МЕТОДИКА ВИЗНАЧЕННЯ ПАРАМЕТРІВ СПЕКТРОГРАМ РАДІОСИГНАЛІВ ДЛЯ ЇХ РОЗПІЗНАВАННЯ З ВИКОРИСТАННЯМ МЕТОДІВ КОМП’ЮТЕРНОГО ЗОРУ

Сергій Віталійович Тимчук; Владислав Олександрович Тарасенко; Олександр Павлович Радушинський

doi:10.46972/2076-1546.2025.28.13

Автор(и)

Сергій Віталійович Тимчук Житомирський військовий інститут імені С. П. Корольова, Україна https://orcid.org/0000-0002-4096-9946
Владислав Олександрович Тарасенко Житомирський військовий інститут імені С. П. Корольова, Україна https://orcid.org/0009-0005-6267-9455
Олександр Павлович Радушинський Житомирський військовий інститут імені С. П. Корольова, Україна https://orcid.org/0009-0002-0381-052X

DOI:

https://doi.org/10.46972/2076-1546.2025.28.13

Ключові слова:

спектрограма, згорткові нейронні мережі, короткохвильовий діапазон, експертна оцінка, параметри візуалізації, метод комп’ютерного зору, Adobe Audition

Анотація

Автоматичне розпізнавання радіосигналів за допомогою згорткових нейронних мереж, що аналізують їх спектрограми, є перспективним напрямом, однак на його ефективність впливає відсутність стандартизованих параметрів формування цих спектрограм, необхідних для забезпечення їх інформативності. У зв’язку із цим було розроблено методику визначення найбільш прийнятних параметрів генерації спектрограм короткохвильових сигналів у середовищі Adobe Audition на основі експертних оцінок, яка дозволяє створити стандартизований датасет для навчання згорткових нейронних мереж.

Проведено експеримент за участю досвідчених операторів радіоелектронної розвідки, які індивідуально налаштовували параметри візуалізації спектрограми (розмір швидкого перетворення Фур'є, тип віконної функції, динамічний діапазон, колірна схема, тривалість сегмента) для двох типових короткохвильових сигналів до досягнення максимальної візуальної інформативності. Зібрані дані аналізувалися статистично (мода, середнє) для визначення узагальнених рекомендацій.

Визначено єдиний рекомендований набір параметрів генерації спектрограм (розмір швидкого перетворення Фур'є, тип віконної функції, колірна схема, динамічний діапазон, тривалість сегмента), який відображає консенсус експертів щодо оптимального візуального подання аналізованих сигналів. Запропонована методика та отримані рекомендації дозволяють стандартизувати процес підготовки спектрограм короткохвильових сигналів для завдань автоматичного розпізнавання за допомогою згорткових нейронних мереж, сприяють формуванню якісних датасетів та підвищенню відтворюваності досліджень.

Сформовані параметри можуть бути використані як основа для створення однорідних спектрограм у рамках побудови навчальних вибірок. Узгодженість візуальних характеристик забезпечує єдиний підхід до формування вхідних даних, що відповідає вимогам стандартизації в системах машинного навчання, орієнтованих на оброблення радіосигналів.

Посилання

Baran, R., Rusc, T., & Fornalski, P. (2016). A Smart Camera for the Surveillance of Vehicles in Intelligent Transportation Systems. Multimedia Tools and Applications, 75, 10471–10493. https://doi.org/10.1007/s11042-015-3151-y

Vovk, S., Hnatushenko, V., & Bondarenko, M. (2016). Metody obrobky zobrazhen ta komp’iuternyi zir [Methods of Image Processing and Computer Vision]. Dnipropetrovsk [in Ukrainian].

Woods, R. E., & Gonzalez, R. C. (2017). Digital Image Processing. Pearson.

Slobodianiuk, P. (2008). Dovidnyk z radiomonitorynhu [Handbook of Radio Monitoring].

Nizhyn [in Ukrainian].

Harp, G. R., Richards, J., & Shostak, S. et al. (2023). Machine Vision and Deep Learning for Classification of Radio SETI Signals. SETI Institute, NASA Ames, IBM, Team Effsubsee.

Cox, G. A., Egly, S., & Harp, G. R. et al. (2018). Classification of Simulated Radio Signals Using Wide Residual Networks for Use in the Search for Extra-Terrestrial Intelligence. Mountain View, California.

Brzycki, B., Siemion, A., & Croft, S. et al. (2020). Narrow-Band Signal Localization for SETI on Noisy Synthetic Spectrogram Data. Publications of the Astronomical Society of the Pacific, 132, 1–12. https://doi.org/10.1088/1538-3873/abaaf7

Xing, H., Zhang, X., & Chang, S. et al. (2024). Signal Detection and Automatic Modulation Classification via Deep Learning. The Chinese University of Hong Kong (Shenzhen), Beijing University of Posts and Telecommunications.

Forsyth, D. A., & Ponce, J. (2015). Computer Vision: A Modern Approach. Pearson Education.

Eleyan, A., Bayram, F., & Eleyan, G. (2024). Spectrogram-Based Arrhythmia Classification Using Three-Channel Deep Learning Model with Feature Fusion. Applied Sciences, 14 (21), 9936. https://doi.org/10.3390/app14219936

Davies, E. R. (2017). Computer Vision: Theory, Algorithms, Practicalities. Elsevier Science & Technology Books.