zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Kỹ Thuật - Công Nghệ

» Điện - Điện tử

Mô hình tự động nhận dạng tín hiệu LTE - NR thông qua kết hợp biến đổi Fourier nhanh và mạng học sâu

Chia sẻ: Phó Cửu Vân | Ngày: | Loại File: PDF | Số trang:6

Báo xấu

16
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài báo "Mô hình tự động nhận dạng tín hiệu LTE - NR thông qua kết hợp biến đổi Fourier nhanh và mạng học sâu" đề xuất một phương pháp hiệu quả trong việc phân biệt tín hiệu viễn thông thế hệ thứ năm (5G) cũng như tín hiệu LTE (Long-Term Evolution), tập trung vào nhiệm vụ xác định dải tần số của tín hiệu được điều chế trong mạng không dây thế hệ tiếp theo. Trong quá trình điều chế để truyền đi xa, các tín hiệu thường được kết hợp với nhau và rất khó để phân biệt trong cùng dải tần số. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Mô hình tự động nhận dạng tín hiệu LTE - NR thông qua kết hợp biến đổi Fourier nhanh và mạng học sâu

Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) Mô hình tự động nhận dạng tín hiệu LTE - NR thông qua kết hợp biến đổi Fourier nhanh và mạng học sâu Nguyễn Gia Vương, Huỳnh Thế Thiện Bộ môn Kỹ thuật Máy tính và Viễn thông Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh Email: vuongng.cce@gmail.com, thienht@hcmute.edu.vn Tóm tắt—Bài báo này đề xuất một phương pháp hiệu hơn sử dụng các thuật toán học sâu (deep learning – quả trong việc phân biệt tín hiệu viễn thông thế hệ thứ năm DL). Các phương pháp nhận dạng truyền thống thường (5G) cũng như tín hiệu LTE (Long-Term Evolution), tập dựa vào việc trích xuất đặc trưng của tín hiệu trong miền trung vào nhiệm vụ xác định dải tần số của tín hiệu được thời gian và tần số kết hợp với xây dựng mô hình học điều chế trong mạng không dây thế hệ tiếp theo. Trong quá trình điều chế để truyền đi xa, các tín hiệu thường máy [2]. Tuy nhiên, công việc này gặp khó khăn khi được kết hợp với nhau và rất khó để phân biệt trong cùng phân tích các mẫu tín hiệu phức tạp và mối quan hệ rắc dải tần số. Vì vậy, chúng tôi đề xuất áp dụng biến đổi rối trong tín hiệu điều chế, đặc biệt là trong bối cảnh Fourier nhanh (FFT) kết hợp với khử nhiễu để thu được tín hiệu bị nhiễu gây ra bởi nhiều tác nhân khác nhau. ảnh phổ tín hiệu chất lượng tốt. Để phân đoạn các dải tần Trong những năm gần đây, học sâu đã nổi lên như số trong phổ của tín hiệu 5G New Radio (5G NR) và LTE, một công cụ mạnh mẽ trong xử lý tín hiệu [3]. Bằng chúng tôi đã cải tiến DeepLabV3+, một mạng mã hóa-giải mã học sâu cho lĩnh vực phân đoạn ngữ nghĩa, giúp tăng cách tận dụng khả năng của các tác vụ học có giám khả năng phục hồi của các chi tiết quan trọng của tín hiệu sát, các mẫu và đặc điểm phức tạp được tự động trích 5G và LTE, qua đó xác định vị trí của tín hiệu chính xác xuất và học trực tiếp từ dữ liệu tín hiệu thô. Điều này hơn trong phổ của tín hiệu điều chế. Dựa vào kết quả so loại bỏ yêu cầu trích xuất đặc điểm thủ công và cho sánh trên một bộ dữ liệu mô phỏng chứa hình ảnh phổ phép phát triển các hệ thống nhận dạng tín hiệu đầu bao gồm cả tín hiệu LTE và 5G, mạng được đề xuất đã cuối có khả năng xử lý hiệu quả các tín hiệu điều chế chứng minh tính hiệu quả so với phiên bản gốc bằng cách tăng cường hiệu năng, như độ chính xác toàn cục, trung phức tạp và đa dạng trong các mạng không dây thế hệ bình IoU (intersection-over-union), và trung bình BFScore tiếp theo. Nhiều nghiên cứu cũng đã khám phá việc (boundary-F1-score) lên lần lượt 1.37%, 2.85% và 9.43% áp dụng các kỹ thuật học sâu vào vấn đề nhận dạng trong các điều kiện kênh truyền khác nhau, qua đó giúp tín hiệu và đạt được kết quả đáng kể