Классификация сигналов в средствах радиомониторинга на основе автокорреляционной обработки тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Нгуен Чонг Нхан

• Нгуен Чонг Нхан
• кандидат наук
• 2023

Оглавление диссертации кандидат наук Нгуен Чонг Нхан

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР СУЩЕСТВУЮЩИХ УСТРОЙСТВ ПРИЕМА И ОБРАБОТКИ ПРОСТЫХ И СЛОЖНЫХ СИГНАЛОВ. ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ

1.1 Анализ требований к обработке простых и сложных сигналов

1.2 Обзор и сравнительный анализ технологий обработки сигналов на промежуточной частоте

1.3 Обзор и сравнительный анализ алгоритмов классификации принятого сигнала с автокорреляционной обработкой

1.4 Постановка цели и научной задачи исследования

ГЛАВА 2. РАЗРАБОТКА АЛГОРИТМОВ КЛАССИФИКАЦИИ ПРИНЯТОГО СИГНАЛА В УСТРОЙСТВЕ АВТОКОРРЕЛЯЦИОННОЙ ОБРАБОТКИ

2.1 Синтез оптимальных алгоритмов классификации сигналов

2.2 Разработка математической модели процесса обработки простых, ЛЧМ- и ФКМ-сигналов в устройсте автокорреляционной обработки

2.3 Разработка структурной схемы алгоритма классификации принятого сигнала в устройстве автокорреляционной обработки

2.4 Совершенствование алгоритма с целью уточнения вида кодовой последовательности ФКМ-сигнала

2.5 Выводы

ГЛАВА 3. ИССЛЕДОВАНИЕ ВЕРОЯТНОСТИ ВЕРНОЙ

КЛАССИФИКАЦИИ ПРИ ПОДАЧЕ ИМИТАЦИОННЫХ СИГНАЛОВ

3.1 Исследование зависимостей вероятности верной классификации простых, ЛЧМ- и ФКМ-сигналов от ОСШ для различного соотношения длительности задержки и длительности сигнала

3.2 Исследование зависимостей вероятности верной классификации простых сигналов от ОСШ для различного соотношения длительности окна БПФ и длительности сигнала

3.3 Исследование зависимостей вероятности верной классификации ЛЧМ-сигналов от ОСШ для различного соотношения полосы пропускания входного полосового фильтра и ширины спектра ЛЧМ-сигналов

3.4 Исследование зависимостей вероятности верной классификации двоичных ФКМ-сигналов от ОСШ для различных кодовых последовательностей сигналов

3.5 Обоснование параметров функциональных блоков устройства автокорреляционной обработки

3.6 Сравнение зависимостей вероятности верной классификации простых, ЛЧМ- и ФКМ-сигналов от ОСШ в УАО с обоснованными параметрами

3.7 Построение матриц перепутывания при классификации простых, ЛЧМ- и ФКМ-сигналов

3.8 Исследование зависимостей вероятности верной классификации ФКМ-сигналов с кодами Баркера и Фрэнка от ОСШ в дополненном алгоритме

3.9 Выводы

ГЛАВА 4. ИССЛЕДОВАНИЕ ВЕРОЯТНОСТИ ВЕРНОЙ КЛАССИФИКАЦИИ ПРИ ПОДАЧЕ ЗАПИСАННЫХ СИГНАЛОВ. РЕКОМЕНДАЦИИ ПО РЕАЛИЗАЦИИ И ПРАКТИЧЕСКОМУ

ПРИМЕНЕНИЮ РАЗРАБОТАННЫХ АЛГОРИТМОВ

4.1 Результаты моделирования записей сигналов

4.1.1 Описание стенда для формирования и записи сигналов разных видов

4.1.2 Исследование зависимостей вероятности верной классификации записей простых, ЛЧМ- и ФКМ-сигналов от ОСШ для различного соотношения длительности задержки и длительности сигнала

4.1.3 Исследование зависимостей вероятности верной классификации записей простых сигналов от ОСШ для различного соотношения длительности окна БПФ и длительности сигнала

4.1.4 Исследование зависимостей вероятности верной классификации записей ЛЧМ-сигналов от ОСШ для различного соотношения полосы пропускания входного полосового фильтра и ширины спектра ЛЧМ-сигналов

4.1.5 Исследование зависимостей вероятности верной классификации записей двоичных ФКМ-сигналов от ОСШ для различных кодовых последовательностей сигналов

4.1.6 Сравнение зависимостей вероятности верной классификации записей простых, ЛЧМ- и ФКМ-сигналов от ОСШ

4.1.7 Исследование зависимостей вероятности верной классификации записей ФКМ-сигналов с кодами Баркера и Фрэнка от ОСШ в дополненном алгоритме

4.2 Реализация устройства автокорреляционной обработки на ПЛИС

4.3 Сравнение показателей разработанного алгоритма с существующими автокорреляционными алгоритмами классификации сигнала

4.4 Рекомендации по практическому применению устройства автокорреляционной обработки

4.5 Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

Приложение А. Копии патентов

Приложение Б. Копии актов внедрения

131

ВВЕДЕНИЕ

Актуальность работы. Средства радиомониторинга используются для анализа электромагнитной обстановки, контроля функционирования источников радиоизлучения (ИРИ) различного назначения. Во многом технические характеристики средств радиомониторинга определяются приемным устройством обработки.

Разработке и исследованию средств радиомониторинга посвящены работы под редакцией А. В. Кузовникова, А. М. Рембовского, а также работы А. П. Дятлова, Б. Х. Кульбикаяна, Д. Н. Киселева, О. Ю. Перфилова, Э. А. Кирсанова, А. А Сироты, А. С. Подстригаева, А. В. Смолякова, В. П. Лихачева, Р. А. Дудова, П. Н. Захарова, А. В. Козаря, А. Ф. Королева, А. А. Потапова, Е. А. Пухова, А. П. Сухорукова, Н. Н. Сысоева, А. В. Турчанинова. Следует также отметить работы зарубежных ученых K. M. Anil, M. M. Haim, T. James Bao-yen, A. R. Poisel, P. Roland, T. J. Skip Arey, R. Sue, G. Wiley.

При построении средств радиомониторинга широкое распространение получил подход, основанный на использовании широкополосного приемника с переносом сигнала в диапазон промежуточных частот (ПЧ) и узкополосного устройства обработки. И аналоговая, и цифровая части могут быть построены на основе различных технических решений. Причем в отсутствие априорных данных о принимаемом сигнале квазиоптимальным является устройство автокорреляционной обработки (УАО) [3, 5, 6, 16, 25, 27, 29, 50, 51, 52, 53, 54, 66, 82, 88, 89, 90, 104, 106, 122, 141]. При априорной неопределенности сигнала такое устройство обеспечивает минимальное пороговое отношение сигнал-шум (ОСШ) на входе.

