Nghiên cứu so sánh đánh giá hiệu quả của các phương pháp tách và nhận dạng hỗn hợp tín hiệu ra đa
16 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.FEE.2024.120-127Từ khóa:
Tín hiệu radar; Phân tích đa độ phân giải; Phép biến đổi wavelet kết hợp chồng lấn cực đại; Phân tích chế độ kinh nghiệm; Phân tích chế độ biến phân.Tóm tắt
Bài báo này đề xuất một mô hình để tách và nhận dạng hỗn hợp tín hiệu ra đa sử dụng phương pháp đa phân dải và mạng nơ-ron tích chập. Mô hình đề xuất gồm ba bước chính. Bước một được sử dụng để tách tín hiệu thành các thành phần riêng dựa trên các phương pháp phân tích đa độ phân giải (MRA): phân tích chế độ kinh nghiệm (EMD), phân tích chế độ biến phân (VMD) và phép biến đổi Wavelet kết hợp chồng lấn cực đại (MODWPT). Trong bước thứ 2, các tín hiệu sau khi tác được trích xuất đặc trưng trên cả hai miền thời gian - tần số bằng phân bố Wigner-Ville (WVD). Trong bước ba, mạng nơ ron tích chập (CNN) được sử dụng để nhận dạng các tín hiệu nói trên. Hiệu quả của các phương pháp tách được đánh giá thông qua các tiêu chí như số lần tách thành công, tỷ lệ SNR của tín hiệu đầu vào và hệ số tương quan giữa các thành phần tín hiệu trước và sau khi tách. Ngoài ra, hiệu quả của thuật toán đề xuất đã được kiểm chứng với các tín hiệu từ máy phát sóng chuẩn E8267D. Kết quả mô phỏng và thực nghiệm cho thấy, thuật toán đề xuất có tính ứng dụng thực tế cao trong bài toán tách và nhận dạng hỗn hợp tín hiệu ra đa.
Tài liệu tham khảo
[1]. V. Kůrková, Y. Manolopoulos, B. Hammer, L. Iliadis, and I. Maglogiannis, Eds., “Artificial Neural Networks and Machine Learning – ICANN 2018: 27th International Conference on Artificial Neural Networks, Rhodes, Greece, October 4–7, 2018, Proceedings, Part I”, vol. 11139. Springer, pp 13-23, (2018). DOI: https://doi.org/10.1007/978-3-030-01418-6
[2]. Gers, F. A, “Long Short-Term Memory in Recurrent Neural Networks” These N° 2366, Présentée au Département d’Informatique, École Polytechnique Fédérale de Lausanne, pour l’obtention du grade de Docteur ès Sciences, (2001).
[3]. Norden E Huang, Samuel S P Shen, “Hilbert–Huang Transform and Its Applications”, 2 ed, World Scientific, pp 4-10, (2014).
[4]. Dragomiretskiy, K., & Zosso, D, “Variational Mode Decomposition”, IEEE Transactions on Signal Processing, 62 (3), pp 534-535, (2014). DOI: https://doi.org/10.1109/TSP.2013.2288675
[5]. Percival, D. B., & Walden, A. T, “Wavelet methods for time series analysis”, Cambridge University Press, pp. 6-7, (2000). DOI: https://doi.org/10.1017/CBO9780511841040
[6]. Katkovnik, V., and Stankovic, L., “Instantaneous frequency estimation using the Wigner distribution with varying and data-driven window length,” IEEE Trans. on Signal Processing, Vol. 46, No. 9, pp. 2315-2325, (1998). DOI: https://doi.org/10.1109/78.709514
[7]. Pham Thanh Cong, Le Dinh Phu Cuong, Vien Thanh Nha, Tiep Sy Minh Phung, Nguyen Thanh Tung, “Convolution neuron network (CNN) and VGG16 network on real-time face recognition system”, Journal of Science and Technology, 19(2), 1185-1196, (2022).