về cải thiện độ tăng hiệu quả quản lý phổ tần số. chính xác và giảm độ phức tạp so với các phương pháp Từ khóa—Nhận diện tín hiệu, 5G, LTE, học sâu truyền thống. Các kiến trúc học sâu nâng cao độ chính xác trong nhận dạng tín hiệu đã ra đời như mạng nơ- I. GIỚI THIỆU ron tích chập (convolutional neural network – CNN) [4], Nhận dạng tín hiệu là một nhiệm vụ cơ bản trong [5]. Bên cạnh đó, một hướng nghiên cứu khác khám phá nhiều lĩnh vực khác nhau, đặc biệt là truyền thông không việc xử lý tín hiệu thô để tăng cường độ chính xác của dây, hệ thống radar dùng trong trinh sát và các ứng dụng các mô hình đã có. Ví dụ, Zhibo Chen và công sự đã viễn thám [1]. Khả năng xác định và phân loại chính xác chỉ ra rằng việc phát hiện tín hiệu điều chế bằng biến tín hiệu là cực kỳ quan trọng đối với các nhiệm vụ xử lý đổi Fourier mang lại kết quả đáng kể hơn so với việc xử tín hiệu, chẳng hạn theo dõi tín hiệu, phát hiện nhiễu và lý trực tiếp tín hiệu thô [6]. Ngoài ra, các tác giả khác tối ưu hóa mạng. Trong những năm trở lại đây, các nỗ chú trọng vào công việc khử nhiễu của phổ tín hiệu để lực mở rộng nghiên cứu phát triển các kỹ thuật và thuật tăng cường tính trực quan và sự rõ ràng của hình ảnh toán hiệu quả cho việc nhận dạng tín hiệu điều chế đã phổ, làm tiền đề cho các công việc xử lý và nhận dạng được chú trọng, từ các phương pháp truyền thống dựa dữ liệu dựa trên phổ sau này [7]. trên các đặc điểm được thiết kế thủ công và học máy Dựa trên các phương pháp hiệu quả từ các nghiên cứu (machine learning – ML) đến các phương pháp gần đây trước đó, bài báo này trình bày một phương pháp tiên ISBN 978-604-80-8932-0 393
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) LTE Mạng học sâu phân đoạn tín hiệu đầu ASPP gap các lớp ra mặt nạ bộ lọc 1x1 phân đoạn trung gian kê fc 1 nh rate =1 tăng C D CNN khử nhiễu mẫu bộ lọc L mặt phẳng phổ tín hiệu bộ lọc 3x3 relu giai đoạn N giai đoạn 1 giai đoạn 2 giai đoạn 3 3x3 điều khiển và rate =2 đầu bộ lọc bộ lọc residual FFT mặt phẳng fc 2 tín hiệu vào 1x1 3x3 người dùng UE bộ lọc 3x3 5G LTE thô rate =4 sigmoid khối SE Score le ờ ay m h tăng R ênh mạng lõi ig bộ lọc 3x3 concat mẫu k rate =6 Xử lý tín hiệu bộ lọc 1x1 NR giai đoạn 2 Hình 1: Tổng quan về truyền thông không dây với việc áp dụng DL để phân đoạn dải phổ của tín hiệu. Vùng màu cam là mạng lõi được sử dụng cho mô hình, với N giai đoạn giúp rút trích đặc trưng từ hình ảnh. tiến cho việc nhận dạng tín hiệu bằng cách kết hợp xử phổ. Trong hình 1, phương pháp đề xuất bao gồm ba lý tín hiệu và phân đoạn dải tần số bằng học sâu. Đầu mô-đun: biểu diễn phổ bằng FFT, khử nhiễu trên ảnh tiên, chúng tôi vận dụng biến đổi Fourier nhanh (fast phổ dữ liệu bằng một mạng nơ-ron tích chập và phân Fourier transform – FFT), để chuyển đổi các tín hiệu đoạn phổ tín hiệu bằng DeepLabV3+ cải tiến. phức tạp thu được thành ảnh phổ, ghi lại các đặc điểm về tần số và thời gian của các tín hiệu. Sau đó, chúng A. Biểu diễn phổ tín hiệu với FFT tôi triển khai một mạng nơ-ron tích chập cơ bản được Ngày nay, nhiều nghiên cứu so sánh việc nhận dạng đào tạo sẵn để khử nhiễu trong phổ tín hiệu. Cuối cùng, các tín hiệu dựa trên biến đổi Fourier so với xử lý tín chúng tôi sử dụng các ảnh phổ làm dữ liệu đầu vào cho hiệu thô trên miền thời gian, và chứng minh hiệu quả mô hình DeepLabV3+ [8], [9], là kiến trúc mạng nơ- đáng kinh ngạc của biến đổi Fourier trong cải thiện hiệu ron tích chập tiên tiến trong lĩnh vực thị giác máy tính. suất nhận dạng [6]. Do đó, chúng tôi thực hiện chuyển Thay vì sử dụng DeepLabV3+ nguyên bản, chúng tôi đổi tín hiệu từ miền thời gian sang miền tần số bằng thực hiện