Современные средства радиомониторинга должны работать в условиях сложной сигнальной обстановки (ССО), которая характеризуется наличием в радиоэфире большого количества сигналов. Стоит отметить, что в настоящее время в пространстве функционируют радиоэлектронные средства (РЭС) различного назначения, в которых используются простые и сложные (сигналы

с линейно-частотной модуляцией (ЛЧМ) и с фазо-кодовой манипуляцией (ФКМ)) сигналы [9, 11, 25, 26, 37, 38, 46, 66, 72, 73, 79, 95, 103, 111, 112, 124, 133, 140]. Использование сложных сигналов позволяет обеспечивать повышение помехозащищенности и скрытности работы РЭС [11, 83, 99, 142]. При этом для средств радиомониторинга требуется применять специальные алгоритмы приема и обработки сигналов [11, 46, 58, 83, 99, 129, 133, 142]. При ведении радиомониторинга для идентификации и разделения конкретного типа, экземпляра и режима работы ИРИ в условиях ССО важным вопросом является классификация принятого сигнала [3, 4, 14, 15, 22, 23, 24, 62, 63, 95, 98, 99, 129, 130, 132]. Так, в условиях ССО УАО должно принимать как простые импульсные сигналы, так и сигналы с ЛЧМ и ФКМ.

Известные УАО выполняющие классификацию принятого сигнала, не обеспечивают одновременно низкое пороговое ОСШ на входе и определение трех видов сигналов: простых, ЛЧМ- и ФКМ-сигналов. Так, УАО [51] и [52] не классифицируют простой сигнал и при обеспечении вероятностей правильного обнаружения PD0 = 0,99 и ложной тревоги PF0 =

требуют ОСШ на входе не менее 12,5.14 дБ. Устройство циклостационарного спектрального анализа, описанное в [88] и [123], при тех же вероятностях требует ОСШ на входе не менее 10.13 дБ. Другое УАО [53] требует меньшего ОСШ (0.3 дБ), но определяет только ЛЧМ-сигнал. Значения порогового ОСШ относятся к классификации. При сравнении устройств обработки значения параметров входного сигнала принимались одинаковыми (близкими).

Поэтому требуется разработка такого УАО, которое классифицировало бы ЛЧМ-, ФКМ- и простой сигнал при пониженном пороговом ОСШ на входе.

Степень разработанности темы. Вопросами автокорреляционной обработки в средствах радиомониторинга занимались А. П. Дятлов, Б. Х. Кульбикаян, Ю. П. Мельников, В. П. Лихачев, Ю. М. Перунов, И. Ф. Купряшкин, Н. В. Соколик, А. С. Подстригаев и другие. Среди зарубежных авторов следует отметить Ph. E. Pace, W. A. Gardner, C. M. Spooner и

J. B. Y. Tsui. Распознаванию сигналов в средствах радиомониторинга посвящены работы С. С. Аджемова, Д. С. Чирова, М. В. Терешонок, С. В. Дворникова, С. А. Иваненко, В. А. Козьмина, П. В. Заика, А. М. Кудрявцева, а также O. A. Dobre, A. Abdi, Y. Bar-Ness, W. Su, X. Li, F. Dong, S. Zhang, W. Guo, T. J. O'Shea, J. Corgan, T. C. Clancy.

Объектом исследования является УАО с алгоритмом классификации принятого сигнала для средств радиомониторинга.

Предметом исследования является процесс обработки простых и сложных (с ЛЧМ и ФКМ) сигналов в УАО.

Целью диссертационной работы является совершенствование процесса обработки в УАО средств радиомониторинга для понижения требуемого входного ОСШ.

Задачами диссертационного исследования являются:

1. Выбор признаков для классификации принятого сигнала (ЛЧМ-, ФКМ- или простой) в УАО и разработка математической модели процесса обработки в УАО.

2. Разработка алгоритма классификации принятого сигнала в УАО, позволяющего определять один из видов сигнала: простой, ЛЧМ- или ФКМ-сигнал.

3. Исследование зависимостей вероятности верной классификации простых и сложных сигналов от ОСШ в УАО и обоснование параметров разработанного алгоритма, обеспечивающих пониженное пороговое ОСШ на входе.

4. Исследование особенностей обработки ФКМ-сигналов с законами чередования фаз по кодам Баркера и Фрэнка.

5. Экспериментальное исследование математической модели процесса обработки в УАО на записях сигналов.

6. Разработка рекомендаций по практической реализации УАО.

Научная новизна работы заключается в следующем:

1. Разработана математическая модель процесса классификации принятого сигнала в УАО.

2. Предложен защищенный патентом РФ № 2683791 алгоритм классификации сигнала (простой, ЛЧМ или ФКМ) в УАО.

3. Получены зависимости вероятности верной классификации простых, ЛЧМ- и ФКМ-сигналов от ОСШ на основе разработанной математической модели. Обоснованы приемлемые для практики значения параметров алгоритма.

4. Предложен защищенный патентом РФ № 2716017 алгоритм классификации сигнала в УАО с уточнением вида кодовой последовательности ФКМ-сигнала.

5. Получены зависимости вероятности верной классификации ФКМ-сигналов с кодами Баркера и Фрэнка от ОСШ в УАО с усовершенствованным алгоритмом обработки.

Теоретическую ценность представляют: математическая модель алгоритма классификации принятого сигнала в УАО; полученные зависимости вероятности верной классификации простых, ЛЧМ- и ФКМ-сигналов от ОСШ; результаты исследования математической модели процесса обработки в УАО при использовании записанных и имитационных сигналов.

Практическую ценность представляют:

- классификация сигнала в разработанном алгоритме в масштабе времени, близком к реальному;

- понижение требуемого ОСШ на входе УАО с разработанным алгоритмом по сравнению с существующими устройствами с автокорреляционной обработкой на величину до 10 дБ;

- проработка реализации предложенных технических решений, позволившая оценить вычислительную сложность алгоритма и сформулировать требования к необходимым ресурсам ПЛИС.

Методология и методы исследования

В процессе выполнения диссертационной работы использовались методы теории вероятностей и математической статистики, теории обнаружения и различения сигналов, аппарат вычислительной математики и программирования, а также математическое моделирование в среде MATLAB.

Научные положения, выносимые на защиту:

1. Разработанная математическая модель алгоритма процесса обработки в УАО позволяет исследовать соответствующие зависимости вероятности верной классификации от ОСШ для обоснования оптимальных параметров алгоритма в зависимости от заданных диапазонов параметров сигналов.

2. Алгоритм классификации сигнала в УАО, основанный на сравнении амплитудных спектров составляющих исходного сигнала и сигнала на удвоенной частоте после перемножения с их задержанной копией с заданным порогом, позволяет в режиме времени, близком к реальному, с пониженным ОСШ определять один из видов сигнала: простой, ЛЧМ- или ФКМ-сигнал.

3. Для уточнения вида кодовой последовательности ФКМ-сигнала в алгоритме классификации сигнала в УАО следует дополнительно применить процедуры обработки составляющей сигнала после полосовой фильтрации на разностной частоте первого канала УАО.

4. Экспериментально обоснованные значения параметров алгоритма позволяют понизить требуемое пороговое ОСШ на входе по сравнению с существующими алгоритмами на основе автокорреляционной обработки на величину до 10 дБ.

