ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ФИЛЬТРАЦИИ ЭЛЕКТРОМАГНИТНЫХ СИГНАЛОВ В КАНАЛАХ С ПОМЕХАМИ

Аннотация. Развитие науки в области телекоммуникационных систем, переход к большим скоростям передачи информации, новым методам модуляции и кодирования, возникает целый ряд новых вопросов, связанных с помехоустойчивостью и адаптации к реальной обстановке в канале связи. Поэтому и возникает необходимость в разработке простых в реализации, надежных, эффективных и мало-затратных методов обработки сигналов в каналах с помехами. Для борьбы с помехами в настоящее время используются в основном статистические методы обладают целым рядом неудобств в практическом применении, так как они в частности требуют обработки большого количества выборок, обрабатываемых последовательно, статистическая теория не удовлетворяет задачам фильтрации и распознавания сигналов, так как в ней порой необходима исчерпывающая информация, которая не может быть задана априорно во многих практических случаях. Именно это условие показывает необходимость изучения нейросетевых методов обработки сигналов, что является специфическим для распознавания и фильтрации в отличие от классической теории.

Основными отличительными особенностями нейросетевых фильтров являются:

Во-первых, высокая скорость обработки, она может быть на порядок выше чем у статистических фильтров, связанная с полным параллелизмом вычислений, производимых большим количеством элементов нейронной сети, которых принято называть нейронами.

Во-вторых, полная распределенность входных данных между нейронами скрытого слоя, это обеспечивает надежность устройства и хорошую помехоустойчивость.

В-третьих, устройства, работающие используя метод нейронных сетей, являются непараметрическими и не требуют точности данных поступающих на вход, конечно это будет влиять на результат, но не столь существенно, как бы это происходило в статистических линейных методах.

Был смоделирован синусоидальный сигнал, затем на этот сигнал накладывался нормально распределенный шум, после чего сигнал проходил фильтрацию разными методами.

Основной задачей является моделирование Нейросетевых фильтров в среде Matlab, а также сравнение со статистическими фильтрами. На рисунке 1 для примера показаны результаты работы статистического фильтра Калмана(а), нейросетевого фильтра(б) и фильтра, включающего в себя фильтр Калмана и нейронную сеть(в).

В заключении хотелось бы сказать, что нейросетевой фильтр проявил себя крайне положительно, что позволяет сделать вывод о необходимости изучениея нейронных сетей применительно к фильтрации сигналов.

Рисунок 1. Результаты работы фильтров

Список литературы:

1. M. S. Yee and L. Hanzo, “Multi-level radial basis function network based equalizers for Rayleigh channel,” IEEE Vehicular Technology Conference, May 1999, pp. 707-711
2. J. Park and I. W. Sandberg, “Universal approximation using radial basis function networks,” Neural Computation, 1991, vol. 3, pp. 246-257
3. Z. Wang and G. Giannakis, “Wireless Multicarrier Communications: where Fourier Meets Shannon,” IEEE Signal Proc. Magazine, Vol. 17, No. 3, pp. 29-48, May 2000
4. S. Boumard and A. Mammela, “Channel Estimation Versus Equalization in an OFDM WLAN System,” IEEE Vehicular Technology Conference, May 2001, Rhodes, Greece
5. J. Melbo and P. Schramm, “Channel Models for HIPERLAN/2,” ETSI/BRAN Document No. 3ERI085B, 1998.
6. J. Medbo “Radio Wave Propagation Characteristics at 5 GHz with Modeling Suggestions for HIPERLAN/2,” ETSI BRAN 3ERI074A, Jan. 1998