một số cải tiến thông qua việc tinh chỉnh kiến FFT để đạt được hiệu quả về mặt tốc độ xử lý (nếu so trúc và kết hợp cơ chế tự chú ý để đạt được độ chính với biến đổi Fourier thông thường). Đối với mỗi dạng xác phân đoạn ảnh phổ cao hơn. Để đánh giá tính hiệu sóng tín hiệu được nhận, chúng tôi áp dụng FFT 4096 quả của phương pháp đề xuất, chúng tôi tiến hành kiểm điểm và chuẩn hóa hình ảnh phổ tín hiệu trong phạm vi nghiệm của mình trên một bộ dữ liệu bao gồm các tín giá trị [0, 1] để nâng cao tính trực quan trước khi được hiệu được mô phỏng tương tự như tín hiệu ngoài trời chuyển thành giá trị màu và thay đổi kích thước ảnh phổ thực tế thu được, sau đó so sánh hiệu năng phân đoạn thành 256 × 256. của mô hình đề xuất so với kiến trúc cơ sở. Kết quả thu B. Khử nhiễu phổ tín hiệu được chứng minh sự vượt trội ở tác vụ phân đoạn tín hiệu 5G-LTE điều chế được thể hiện qua sự cải thiện Thực tế cho thấy, tín hiệu và nhiễu thường đan xen đáng kể của các chỉ số đo lường độ chính xác. với nhau trong miền thời gian khiến việc loại bỏ nhiễu mà không làm ảnh hưởng đến tín hiệu gốc trở nên khó II. PHƯƠNG PHÁP ĐỀ XUẤT khăn. Việc khử nhiễu của tín hiệu trong miền thời gian Mục tiêu chính của công trình này là phát triển một thông qua các bộ lọc rất dễ dàng, nhưng hậu quả là sinh phương pháp cho phép phân đoạn phổ tín hiệu 5G NR ra sự méo mó tín hiệu gốc, làm mất đi các đặc trưng và LTE trong dải tần số, lấy cảm hứng từ sự thành công quan trọng của tín hiệu. Mặt khác, trong miền tần số, của các phương pháp học sâu với kiến trúc mạng nơ- tín hiệu và nhiễu có thể được phân tách dựa trên đặc ron tích chập trong thị giác máy tính, đặc biệt là phân tính phân bố tần số của chúng. Tín hiệu thường có đặc đoạn ảnh ngữ nghĩa, để nhận dạng phổ tín hiệu thu được tính phân bố tần số tập trung trong một dải tần nhất thông qua việc áp dụng FFT và khử nhiễu cho các tín định, trong khi nhiễu thường có đặc tính phân bố tần hiệu thô đầu vào tại bộ thu. Hơn nữa, chúng tôi cải tiến số rộng hơn. Vì vậy, chúng tôi áp dụng một phép khử kiến trúc của DeepLabV3+ với một khối ASPP thích nhiễu trực tiếp lên các ảnh phổ thu được sau khi áp nghi và một cơ chế tự chú ý để cải thiện hiệu suất phân dụng FFT. Tuy nhiên, khác với các cách tiếp cận truyền đoạn vùng tần số của tín hiệu 5G và LTE trong ảnh thống là áp dụng các bộ lọc khử nhiễu, chúng tôi sử ISBN 978-604-80-8932-0 394
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) Bảng I: Cấu hình mạng khử nhiễu cho ảnh phổ. 3 × 3 với hệ số giãn nở 12 có thể trích xuất đặc trưng Lớp Mô tả BN ReLU phổ với vùng nhận thức là 25×25, con số này là 37×37 Input Ảnh phổ đầu vào ×1 với hệ số giãn nở 18. Những vùng nhận thức này quá Conv2D 64@3 × 3 × 1 ×1 ✓ lớn so với bản đồ đặc trưng có kích thước 16 × 16 đầu Conv2D 64@3 × 3 × 64 ×18 ✓ ✓ Conv2D 1@3 × 3 × 64 ×1 vào, dẫn đến việc học đặc trưng kém hiệu quả. Để giải Output Đầu ra khử nhiễu ×1 quyết vấn đề này, các hệ số giãn nở của bộ lọc cần được điều chỉnh để nhỏ hơn và nằm trong khoảng [1, 7] để vùng nhận thức tối đa là 15×15, phù hợp với kích thước dụng phương pháp khử nhiễu bằng mạng học sâu [7]. đầu vào cho ASPP. Trong công trình này, chúng tôi đề Cụ thể, chúng tôi sử dụng một mô hình mạng học sâu xuất một tập hợp các hệ số giãn nở mới cho các lớp tích khử nhiễu đã được đào tạo sẵn có trong Deep Learning chập atrous trong khối ASPP, tương ứng là [1, 2, 4, 6] để Toolbox của MATLAB, để lọc bỏ nhiễu trong ảnh phổ, tăng cường hiệu quả học của mạng. Vì thế, đầu ra mới đặc biệt là nhiễu Gauss trắng. Điều này làm cho các của ASPP có thể được biểu diễn như sau: ảnh phổ tín hiệu của chúng tôi trở nên rõ ràng