Достоверность полученных результатов

Достоверность теоретических расчетов и формируемых на их основе выводов обеспечивается корректностью используемого современного математического аппарата с учетом влияющих факторов и заданных ограничений. Моделирования и эксперимент проведены с использованием современного программного обеспечения и поверенной аппаратуры. Полученные в диссертационной работе результаты не противоречат данным,

полученным ранее другими исследователями в рассматриваемой предметной области.

Внедрение результатов диссертации

Полученные научные результаты диссертации внедрены в разработки АО «НИИ «Вектор» (г. Санкт-Петербург) и АО «НИИ СТТ» (г. Смоленск).

Введение диссертации (часть автореферата) на тему «Классификация сигналов в средствах радиомониторинга на основе автокорреляционной обработки»

Апробация работы

Основные положения и результаты работы рассматривались и обсуждались на 5 конференциях: XXV Международной научно-технической конференции «Радиолокация, навигация, связь», г. Воронеж (2019 г.); The 20th International Conference on Next Generation Wired/Wireless Advanced Networks and Systems NEW2AN, г. Санкт-Петербург (2020 г.); 2021 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (2021 ElConRus), г. Санкт-Петербург (2021 г.); XIV Всероссийской научно-практической конференции студентов и аспирантов «Актуальные проблемы развития авиационной техники и методов ее эксплуатации», г. Иркутск (2021 г.); XIX Всероссийской молодежной научно-технической конференции «Радиолокация и связь - перспективные технологии», г. Москва (2021 г.).

За результаты исследований и разработки по теме диссертации получены следующие дипломы и награды:

- Диплом за лучший доклад XIX Всероссийской молодежной научно-технической конференции «Радиолокация и связь - перспективные технологии» - 2021 г.

- Победитель конкурсного отбора, включенных в Программу поддержки эффективных аспирантов по итогам 2020/2021 учебного года.

- Победитель конкурсного отбора, включенных в Программу поддержки эффективных аспирантов по итогам 2021/2022 учебного года.

- Победитель конкурса стипендий Президента РФ по приоритетным направлениям на 2021/2022 учебный год.

Личный вклад

Лично автором разработаны математические модели и проведено моделирование алгоритмов. Анализ всех основных результатов выполнен при непосредственном участии автора.

Публикации

По материалам диссертационной работы опубликованы 15 научных работ: 5 статьи в изданиях, рекомендуемых Высшей аттестационной комиссией РФ по специальности 2.2.16; 2 патента на изобретение; 7 статьей в трудах конференций (из них 4 статьи индексируются в базе данных Scopus); 1 статья в издании, входящем в Перечень Высшей аттестационной комиссии РФ по другой специальности.

Структура и объем диссертации

Диссертация состоит из введения, четырех глав, заключения, списка сокращений, списка литературы и двух приложений. Основная часть диссертации изложена на 130 страницах, содержит 43 рисунка и 7 таблиц. Список литературы включает 142 наименования.

ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР СУЩЕСТВУЮЩИХ УСТРОЙСТВ ПРИЕМА И ОБРАБОТКИ ПРОСТЫХ И СЛОЖНЫХ СИГНАЛОВ. ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ

1.1 Анализ требований к обработке простых и сложных сигналов

Средства радиомониторинга необходимо проектировать с учетом анализа сигналов современных и перспективных РЭС. Современный радиоэфир характеризуется наличием сигналов, разнообразных по частотно-временным параметрам. Можно выделить три укрупненных вида сигналов, излучаемых РЭС: простые, частотно-модулированные и фазо-кодо-манипулированные [11, 66, 79, 93, 103]. Каждый из видов простых и сложных сигналов имеет определенные достоинства и недостатки при решении разнообразных задач [11, 66, 79, 93, 103].

Сложные сигналы, такие как ЛЧМ- и ФКМ-сигналы, широко используются во многих современных радиотехнических системах (в радиолокации, радиосвязи, навигации и др.), что обеспечивает повышение их помехозащищенности и скрытности функционирования [11, 83, 99, 142]. Кроме того, на практике также остается значительное число радиолокационных станций (РЛС) ранних разработок, работающих с простыми сигналами.

Одним из наиболее представительных классов радиотехнических систем, получившим распространение во многих сферах деятельности, являются РЛС. Они работают в широком частотном диапазоне и имеют, как правило, высокую мощность излучения, что определяет их высокое помеховое влияние на средства радиомониторинга [46, 58, 129, 133]. РЛС наряду с другими излучающими РЭС активно используются на территориях возле крупных аэропортов, морских портов, при проведении массовых мероприятий и т.д. В этих случаях возникает ССО, которая, в частности, характеризуется значительным потоком импульсов и разнообразием используемых видов сигналов [21, 45, 57, 58, 59, 60, 64].

В средствах радиомониторинга решаются задачи обнаружения и анализа сигналов, параметры которых (частота, фаза, амплитуда, вид сигнала, направление прихода) априорно неизвестны [15, 25, 62, 63, 129, 129]. Для идентификации ИРИ и оценки их возможной угрозы для штатного функционирования других радиоэлектронных средств необходимо определить вид принятого сигнала. В условиях ССО эта процедура затрудняется.

Стоит заметить, что эффективность обнаружения и анализа принимаемых сигналов в средствах радиомониторинга существующими аналоговыми или цифровыми устройствами обработки зависит от параметров сигналов. В то же время, в зависимости от решаемых задач и условий применения эти параметры меняются в широких пределах. Например, для радиолокационных станций с синтезированием апертуры антенны (РСА) параметры зондирующих сигналов определяют многие характеристики качества радиолокационных изображений (РЛИ), такие как пространственная разрешающая способность, погрешность определения географических координат, погрешность определения параметров движения объектов на РЛИ, радиометрическая чувствительность, радиометрическое разрешение, уровень рекуррентных помех и др. [7, 25, 26, 37, 46, 79, 81, 83, 112, 133, 142].

В современных РЭС для ЛЧМ-сигнала возможные интервалы значений параметров составляют: длительность импульсов - от 0,5 до 500 мкс; ширина спектра сигнала - от единиц до нескольких сотен мегагерц [25, 26, 37, 46, 79, 112, 133]. Кроме того, известно большое количество различных разновидностей ФКМ-сигналов, длительность которых изменяется от 0,5 до 70 мкс, например, разные виды двоичных ФКМ-сигналов, ФКМ-сигнал с кодами Фрэнка и др. [9, 11, 37, 38, 46, 73, 111]. Соответственно, средства радиомониторинга должны обрабатывать простые сигналы, а также сложные сигналы с ЛЧМ и ФКМ.

ССО характеризуется одновременным присутствуем в радиоэфире большого количества сигналов. При этом с увеличением сложности

сигнальной обстановки повышается вероятность того, что импульсы, принадлежащие разным сигналам, накладываются во времени [58, 107, 109, 116, 125, 126, 127]. Если в таких условиях длительность обработки одного импульса превышает паузы между ними, то растет очередь необработанных импульсов. Эта очередь требует использования буфера данных, размер которого зависит от плотности принимаемого потока сигналов и длительности непрерывной работы в ССО. Поскольку необходимый на практике объем буфера данных сложно спрогнозировать, обработка каждого импульса должна занимать минимальное время. В частности, классификацию сигнала целесообразно выполнять до окончания приема импульса.

