямого распространения сигнала.

В научной литературеданный подход освещен слабо: так в ведущей отечественной монографии [5] Галушкина А. И. и зарубежной [6] Хайкина С. сети данного типа не упоминаются.Применимость ИНС для решения задачи оценивания параметров по ММП впервые продемонстрирована и затем развита зарубежными учеными Baum E.

[7],Setiono R. [8], в настоящее время исследования по данной теме так же ведутCervellera C. [9], Maccio D. и Muselli M. D. Возможность использования ИНСдля снижения требований к вычислительным ресурсам при решении задач вобласти радиолокации продемонстрирована в монографии [10] отечественногоисследователя Татузова А.

Л.Таким образом, задача оценивания заданных информационных параметров сигналов, обладающих циклостационарными свойствами, с использованиемметодов цифровой обработки сигналов и изображений и аппарата искусственных нейронных сетей является актуальной.Целью работы является повышение точности оценивания информационных параметров радиотехнических сигналов за счет применения моделей иметодов, описывающих такие сигналы в форме реализаций циклостационарныхслучайных процессов.В диссертационной работе в качестве объекта исследования рассматриваются циклостационарные сигналы, создаваемые радиоэлектронными средствами.Предметом исследования являются алгоритмы цифровой обработки5сигналов, позволяющие проводить оценивание спектральных характеристикциклостационарных сигналов и времени задержки их прихода.Для достижения поставленной цели в работе решены следующиезадачи:1. Синтез моделей радиосигналов, являющихся реализациями циклостационарных случайных процессов.2.

Разработка алгоритмов оценивания спектральных характеристик циклостационарных радиосигналов и структурных схем анализаторов циклической спектральных плотности мощности и взаимной циклическойспектральной плотности мощности.3. Синтез алгоритмов оценивания времени прихода циклостационарногосигнала на основе двухчастотных циклических характеристик.4. Разработка алгоритма формирования оценки направления приходациклостационарного сигнала на основе обработки его характеристикс использованием искусственных нейронных сетей специальной структуры.5. Определение статистических характеристик оценок параметров моделина основе разработанных алгоритмов.6. Экспериментальное исследование разработанных алгоритмов и анализрезультатов обработки.Методы исследований.

Для решения поставленных задач были использованы методы теории сигналов и систем, методы цифрового спектральногоанализа, методы цифровой обработки сигналов и изображений, математическийанализ, математический аппарат линейной алгебры и теории матричных преобразований, теория вероятностей, математическая статистика и теория случайных процессов, математическое и статистическое моделирование, методы теории оптимизации, методы машинного обучения и прикладного искусственногоинтеллекта.Научная новизна:1.

Предложена методика оценки циклостационарных характеристик радиосигналов посредством корреляционного анализа их квадратурныхкомпонент в частотной области.2. Исследовано изменение компонент взаимных спектральных характеристик циклостационарных сигналов с временной задержкой.3. Представлено аналитическое описание и получены характеристики точ6ности разработанного алгоритма оценки параметров циклостационарных радиосигналов, обладающего повышенной точностью за счет выделения компонент сигнала с различными характерными циклическимичастотами.4. Предложен способ визуализации циклостационарных характеристик,позволяющий явно выявлять характерные циклические частоты.5. Предложен детерминированный алгоритм оценки параметров сигналов, оптимально приближающий оценки, получаемые по методу максимального правдоподобия, и реализуемый на основе искусственной нейронной сети специальной топологии.Практическая значимость результатов работы.