và dễ F = ⟨A1×1 (X), A3×3 (X), A3×3 (X), A3×3 (X)⟩, (1) 1,1 1,2 1,4 1,6 dàng hơn cho việc phân đoạn vùng tần số của tín hiệu. với F và X lần lượt là đầu ra và đầu vào của khối Cấu hình mạng học sâu khử nhiễu được mô tả chi tiết ASPP, An×n là lớp tích chập atrous với kích thước bộ s,r ở bảng I. Tuy nhiên, mạng nơ-ron tích chập này chỉ xử lọc n × n, bước nhảy s và hệ số giãn nở r. lý một kênh màu một lúc, vì vậy với mỗi ảnh phổ thu được, chúng tôi sẽ lần lượt áp dụng mạng này cho từng Cơ chế tự chú ý: Hiệu suất phân đoạn ngữ nghĩa kênh màu R, G, B của nó, sau đó gộp lại và thu được không chỉ nằm ở việc nâng cao khả năng biểu diễn các ảnh phổ màu đã khử nhiễu hoàn chỉnh. đặc trưng không gian của mạng nơ-ron tích chập được chọn làm bộ mã hóa mà còn ở việc trích xuất quan hệ C. Phân đoạn phổ tín hiệu với DeepLabV3+ cải tiến giữa các kênh, cho phép điều chỉnh lại trọng số huấn Mặc dù DeepLabV3+ là một mô hình tiến bộ và đạt luyện theo từng kênh dựa trên mức độ quan trọng về được hiệu suất đáng kể trong phân đoạn ngữ nghĩa nhờ thông tin giữa chúng. Hơn nữa, một số công trình đã các lớp tích chập atrous có hệ số giãn nở (dilation rate) chứng minh rằng việc kết hợp đặc trưng không gian và trong khối ASPP [9], nó vẫn có hai hạn chế: (1) mạng đặc trưng theo từng kênh cùng nhau có thể mang lại cải chưa hiệu quả trong việc trích xuất các đặc trưng không thiện đáng kể về độ chính xác [12]. Trong công trình này, gian thông qua các mô hình mã hóa (dựa trên các mạng bên cạnh cải tiến khối ASPP, chúng tôi phát triển một cơ lõi CNN) với nhiều giai đoạn giảm chiều dữ liệu để thu chế tự chú ý để tăng cường sự tương quan giữa các bản các thông tin trừu tượng mức cao; (2) việc lựa chọn hệ đồ đặc trưng trong phần mã hóa của DeepLabV3+ bằng số giãn nở không hợp lý của các lớp tích chập atrous cách nghiên cứu khối squeeze-and-excitation (SE) [13]. trong ASPP. Để vượt qua những hạn chế này, chúng tôi Khối SE được xây dựng bằng cách tích hợp hai bước xử đề xuất hai chiến lược cải tiến DeepLabV3+ như sau: lý khác biệt: nén (squeeze) và phóng (excitation). Bước kết hợp cơ chế tự chú ý vào mô hình mã hóa (đánh dấu nén tập hợp thông tin toàn cục ở mỗi kênh từ bản đồ là X-strategy) và thiết lập một tập hợp các hệ số giãn nở đặc trưng đầu vào. Để làm điều này, SE xây dựng một mới trong ASPP (đánh dấu là Y-strategy) để cải thiện lớp tổng hợp giá trị trung bình trên toàn bộ đặc trưng việc tăng cường các đặc trưng quan trọng và kết hợp của một kênh (global average pooling – gap). Đầu ra đặc trưng đa tỷ lệ. của bước nén là một vectơ z chứa thông tin tổng hợp ASPP với tập hệ số giãn nở mới: Các hệ số giãn ở mỗi kênh (hay mỗi bản đồ đặc trưng). Bước phóng nở trong khối ASPP gốc không hoàn toàn phù hợp với sẽ giữ lại sự tương quan lẫn nhau giữa các kênh bằng tập dữ liệu ảnh phổ, trong khi các hình ảnh phổ đầu cách học các trọng số đặc trưng ứng với mức độ quan vào được tạo ra và chuẩn hóa về kích thước 256 × 256. trọng của từng kênh. Nó bao gồm hai lớp kết nối đầy Bằng cách sử dụng một số mạng lõi phổ biến như đủ (fully connected – fc), lớp fc đầu tiên dùng để giảm ResNet18 [10], ResNet50 [10] và MobileNetV2 [11] chiều của z và sau đó là hàm kích hoạt ReLU để loại trong phần mã hóa, các bản đồ đặc trưng đầu ra có bỏ giá trị âm. Như đã nêu trong [13], hệ số giảm kênh kích thước 16 × 16 và chúng phục vụ như đầu vào của ở lớp fc đầu tiên là 16, trong khi lớp fc thứ hai tăng số khối ASPP. Mặt khác, trong cấu trúc của DeepLabV3+, lượng kênh trở lại đúng bằng số kênh của bản đồ đặc ASPP bao gồm một lớp tích chập atrous 1 × 1 và ba lớp trưng đầu vào và sử dụng một lớp kích hoạt sigmoid để tích chập atrous 3 × 3, trong đó hệ số giãn nở lần lượt thu được trọng số quan trọng (nghĩa là không triệt tiêu là 6, 12 và 18. Rõ ràng, lớp tích chập atrous với bộ lọc lẫn nhau giữa từng kênh). Cuối cùng, vectơ trọng số đó ISBN 978-604-80-8932-0 395