Также для расширения зоны действия и повышения качества обработки средства радиомониторинга должны иметь высокую чувствительность.

Итак, для повышения эффективности работы средств радиомониторинга в условиях ССО необходимо в режиме времени, близком к реальному, с пониженным ОСШ определять один из видов сигнала: простой, ЛЧМ- или ФКМ-сигнал.

1.2 Обзор и сравнительный анализ технологий обработки сигналов на

промежуточной частоте

Для выбора наиболее приемлемой технологии обработки сигналов в полосе ПЧ и определения необходимости ее доработки при создании перспективных средств радиомониторинга необходимо провести анализ существующих технологий. В настоящее время в средствах радиомониторинга находят широкое применение технологии, основанные на БПФ, вейвлет-анализе, сжатии сигнала с использованием дисперсионных линий задержки (ДЛЗ) на поверхностных акустических волнах (ПАВ), акустооптической обработке и автокорреляционном анализе. Перечисленные технологии будут проанализированы в данном разделе.

Быстрое преобразование Фурье

Для определения гармонического состава сигнала выполняется дискретное преобразование Фурье (ДПФ) на основе алгоритма быстрого преобразования (БПФ) с заданным числом точек БПФ. Алгоритм БПФ широко используется во многих задачах обработки сигналов и может быть объединен с другими методами или использоваться как самостоятельный метод.

В средствах радиомониторинга распространен подход, при котором обработка сигналов на ПЧ выполняется алгоритмом БПФ, затем можно определять несущие частоты принятых сигналов по максимуму полученного спектра [76, 99]. Кроме того, анализ формы полученных амплитудных спектров также позволяет определять вид сигнала и обнаруживать слабые сигналы [76]. Алгоритм БПФ позволяет обрабатывать сложные сигналы, такие как ЛЧМ- и ФКМ-сигналы [33, 99], и на практике имеет большой односигнальный мгновенный динамический диапазон - более 70 дБ [74, 86].

Стоит заметить, что ограничения алгоритма БПФ по диапазону частот обрабатываемых сигналов, требуемому ОСШ на входе алгоритма, и другим количественным или качественным характеристикам определяются прежде всего возможностями элементной базы.

Также отметим, что при измерении некоторых параметров сигнала присутствует противоречие требований к данной технологии обработки. Так, увеличение разрешающей способности по частоте требует увеличения длительности окна БПФ, и это приводит к снижению чувствительности при обнаружении сигналов с длительностью меньше длительности окна БПФ.

Алгоритм БПФ может быть реализован на процессорных системах и ПЛИС, которые показывают наименьшее время выполнения вычислений операций алгоритма [94].

Вейвлет-анализ

Технология вейвлет-анализа позволяет разложить принимаемый сигнал по системе вейвлет-функций. В отличие от БПФ, вейвлет-анализ является частотно-временным анализом сигнала. Для вейвлет-функций характерна

конечность энергии при частотно-временной локализации [113]. В настоящее время широко используются следующие вейвлеты: HAAR-вейвлет, FHAT-вейвлет, WAVE-вейвлет, МНАТ-вейвлет, DOG-вейвлет и вейвлет Добеши (ВаиЬееЫев) [28].

Вейвлет-преобразование обладает практически всеми достоинствами преобразования Фурье [135]. Также, технология на основе вейвлет-анализа по реализации близка к БПФ. Однако, в средствах радиомониторинга необходимо решать задачу анализа сигнала с высокой априорной неопределенностью его параметров. Для снижения требуемого значения ОСШ на входе при обнаружении сигналов с разными видами и параметрами, изменяющимися в широких пределах, материнский вейвлет по своему описанию в частотной и временной области должен быть максимально похож на принятый сигнал, в результате чего, необходимо обладать множеством параллельно работающих алгоритмов, каждый из которых настроен на «свой» сигнал [108, 137].

Оптимизация такой структуры по количеству используемых ресурсов и выполнение анализа сигналов с короткими длительностями возможно путем распознавания на основе задаваемых предварительных признаковых пространств [12, 13].

Отметим, что в средствах радиомониторинга вейвлет-анализ используется для предварительной обработки зашумленного сигнала [102].

В средствах радиомониторинга реализация вейвлет-анализа выполняется на ПЛИС. Однако, использование алгоритмов на основе вейвлет-анализа с высокой вычислительной сложностью часто позволяет выполнять их только в отложенном времени [36].

Сжатие сигнала с использованием ДЛЗ на ПАВ

Технология используется, как правило, в супергетеродинном приемнике, который имеет мгновенную полосу частот от нескольких сотен до примерно полутора тысяч мегагерц и позволяет обрабатывать сложные сигналы, такие как ЛЧМ- и ФКМ-сигналы [21, 77, 136]. При этом расширение

полосы обработки в ПЧ приводит к увеличению разрешающей способности по частоте [21, 47, 80, 100].

Стоит заметить, что при обработке ЛЧМ-сигналов частотное разрешение в общем случае ухудшается, так как закон изменения частоты выходного сигнала не повторяет закон изменения мгновенной частоты ЛЧМ-гетеродина. Кроме того, прием сигнала с длительностью короче окна обработки приводит к ухудшению чувствительности [98].

На практике, частотное разрешение устройства обработки со сжатием импульсов составляет около одного мегагерца, динамический диапазон - не менее шестидесяти децибел, ошибка измерения времени прихода сигнала -около одной микросекунды [37, 66]. Поэтому в условиях ССО классификация сигнала затруднена.

Акустооптическая обработка

Технология акустооптической обработки сигналов, построенная на основе ячейки Брэгга, позволяет достичь следующих параметров обработки: частотное разрешение - от 0,5 до 1 МГц, динамический диапазон - от 25 до 35 дБ, чувствительность - от 95 до 140 дБ, длительность обрабатываемого сигнала - менее 100 нс [47, 64, 71, 75, 85, 117, 128]. При односигнальном динамическом диапазоне не более 60 дБ, спектроанализаторы в акустооптическом устройстве позволяют обрабатывать сигналы в полосе до нескольких единиц гигагерц [49]. В качестве опорного сигнала этих акустооптических модуляторов используются ЛЧМ- [1, 49] или ФКМ-сигналы [2, 106]. Однако, при приеме и обработки ЛЧМ-сигнала чувствительность устройства ухудшается [85]. Тогда, для повышения чувствительности приемного устройства применяется опорный сигнал с М-последовательностью, который позволяет в широкой полосе обеспечить работу акустооптического спектроанализатора без пропусков по времени.

Автокорреляционный анализ

В процессе автокорреляционного анализа проводится операция перемножения смеси полезного сигнала и шума с ее задержанной копией,

которая формируется при помощи линии задержки. В автокорреляторе выполняются квазикогерентное накопление энергии полезного сигнала и некогерентное накопление шума, в результате чего ОСШ на выходе автокоррелятора по мере накопления возрастает [3, 54, 66, 104, 106, 122].