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) sẽ được nhân với bản đồ đặc trưng đầu vào, làm nổi bật Bảng II: Các thông số cần thiết để sinh dữ liệu tín hiệu. các đặc trưng quan trọng, phớt lờ đặc trưng kém nổi bật. Tham số kênh truyền Giá trị Đơn vị Để tận dụng hiệu quả khối SE, chúng tôi đề xuất việc SNR [0 20 40 60 80 100] dB Doppler [0 10 500] Hz đặt nó ở cuối giai đoạn 2 của mạng lõi dùng trong phần Tham số của 5G [15] Giá trị Đơn vị mã hóa. Việc đặt khối tự chú ý quá gần với đầu vào SCS [15 30] kHz của mạng có thể cải thiện tỷ lệ phân loại chính xác của Bandwidth [10 15 20 25 30 40 50] Mhz các tín hiệu có tỷ lệ tín hiệu trên nhiễu cao (signal-to- SSB Period 20 ms noise ratio - SNR), nhưng việc học các mẫu phức tạp Tham số của LTE [14] Giá trị Đơn vị Reference Channel [R.2, R.6, R.8, R.9] của các tín hiệu có SNR trung bình thấp lại kém hiệu Bandwidth [10 5 15 20] MHz quả. Kết quả này khó có thể chấp nhận khi đánh giá mô Duplex Mode FFD hình trong môi trường truyền tín hiệu không hoàn hảo. Mặt khác, khối SE cũng không nên đặt ở vị trí quá sâu Bảng III: Hiệu năng phân đoạn phổ tín hiệu của mô trong kiến trúc mạng để hạn chế việc gia tăng chi phí hình đề xuất tốt nhất, sử dụng ResNet50 làm mạng lõi tính toán của mô hình. Kiến trúc hoàn chỉnh của mạng và áp dụng cả hai chiến lược X-strategy và Y-strategy. cải tiến dùng cho phân đoạn ảnh phổ được trình bày ở SNR Global Mean Weighted Mean hình 1, trong đó việc thêm khối SE vào mô hình của (dB) Accuracy IoU IoU BFScore chúng tôi làm cho số lượng trọng số đào tạo tăng lên 0 0.3900 0.1330 0.1554 0.4353 rất bé, với số lượng chỉ khoảng vài nghìn. 20 0.3799 0.1370 0.1547 0.3088 40 0.7853 0.6237 0.6452 0.5296 60 0.9776 0.9555 0.9562 0.9082 III. ĐÁNH GIÁ VÀ THẢO LUẬN 80 0.9855 0.9721 0.9714 0.9378 100 0.9855 0.9724 0.9714 0.9341 A. Sinh dữ liệu và thiết lập môi trường mô phỏng > 40 0.9828 0.9666 0.9663 0.9267 Tạo bộ dữ liệu: Để đánh giá hiệu suất phân đoạn ảnh Overall 0.7501 0.5926 0.5988 0.6749 phổ, chúng tôi tạo một bộ dữ liệu tổng hợp về tín hiệu 5G và LTE, trong đó các tín hiệu được cho qua các mô hình kênh truyền giúp mô tả lại các hiện tượng thế giới đề xuất của chúng tôi cần xác định các vùng tần số của thực trong truyền thông không dây, chẳng hạn như hiệu 5G, LTE và nhiễu trong hình ảnh phổ đó. ứng tán xạ đa đường, phân tán thời gian và dịch Doppler Cấu hình huấn luyện và các chỉ số đánh giá: Trong phát sinh từ chuyển động tương đối giữa máy phát và giai đoạn huấn luyện, chúng tôi thiết lập một số tùy máy thu [14], [15]. Cụ thể hơn, với công cụ 5G Toolbox chọn sau: bộ tối ưu hóa là thuật toán SGDM (stochastic và LTE Toolbox của MATLAB, chúng tôi đã cài đặt các gradient descent with momentum) với hệ số động lượng thông số cần thiết (được trình bày trong bảng II) để tạo là 0.9, chịu ảnh hưởng của trọng số tiêu biến L2 là các tín hiệu. Chúng tôi tạo hai bộ dữ liệu cho việc huấn 0.0001. Số epoch tối đa để huấn luyện là 40, kích thước luyện mô hình và đánh giá hiệu năng: một bộ dữ liệu mini-batch là 20, và hệ số học tập ban đầu là 0.02 với chứa tín hiệu NR hoặc LTE riêng biệt, và một bộ dữ chu kì giảm 10 lần sau mỗi 20 epoch. Đáng chú ý, quá liệu khác chứa tín hiệu hỗn hợp 5G NR và LTE. Tất cả trình huấn luyện trả về mô hình mạng với bộ trọng số chúng đều được áp dụng biến đổi Fourier nhanh và khử mà tại đó mô hình đạt mức sai số thấp nhất