При автокорреляционном анализе из спектра сигнала могут выделять составляющую на разностной частоте, под которой понимается разностная составляющая в спектре сигнала на выходе автокоррелятора. При этом форма спектра сигнала на разностной частоте позволяет определить вид принятого сигнала [25, 30, 29, 51, 52, 53, 54, 66, 82]. Далее определяются несущая частота и параметры сигнала. Затем определяются временные параметры сигнала (время прихода, длительность и период повторения импульсов).

В [30] проведена экспериментальная апробация описанного автокорреляционного алгоритма обнаружения и определения частотно-временных параметров сигналов РСА L-, С- и X-диапазонов. В эксперименте был обнаружен ЛЧМ-сигнал с чередованием нарастания/убывания частоты в двух соседних полосах приема с центральными частотами 1200 и 1280 МГц соответственно, что говорит об использовании поляриметрического режима работы РСА. При этом по результатам автоматической обработки ширина спектра сигнала составила 44,9 МГц.

Стоит отметить, что существующие алгоритмы на основе автокорреляционного анализа не позволяют одновременно определять различные виды сигналов и измерять их частотно-временные параметры при низком ОСШ на входе, что будет подробно рассмотрено в разделе 1.3.

Схема приемника с использованием технологии автокорреляционного анализа использована в средстве радиомониторинга, реализуемом на ПЛИС [25, 29].

Сравнительный анализ технологий обработки сигналов на ПЧ

Анализ как отечественной, так и зарубежной литературы показывает, что стремительное развитие всех вышерассмотренных технологий обработки сигналов позволяет выйти на новый уровень в создании средств

радиомониторинга. К настоящему времени развиваются следующие основные направления: расширение мгновенной полосы частот; расширение мгновенного динамического диапазона; повышение эффективности обработки сигналов с короткими длительностями (менее 100 нс или короче длительности обработки); повышение эффективности обработки наложенных сигналов как в частотной и так и во временной областях; интеллектуальный анализ вида сложных сигналов; снижение значения требуемого ОСШ на входе; повышение точности измерений частотно-временных параметров сигналов.

Согласно представленному выше обзору, все представленные цифровые и аналоговые технологии имеют свои преимущества и недостатки, обусловленные как своими особенностями обработки, так и специфическими условиями сигнальной обстановки.

Стоит заметить, что в выше рассмотренных технологиях имеются принципиально неустранимые недостатки. Устранение многих рассмотренных выше недостатков технологий обработки сигналов может быть затруднено. Однако, недостатки технологии на основе автокорреляционного анализа (ограничение функциональных возможностей при обработке принятых сигналов, большое необходимое для обработки ОСШ) не являются неустранимыми.

Одним из основных параметров приемного устройства радиомониторинга является чувствительность. Соответственно, используемый метод обработки должен требовать минимального ОСШ на входе. Для этого должен использоваться оптимальный обнаружитель, согласованный с параметрами принимаемого сигнала. Однако в условиях априорной неопределенности параметров принимаемого сигнала в качестве квазиоптимального может использоваться обнаружитель, основанный на автокорреляционной обработке.

Автокорреляционный анализ не только является одним из наиболее оптимальных методов обработки в условиях априорной неопределенности [3, 5, 6, 16, 25, 27, 29, 50, 51, 52, 53, 54, 66, 82, 88, 89, 90, 104, 106, 122, 141], но и

позволяет определять вид сигнала до его окончания. Также технология автокорреляционного анализа позволяет принимать как простые импульсные сигналы, так и сигналы с ЛЧМ и ФКМ. Классификация сигнала может выполняться еще до приема заднего фронта импульса, т.е. в режиме времени, близком к реальному.

В следующих главах диссертации рассмотрены технические решения, расширяющие контролируемые виды сигналов в ходе ведения радиомониторинга, обеспечивающие высокую чувствительность и оперативность обработки в средствах радиомониторинга.

Коротко результаты данного раздела опубликованы в работе [61].

1.3 Обзор и сравнительный анализ алгоритмов классификации принятого сигнала с автокорреляционной обработкой

Для создания теоретического задела при разработке алгоритма классификации сигнала с автокорреляционной обработкой проводится сравнительный анализ существующих алгоритмов с автокорреляционной обработкой, решающих эту задачу. Ниже приведено краткое описание разных алгоритмов, для каждого из них указаны основные преимущества и недостатки. При этом для оценки требуемого ОСШ на входе различных алгоритмов классификации приятого сигнала с автокорреляционной обработкой значения параметров простых и сложных сигналов принимались одинаковыми (близкими): полоса обработки в диапазоне ПЧ - до 250 МГц; длительность простых импульсов изменяется в пределах от 0,05 до 40 мкс; длительность ЛЧМ-импульсов - от 10 до 40 мкс, ширина спектра импульсов -от 1 до 500 МГц; длительность двоичных ФКМ-импульсов - от 8 до 40 мкс.

Алгоритм классификации сложных сигналов в устройстве для определения параметров ЛЧМ- и ФКМ-сигналов [51] (рисунок 1.1) основан на перемножении принятого сигнала с его задержанной копией и дальнейшем взвешивании энергий определенных участков спектра сигнала на разностной частоте по выходу перемножителя. Для ЛЧМ-сигнала спектр

составляющей сигнала на разностной частоте концентрируется в относительно узкой полосе, которая намного уже спектра сигнала на входе устройства. Для ФКМ-сигнала ширина спектра составляющей сигнала на разностной частоте обратно пропорциональна длительности задержки в автокорреляторе и намного шире спектра сигнала на разностной частоте при обработке ЛЧМ-сигналов. По этой отличительной особенности спектров составляющих сигналов на разностной частоте при обработке ЛЧМ- и ФКМ-сигналов принимается решение о виде принятого сигнала.

Рисунок 1.1 - Структурная схема алгоритма классификации сложных сигналов в устройстве определения параметров сигналов с автокорреляционной обработкой Недостатками данного устройства являются узкий диапазон рабочих частот канала различения ФКМ-сигналов и отсутствие классификации простого сигнала. Кроме того, в этом алгоритме используются пиковые

детекторы для фиксации уровней энергий сигналов, что при обеспечении вероятности верной классификации Рв 0 = 0,99 и фиксированной вероятности ложной тревоги Рр0 = 10-5 ... 10-3 требуется большое ОСШ на входе -12,5 ... 14 дБ.

На рисунке 1.2 представлена структурная схема алгоритма классификации сложных сигналов в устройстве анализа параметров импульсных сигналов [52], в котором для расширения диапазонов параметров обрабатываемых сигналов используются отдельные каналы обработки ЛЧМ- и ФКМ-сигналов. Каждый канал обработки сигналов содержит автокорреляторы, в состав которых входят линии задержки, перемножители и фильтры, причем длительность линии задержки в схеме автокоррелятора канала обработки ЛЧМ-сигнала выбирается намного больше аналогичной длительности задержки в канале обработки ФКМ-сигнала.

Рисунок 1.2 - Структурная схема алгоритма классификации сложных

сигналов в устройстве анализа сигналов с автокорреляционной обработкой

Для различения ЛЧМ-сигнала используется информация о биполярности напряжения сигнала на разностной частоте, выделяемого на выходе фильтра нижних частот автокоррелятора. При этом при обработке ФКМ-сигналов составляющая сигнала на выходе автокоррелятора канала ЛЧМ-сигнала также биполярная и на его выходе формируется ложный признак приема ЛЧМ-сигнала. Для исключения ложной информации при

обработке ФКМ-сигналов производится бланкирование схемы формирования признака приема ЛЧМ-сигнала, которое осуществляется признаком приема ФКМ-сигналов.