trên tập nhiễu để thu được phổ tín hiệu tương ứng. Mỗi phổ có đánh giá. Mặt khác, để giải quyết sự mất cân đối về số khung tín hiệu với độ dài 40 mili giây (ms) tương ứng lượng pixel thuộc về mỗi tín hiệu trong ảnh phổ (chẳng với thời gian của 40 khung phụ. Để hỗ trợ hầu hết các hạn, tín hiệu 5G NR thường chiếm một vùng băng thông tín hiệu tiêu chuẩn hiện tại, tốc độ lấy mẫu là 61, 44 rộng hơn tín hiệu LTE), chúng tôi sử dụng trọng số cho MHz, cho phép cung cấp băng thông có giá trị khoảng từng lớp tín hiệu để tái cân bằng và giảm thiểu sự tập 50 MHz. Bộ dữ liệu đầu tiên, bao gồm 20.000 hình ảnh trung vào duy nhất một lớp nào đó. Kết quả được đánh phổ của một loại tín hiệu, cân bằng giữa số lượng tín giá dựa trên bốn chỉ số phổ biến trong phân đoạn hình hiệu 5G và LTE, được chia thành tập huấn luyện và tập ảnh ngữ nghĩa: bao gồm độ chính xác toàn cục (global đánh giá với tỷ lệ 8/2 (tức là 16.000 hình ảnh cho huấn accuracy), IoU trung bình (mean IoU), IoU có trọng số luyện mô hình và phần còn lại cho việc đánh giá). Để (weighted IoU), BF Scores trung bình (mean BFScores). đo hiệu suất của mô hình cho tác vụ phân đoạn ngữ nghĩa, bộ dữ liệu thứ hai có 10.000 hình ảnh chứa cả B. Kết quả và thảo luận hai tín hiệu 5G và LTE (nghĩa là cả hai tín hiệu cùng Trong thí nghiệm mô phỏng đầu tiên, chúng tôi đánh xuất hiện trong một ảnh phổ), và mạng học sâu được giá hiệu năng mô hình DeepLabV3+ với hai chiến lược ISBN 978-604-80-8932-0 396
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) (a) (b) (c) Hình 2: Trực quan hóa kết quả của việc sử dụng nhiều mạng lõi: (a) MobileNetV2, (b) ResNet18, and (c) ResNet50 ở mức SNR 40 dB (từ trên xuống dưới của mỗi mạng: phổ tín hiệu thu được, giá trị sự thật, đầu ra dự đoán của mạng cơ sở, đầu ra dự đoán của mạng cải tiến với chiến lược X-strategy, đầu ra dự đoán của mạng cải tiến với chiến lược Y-strategy, và đầu ra dự đoán của mạng cải tiến với cả hai chiến lược X-strategy và Y-strategy). Bảng IV: So sánh hiệu suất phân đoạn của mô hình cải đến 0.39 chỉ ra giới hạn trong khả năng phân đoạn của tiến của chúng tôi với nhiều mạng lõi khác nhau. mô hình; và BFScore nhỏ hơn 0.5 biểu thị mô hình nhận Mạng Strategy Global Mean Weighted Mean biết ranh giới phổ tín hiệu yếu. Các chỉ số này có sự cải giải mã X Y Accuracy IoU IoU BFScore thiện đáng kể khi hình ảnh phổ của tín hiệu trở nên rõ 0.7350 0.5671 0.5788 0.5928 ràng hơn tương ứng với các mức SNR cao. Đối với tín Mobile- ✓ 0.7398 0.5730 0.5846 0.6036 NetV2 ✓ 0.7423 0.5794 0.5877 0.6371 hiệu có mức SNR > 40 mô hình đạt hiệu suất đáng kể ✓ ✓ 0.7444 0.5833 0.5909 0.6456 với chính xác toàn cục trung bình là 0.9828. Các vùng 0.7284 0.5588 0.5685 0.5824 phân đoạn chính xác chiếm hơn 96% của hình ảnh phổ ✓ 0.7184 0.5524 0.5547 0.6154 và các ranh giới cũng được phát hiện chính xác hơn với ResNet18 ✓ 0.7338 0.5672 0.5753 0.6011 ✓ ✓ 0.7384 0.5697 0.5833 0.6031 BFScore trung bình là 0.9267. Tóm lại, chúng tôi cung 0.7427 0.5816 0.5889 0.6167 cấp một cái nhìn toàn diện trên toàn bộ tập dữ liệu với ResNet50 ✓ 0.7440 0.5812 0.5898 0.6595 các mức SNR khác nhau để cung cấp một đánh giá đáng ✓ 0.7435 0.5811 0.5891 0.6771 tin cậy về khả năng phân đoạn ngữ nghĩa của mô hình ✓ ✓ 0.7501 0.5926 0.5988 0.6749 đề xuất. Mô hình DeepLabV3+ cải tiến của chúng tôi đạt độ chính xác trung bình là 0.7501, chủ yếu là do các pixel bị phân loại sai ở các mức SNR thấp. Giá trị cải tiến được đề xuất: X-strategy cho phép tích hợp cơ trung bình của IoU là khoảng 0.5926 vì khả năng tách chế tự chú ý vào trong mô hình mạng DeepLabV3+ và biên và phân đoạn phổ tín hiệu trong điều kiện nhiễu Y-strategy giúp thay đổi tập hợp các hệ số giãn nở của nặng là khiêm tốn. khối ASPP để thích ứng tốt hơn với dữ liệu để phân Trong thí nghiệm mô phỏng thứ hai, hiệu năng đoạn phổ trên tập dữ liệu được tạo ra. Bảng III trình của mạng DeepLabV3+ cải tiến được khảo sát với bày các kết quả của mô hình tốt nhất với các mức SNR các mạng lõi khác nhau (bao gồm MobileNetV2 [11], khác nhau. Mô hình cho thấy khả năng thích ứng kém ResNet18 [10] và ResNet50 [10]) được sử dụng trong ở các mức SNR thấp 0 và 20 dB. Cụ thể, tại mức SNR bộ mã hóa và tiến hành phân tích tính hiệu quả khi áp thấp, IoU đạt khoảng 0.13 cho thấy kiến trúc chỉ dự dụng các chiến lược cải tiến được đề xuất, bao gồm X- đoán được chính xác một vùng phổ nhỏ của tín hiệu có strategy và Y-strategy. Với kết quả được trình bày trong ý nghĩa; độ chính xác toàn cục chỉ đạt khoảng từ 0.37 bảng IV, tất cả các chỉ số đánh giá đều được cải thiện ISBN 978-604-80-8932-0 397
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) khi chúng tôi áp dụng đồng thời X-strategy và Y-strategy đánh giá định tính và định lượng, mô hình mạng cải tiến trong DeepLabV3+ với các mạng lõi khác nhau. So với đề xuất trong bài báo đã nâng cao khả năng phân đoạn MobileNetV2 và ResNet18, ResNet50 đạt được kết quả phổ tín hiệu, cho phép xác định tín hiệu chính xác hơn cao nhất trong các chỉ số đánh giá phân đoạn. Với mạng dựa trên đầu ra phân đoạn của mạng học sâu. lõi là ResNet18, X-strategy và Y-strategy giúp tăng độ TÀI LIỆU THAM KHẢO chính xác toàn cục, IoU trung bình và BFScore tăng lên lần lượt là 1.37%, 1.95% và 3.56%. Trong trường hợp [1] N. A. Mousa and S. B. Sadkhan, “Identification of digitally modulated signal used in cognitive radio network -a survey,” in sử dụng MobileNetV2 làm mạng lõi, các chỉ số này có Proc. 1st Babylon Int. Conf. Inf. Technol. Sci. (BICITS), Babil, sự cải thiện khoảng 1.28%, 2.85% và 8.91%. Đáng chú Iraq, 2021, pp. 311–314. ý, cơ chế thay đổi hệ số giãn nở Y-strategy tỏ ra hiệu [2] S. D. Liyanaarachchi, T. Riihonen, C. B. Barneto, and M. Valkama, “Optimized waveforms for 5g–6g communication quả hơn cơ chế tự chú ý X-strategy trong kiến trúc của with sensing: Theory, simulations and experiments,” IEEE Trans. DeepLabV3+ ứng với các mạng lõi khác nhau. Wirel. Commun., vol. 20, no. 12, pp. 8301–8315, Jun 2021. Việc tích hợp hai chiến lược cải tiến vào bộ mã [3] Q.-V. Pham, N. T. Nguyen, T. Huynh-The, L. Bao Le, K. Lee, and W.-J. Hwang, “Intelligent radio signal processing: A survey,” hóa của DeepLabV3+ với các mạng lõi khác nhau tăng IEEE Access, vol. 9, pp. 83 818–83 850, Jun 2021. cường đáng kể khả năng học các đặc trưng nhiều ý [4] T. Huynh-The, T.-V. Nguyen, Q.-V. Pham, D. B. da Costa, and nghĩa, cho phép rút trích đặc trưng tương quan không D.-S. Kim, “Mimo-ofdm modulation classification using three- dimensional convolutional network,” IEEE Trans. Veh. Technol., gian trong ảnh phổ, cải thiện sự tổng hợp các đặc trưng, vol. 71, no. 6, pp. 6738–6743, Mar 2022. tăng cường đặc trưng quan trọng và loại bỏ bớt các đặc [5] T. Huynh-The, Q.-V. Pham, T.-V. Nguyen, D. B. da Costa, trưng không nổi bật. Nhờ đó, độ chính xác và sự rõ ràng and D.-S. Kim, “Racomnet: High-performance deep network for waveform recognition in coexistence radar-communication của đường biên phân đoạn được cải thiện giúp nhận dạng systems,” in ICC 2022 - IEEE Int. Conf. Commun., Seoul, Korea, các vùng phổ của 5G NR và LTE trên ảnh phổ chính Republic of, May 2022, pp. 1–6. xác hơn. Để cung cấp cái nhìn trực quan, chúng tôi trình [6] Z. Chen, Y.