Однако, чувствительность канала обработки ЛЧМ-сигнала в данном устройстве на 5-7 дБ выше чувствительности канала обработки ФКМ-сигнала из-за разных полос на выходах автокорреляторов соответствующих каналов (полоса обработки ФКМ-сигналов намного шире полосы обработки ЛЧМ-сигналов). Также необходимо отметить, что использование пиковых детекторов в каналах обработки ЛЧМ- и ФКМ-сигналов приводит к увеличению требуемого ОСШ на входе устройства. При этом для обеспечения вероятности Рв 0 = 0,99 при вероятности Рр 0 = 10-5 ... 10-3 необходимое ОСШ на входе составляет 12,5 ... 14 дБ.

Следовательно, в данном динамическом диапазоне устройство имеет низкую достоверность различения сигналов по выходу «ЛЧМ». Кроме того, невозможность классификации простого сигнала является ограничением функциональных возможностей устройства.

Методика классификации сигнала с использованием циклостационарного спектрального анализа (рисунок 1.3) подробно описана в [88, 89, 90, 123, 141]. Этот метод анализа основан на автокорреляционной обработке сигнала, затем вычисляется циклоспектральная функция полученного сигнала на выходе автокоррелятора с последующим получением ее цикло-периодограммы. По сочетанию

частотно-временных параметров можно определить вид принимаемого сигнала.

Рисунок 1.3 - Структурная схема алгоритма циклостационарного спектрального анализа сигналов

Результат исследования в трудах [88, 123] показал, что для обеспечения вероятностей Рв 0 = 0,99 и РР 0 = 10-5 ... 10-3 требуется значение ОСШ на входе порядка 10 ... 13 дБ.

Представленный на рисунке 1.4 алгоритм анализа ЛЧМ-сигналов с автокорреляционной обработкой [3, 25, 29, 53] основан на том, что сигнал перемножается со своей задержанной копией, после чего из результирующего сигнала выделяются низкочастотные составляющие. Состав выделенных составляющих определяется параметрами ЛЧМ-сигнала.

Рисунок 1.4 - Структурная схема алгоритма анализа сигналов с автокорреляционной обработкой

В работах [25, 29] рассмотрены варианты реализации УАО с оцифровкой на несущей и разностной частотах. При этом оцифровка на несущей частоте принятого сигнала выше нескольких гигагерц затруднена. Также в этих вариантах реализации алгоритма используется БПФ для обработки. За счет этого с учетом данных в [25, 29] для обеспечения вероятностей Рв 0 = 0,99 и

Рр 0 = 10-5 ... 10-3 необходимое ОСШ на входе составляет от 0 до 3 дБ.

Недостатком данного алгоритма являются ограниченные функциональные возможности, выраженные в классификации только ЛЧМ-сигналов.

Алгоритм обработки ЛЧМ-сигналов многоканальным УАО,

описанный в работах [6, 54] (рисунок 1.5), позволяет обрабатывать спектральную составляющую сигнала на суммарной (удвоенной) частоте, под которой понимается суммарная составляющая в спектре сигнала на выходе автокоррелятора. При этом, на выходе двухканального УАО и последующего можно выделить составляющую сигнала на разностной частоте, которая совпадает с разностной частотой сигнала на выходе одноканального УАО. И путем суммирования составляющих на разностной частоте, полученных в разных каналах, увеличивается значения ОСШ на выходе УАО. Вследствие этого, число ошибок в классификации ЛЧМ-сигнала уменьшается, и точность измерения параметров сигнала повышается.

Рисунок 1.5 - Структурная схема алгоритма обработки сигналов

многоканальным УАО

Однако, результат исследования в работе [54] также показал, что, например, для реализации двухканального УАО повышение значения ОСШ на

выходе УАО будет достигаться только при значении ОСШ на входе устройства выше 3 дБ. С увеличением количества каналов требуется дополнительное повышение ОСШ. Кроме того, при увеличении количества каналов требуется расширение полос К последующих входных полосовых фильтров высоких частот ПФВЧ. При этом, для суммирования составляющих сигналов на разностной частоте обеспечение совпадения разностной частоты сигнала на выходах полосовых фильтров ПФ1 - ПФК затруднено. В связи с этим применение БПФ для обнаружения и классификации ЛЧМ-сигнала не приводит к существенному снижению необходимого ОСШ на входе алгоритма при обеспечении тех же вероятностей верной классификации и ложной тревоги по сравнению с алгоритмом, представленным на рисунке 1.4.

Список литературы диссертационного исследования кандидат наук Нгуен Чонг Нхан, 2023 год

/' // /

/ ^ / -/ / / // ! ' / X 7 / /

- / / .--/ Л/

-12

-11

-10 -9 -8

Отношение сигнал/шум, дБ

-7

Рисунок 4.2 - Зависимости вероятности верной классификации имитационного и записанного ЛЧМ-сигналов от ОСШ для различного

соотношения О при Рр 0 = 10-5

0,9

§0,8 го

4 0,7 ^

о о

Р? 0,6

§ 0,5

а

ш

>,4

I 0,3

о:

о

%0.2 т

0,1

0 -11

А и--.г-/ -■— / / /

-Оимит = 0,005 ---Озап = 0,005 и / / / /

-Римит = 0,05 ---Озап = 0,05 —_ , ! 1 1 /

Оиммт = 0,5 ---Озап = 0,5 —/ --1 ——ИТ"7^/ /1 1 1 ' ! 1 1 1

1 ___ I /

! 1 1 ! 1 ' 1 1 1

а / 1 / / -/— /

у _¿_

/ / / '' / / / / / /

Г 1----- -- . _ и - ~ - / /

-10

-9

-7 -6 -5 -4

Отношение сигнал/шум, дБ

-3

-2

Рисунок 4.3 - Зависимости вероятности верной классификации имитационного и записанного ФКМ-сигналов от ОСШ для различного

соотношения О при Рр0 = 10-5

Из рисунка 4.2 следует отметить, что для классификации записи ЛЧМ-сигнала увеличение ОСШ практически не требуется по сравнению со случаем классификации имитационного сигнала.

Зависимости вероятности верной классификации ФКМ-сигналов от ОСШ, представленные на рисунке 4.3, показывают, что для обеспечения РО 0 = 0,9 при Рр о = 10-5 классификация записи сигнала требует значения ОСШ приблизительно на 2 дБ больше, чем при классификации имитационного сигнала.

4.1.3 Исследование зависимостей вероятности верной классификации записей простых сигналов от ОСШ для различного соотношения длительности окна БПФ и длительности сигнала

длительности сигналов т и от ОСШ выполнено компьютерное моделирование в среде МЛТЬЛБ.

Записанные простые сигналы имеют длительности ти г (г = 1;2) = 2; 6 мкс

и одинаковые амплитуды.