-Q. Xu, H. Wang, and D. Guo, “Deep stft-cnn for spectrum sensing in cognitive radio,” IEEE Commun. Lett., bày các kết quả phân đoạn ảnh phổ 5G và LTE ở mức vol. 25, no. 3, pp. 864–868, Nov 2021. 40 dB, một mức SNR thường gặp trong các tình huống [7] K. Zhang, W. Zuo, Y. Chen, D. Meng, and L. Zhang, “Beyond thực tế. Hình 2 trình bày ảnh phổ ngõ vào, ảnh ngõ a gaussian denoiser: Residual learning of deep cnn for image denoising,” IEEE Trans. Img. Proc., vol. 26, no. 7, pp. 3142—- ra sự thật, và các kết quả ảnh phân đoạn thu được bởi 3155, Jul 2017. DeepLabV3+ có sử dụng các cải tiến X-strategy và Y- [8] L.-C. Chen, G. Papandreou, I. Kokkinos, K. Murphy, and A. L. strategy với các mạng lõi khác nhau. Sự áp dụng tuần tự Yuille, “Deeplab: Semantic image segmentation with deep con- volutional nets, atrous convolution, and fully connected crfs,” các cơ chế này cho thấy sự cải thiện trong độ chính xác IEEE Trans. Pattern Anal. Mach. Intell., vol. 40, no. 4, pp. 834– của việc phân đoạn, đặc biệt, nhận biết tín hiệu trở nên 848, Apr 2018. chính xác hơn, giảm sự nhầm lẫn trong việc xác định tín [9] L.-C. Chen, Y. Zhu, G. Papandreou, F. Schroff, and H. Adam, “Encoder-decoder with atrous separable convolution for semantic hiệu 5G và LTE so với nhiễu trong miền tần số. Lưu ý, image segmentation,” in Proc. European Conf. Comput. Vis. trục ngang biểu diễn tần số tín hiệu, đơn vị MHz, được (ECCV), Munich, Germany, Sep. 2018, pp. 833—-851. chuẩn hóa về khoảng từ −30 đến 30 và trục đứng đại [10] K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in Proc. IEEE Conf. Comput. Vis. Pattern diện cho thời gian tính bằng mili giây ms, được chuẩn Recognit. (CVPR), Las Vegas, NV, USA, June 2016, pp. 770– hóa về khoảng từ −40 đến 0. 778. [11] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. IV. KẾT LUẬN Chen, “Mobilenetv2: Inverted residuals and linear bottlenecks,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), Trong bài báo này, chúng tôi đề xuất một phương pháp Salt Lake City, UT, USA, June 2018, pp. 4510–4520. xác định thành phần tín hiệu 5G NR và LTE cùng tồn [12] S. Woo, J. Park, J.-Y. Lee, and I. S. Kweon, “CBAM: Convolu- tại trong một băng tần rộng thông qua phân đoạn phổ tional block attention module,” in Proc. European Conf. Comput. Vis. (ECCV), Munich, Germany, 2018, pp. 3–19. nhờ vào học sâu. Chúng tôi đã chuyển đổi tín hiệu thu [13] J. Hu, L. Shen, S. Albanie, G. Sun, and E. Wu, “Squeeze-and- được từ dạng phức hợp thành ảnh phổ thông qua biến excitation networks,” IEEE Trans. Pattern Anal. Mach. Intell., đổi Fourier nhanh (FFT). Sau đó, chúng tôi áp dụng vol. 42, no. 8, pp. 2011–2023, Apr 2020. [14] 3GPP TS 36.101, “Evolved Universal Terrestrial Radio Access một mạng nơ-ron tích chập để khử nhiễu nó. Cuối cùng, (E-UTRA);User Equipment (UE) radio transmission and recep- chúng tôi đã phát triển một mạng học sâu dựa trên kiến tion,” 3rd Generation Partnership Project; Technical Specifica- trúc của DeepLabV3+ với hai cải tiến: khối ASPP với tion Group Radio Access Network, Technical Specification (TS), Sep. 2019, version 15.8.0. hệ số giãn nở được tái xác định và một cơ chế tự chú ý [15] 3GPP TS 38.901, “Study on channel model for frequencies được tích hợp trong phần mã hóa để làm nổi bật các đặc from 0.5 to 100 GHz,” 3rd Generation Partnership Project; trưng quan trọng, từ đó nâng cao hiệu quả phân đoạn Technical Specification Group Radio Access Network, Technical Specification (TS), Sep. 2019, version 15.1.0. phổ của các thành phần 5G và LTE. Dựa trên kết quả ISBN 978-604-80-8932-0 398

CÓ THỂ BẠN MUỐN DOWNLOAD

LV.15: Bộ Đồ Án Tốt Nghiệp Chuyên Ngành Cơ Khí

65 tài liệu

2418 lượt tải

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.