Для обработки записей простых сигналов зададим следующие исходные данные: длительности задержки тз1 = 500 нс, т з2 = т з1 /2, А/ПФ0 = 500 МГц,

Л/ФНЧ1 = Л/ФНЧ2 = Л/ФНЧ = 500 кГц. Парамеры ПФ1, ПФ2, количество точек

БПФ ^бпф , изменение ОСШ и пороговые значения соответствуют значениям, принятым в разделе 3.2. Следовательно, длительность окна БПФ гбпф = ^пф/Рд = 0,2 мкс, а соотношение М{ = Т^пф/Ч г = 0,1; 0,03 соответственно.

Также с вышезаданными параметрами сигналов и УАО производится обработка имитационных простых сигналов.

Результаты моделирования имитационных и записанных простых сигналов по 1000 измерений представлены на рисунке 4.4.

Из рисунка 4.4 следует, что для обеспечения вероятности верной классификации РО0 = 0,9 при вероятности ложной тревоги Рр0 = 10-5 классификация записей сигналов требует значение ОСШ приблизительно на 0,8 дБ больше, чем при классификации имитационных сигналов. Это объясняется теми же причинами, что и выше.

0,9

§0,8

го

£

■&0,7

о о

5 0,6

§ 0,5

а.

0)

>,4

Ез

2 0,3

тс

о

&0,2 со

0,1 0

__--1 / / У / / / / —

__ —Мимит = 0,03 -Мзап =0,03 / / / / / / /

__ — Мимит = 0,1 -Мзап = 0,1 "---...^ / у _ / ! / /

~~~~ — / 1 / / 1 1

/ / ' / / ' / / /

/ / / / / / 1 / / / !

/ / / / / / / / /

/ '' / /

/ / / у / / / / / / / /

/ г---- 1

-6

-5

-3 -2 -1 0

Отношение сигнал/шум, дБ

Рисунок 4.4 - Зависимости вероятности верной классификации имитационных и записанных простых сигналов от ОСШ для различного

соотношения М при Рр0 = 10-5

4.1.4 Исследование зависимостей вероятности верной классификации записей ЛЧМ-сигналов от ОСШ для различного соотношения полосы пропускания входного полосового фильтра и ширины спектра ЛЧМ-

сигналов

Для определения вероятности верной классификации записей ЛЧМ-сигналов в зависимости от соотношения С полосы пропускания входного полосового фильтра А/ПФ0 и ширины спектра ЛЧМ-сигналов А/с от ОСШ выполнено компьютерное моделирование в среде МАТЬАБ.

Записанные ЛЧМ-сигналы имеют длительность ти = 20 мкс и одинаковые амплитуды, а ширина спектра А/с ■(/ = 3) = 75; 37,5; 18,75 МГц.

Следовательно, соотношение С г=Д/ПФ0/Д/с, { = 6,67; 13,33; 26,67 соответственно.

Также, с выше заданными параметрами сигналов и УАО производится обработка имитационных ЛЧМ-сигналов.

Результаты моделирование имитационных и записанных ЛЧМ-сигналов по 1000 измерений представлены на рисунке 4.5.

Рисунок 4.5 - Зависимости вероятности верной классификации имитационных и записанных ЛЧМ-сигналов от ОСШ для различного

соотношения С при Рр0 = 10-5 Зависимости на рисунке 4.5 показывают, что присутствие на входе алгоритма смеси полезного ЛЧМ-сигнала и реального шума вызывает изменение вероятности верной классификации. В связи с этим при классификации записей ЛЧМ-сигналов требуется большее значение ОСШ, чем при классификации имитационных сигналов.

Так, при ОСШ, равном -5 дБ, для случая С = 13,33 при классификации ЛЧМ-сигналов вероятность верной классификации РВ0 изменяется с 0,9 до 0,97.

4.1.5 Исследование зависимостей вероятности верной классификации записей двоичных ФКМ-сигналов от ОСШ для различных кодовых

последовательностей сигналов

Для определения вероятности верной классификации записей двоичных ФКМ-сигналов в зависимости от кодовых последовательностей сигналов от ОСШ выполнено компьютерное моделирование в среде МЛТЬЛБ.

Записанные ФКМ-сигналы с использованием двоичных псевдослучайных последовательностей имеют длительность ти = 10 мкс и одинаковые амплитуды. Законы чередования фаз двоичных псевдослучайных последователей с разными количествами элементов кода ^ (7 = 1...3) = 7; 15; 31.

Для обработки записей ФКМ-сигналов зададим следующие исходные данные: Дпф = 500 МГц; параметры тз1, тз2, ПФ1, ПФ2, ФНЧ1, ФНЧ2, изменение ОСШ и пороговые значения соответствуют значениям, принятым в разделе 3.4.

Также с выше заданными параметрами сигналов и УАО производится обработка имитационных ФКМ-сигналов.

Результаты моделирования имитационных и записанных двоичных ФКМ-сигналов по 1000 измерений представлены на рисунке 4.6.

Полученные зависимости, представленные на рисунке 4.6, подтверждают, что изменение кодовых последовательностей влияет на успешную классификацию ФКМ-сигнала.

Кроме того, в результате обработки смеси полезного ФКМ-сигнала и реального шума при классификации записей ФКМ-сигналов требуется большее значение ОСШ, чем при классификации имитационных сигналов. Например, для обеспечения Рп 0 = 0,9 при Рр 0 = 10-5 для 5 = 31 классификация

записанного сигнала требует значения ОСШ приблизительно на 3 дБ больше, чем классификация имитационного сигнала.

0,9

§0,8 га

ы

-е-0,7

5

о о

® 0,6

§ 0,5

а

ш

50.4 Ез

X 0,3

тс

о

&0,2 са

0,1

0 -11

—— /

"Эммит = 7 -Ззап = 7 / /г '' / /

"Эммит = 15 -Ззап = 15 / / ! / 1

— "Эимит = 31 -Ззап = 31 / / , ' /

! / / ' ! ' ! ^ /

„ / / /

!/ ' / / / ! 1 1

/ ! 1 /

/ / / ! / / 1

_______ - _------- / / /

-10

-7 -6 -5

Отношение сигнал/шум, дБ

Рисунок 4.6 - Зависимости вероятности верной классификации записанных и имитационных двоичных ФКМ-сигналов от ОСШ для различного количества

элементов кода 5 при Рр 0 = 10-5

4.1.6 Сравнение зависимостей вероятности верной классификации записей простых, ЛЧМ- и ФКМ-сигналов от ОСШ

Для определения вероятности верной классификации записей сигналов разных видов проводилось компьютерное моделирование в среде МАТЬАБ.

Записанные простой, ЛЧМ- и ФКМ-сигналы имеют длительность ти = 40 мкс и одинаковые амплитуды, для ЛЧМ-сигнала - ширина спектра А/с = 75 МГц, а для ФКМ-сигнала - закон чередования фаз по коду Баркера с 13 дискретами. Следовательно, скорость перестройки частоты ЛЧМ-сигнала у = 1,875 МГц/мкс, длительность дискрета ФКМ-сигнала т д = 3,08 мкс.

Для обработки записей сигналов разных видов зададим следующие исходные данные: А/пфо = 500 МГц.

Также с заданными выше параметрами сигналов и УАО производится обработка имитационных простых, ЛЧМ- и ФКМ-сигналов.

Результаты моделирования оцифрованных и имитационных сигналов разных видов по 1000 измерений представлены на рисунке 4.7.

1

0,9

га ^

■§■ 0,7 ^

о о

| 0,6 >2

? 0,5

а

ш

>,4

о

т 0,3

тс

о

£0,2 т

0,1 0

_ / / / -- / г -7-т--— ! / -" / Г ' / 1

-ЛЧМмммт ---ЛЧМзап / / / / / / 1 1 / ! / >

ФКМимит ФКМзап __/ ! 1 ( 1 / / _1_ __1_

ПРимит ПРзап / ' '—~—'—г- ] 1

¡1 —--___ / 1 1 1

п ' г 1 I/ 11 1 1 / / —Т— 1

1 1 1 11 1 / 1 / А / ! / /

1 1 1 1 1 / ^ / 1 / 1 1

1 1 / 1 / 1 1 _1 _

/ / / / // / 1 / ( / 1 1 I 1 у _^__

/' / г / / / / л--' _ 7-___- " у / У

■14

-12

-10

-6

-2

Отношение сигнал/шум, дБ

Рисунок 4.7 - Зависимости вероятности верной классификации имитационных и записанных простых, ЛЧМ- и ФКМ-сигналов от ОСШ при

Ре о = 10-5

Полученные зависимости на рисунке 4.7 показывают, что наличие внутренних шумов генератора и шумов квантования при оцифровке ведет к изменению вероятности верной классификации. Вследствие этого, классификация записей сигналов требует большего значения ОСШ, чем классификация имитационных сигналов.

Так, для обеспечения Рв0 = 0,9 при Ре0 = 10-5 при классификации записанного ЛЧМ-сигнала увеличение ОСШ практически не требуется по сравнению со случаем классификации имитационного сигнала; классификация записанного ФКМ-сигнала требует значения ОСШ приблизительно на 2 дБ больше, чем классификация имитационного сигнала; классификация записанного простого сигнала - на 1,3 дБ.

Кроме того, анализ графика также подтверждает, что для обеспечения тех же вероятностей Рв о и Рр о классификация ЛЧМ-сигналов дает выигрыш по сравнению с классификацией простых и ФКМ-сигналов.

Представленные результаты опубиликованы в работе [44]. Экспериментально полученные зависимости, показанные в подразделах 4.1.2 - 4.1.6, использованы при разработке программного обеспечения аппаратуры приема и обработки сигналов в АО «НИИ «Вектор» (г. Санкт-Петербург) (см. прил. Б).

4.1.7 Исследование зависимостей вероятности верной классификации

записей ФКМ-сигналов с кодами Баркера и Фрэнка от ОСШ в

дополненном алгоритме

Для определения вероятности верной классификации записей ФКМ-сигналов разного вида в дополненном алгоритме выполнено компьютерное моделирование в среде MATLAB.

Записанные ЛЧМ- и ФКМ-сигналы с кодами Баркера и Фрэнка имеют длительность ти = 8 мкс и одинаковые амплитуды. Для ЛЧМ-сигнала А/с = 30 МГц. Законы чередования фаз ФКМ-сигналов с кодами Баркера соответствуют количествам элементов Бг- (I = 1;2) = 4; 13 и с кодами Фрэнка -Фг- = 4; 16.

Для обработки записей ФКМ-сигналов разного вида зададим следующие исходные данные: А/ПФ0 = 500 МГц; парамеры тз1, тз2, ПФ1, ПФ2, ФНЧ1, ФНЧ2, пороговые значения для Р = 0,9 и Рр0 = 10-5, и изменение ОСШ соответствуют значениям, принятым в разделе 3.6.

Также с выше заданными параметрами сигналов и УАО производится обработка имитационных ФКМ-сигналов с кодами Баркера и Фрэнка.

Результаты моделирования имитационных и записанных ФКМ-сигналов разного вида по 1000 измерений представлены на рисунках 4.8 и 4.9.

3-0,8

-8-0,7

0,6

0,5

0,4

х 0,3

"0,2

т

0,1

I -у Л / / ' ^ !

-Бимит =4 / ' ' / / / / / / 1 /

---Бзаг =4 — -Фимит = 4 П / ! / ! / / / ! / / /

---Фзаг =4 1 Г ' /1 / 1 1 / / / / _!____

-Бимит = 13 ---Бзаг = 13 Фимит = 16 П 1 / / 1 / /

1 1 ! 1 // / / / 1 1 ! I / / 1 / / / 1 /

Фзаг = 16 / / I

/"""■-■--У / / 1 ! 1 / /

/ / 1/ / / / / / / / / ! 1 1

! / А' - С-!' ! Г

-10

-9

-7

-2

Отношение сигнал/шум, дБ

Рисунок 4.8 - Зависимости вероятности верной классификации записанных и имитационных ФКМ-сигналов с кодами Баркера и Фрэнка от ОСШ при

приеме только ФКМ-сигнала

0,9

3" 0,8

8-0,7

0,6

0,5

0,4

I 0,3

■0,2

со

0,1

- / / ' / ^ — ---- ----

— Бимит =' /У / /

-Бзап =4 — Фимит = 4 / ' 1 / / ' / ' ' 1 / ' / / / > ! ! / / / / 1 /

-- -Фзаг =4 ———_ / ^ / / ' / / '

— Бимит = 13 -Бзап = 13 Фимит = 16 гЧ^ 1 / / / /

! '

-- Фзаг = 16 7 ''/' / ! ' / /

/ Т^ / /

у ' / / 1 ' / ' ' / / / / I

--- •С- - - - / - / ✓ ' / ' у _--" у'

-10

-7

-6

-5

-3

-2

Отношение сигнал/шум, дБ

Полученные зависимости, представленные на рисунках 4.8 и 4.9, подтверждают, что дополненный алгоритм способен обрабатывать ФКМ-сигналы с разной последовательностью изменения фазы, и при одинаковых или разных количествах элементов кода классификация ФКМ-сигнала с кодом Фрэнка требует больше значения ОСШ, чем классификация ФКМ-сигнала с кодом Баркера. Также, результаты исследования подтверждают, что классификация сигнала при приеме смеси ЛЧМ- и ФКМ-сигналов требует больше значения ОСШ, чем классификация при приеме только ФКМ-сигнала.

Кроме того, в результате обработки смеси полезного ФКМ-сигнала и реального шума при классификации записей ФКМ-сигналов разного вида требуется большее значение ОСШ, чем при классификации имитационных сигналов. Например, для обеспечения Рп 0 = 0,9 для Б1 = 13 классификация записанного сигнала требует значения ОСШ приблизительно на 2,5 дБ больше, чем классификация имитационного сигнала.

Результаты исследования данного раздела представлены в работе [40].

4.2 Реализация устройства автокорреляционной обработки на ПЛИС

Вариант реализации разработанного алгоритма классификации сигналов в УАО (защищен патентом РФ [55]) показал, что полосовой фильтр ПФ0 может быть реализован как аналоговый фильтр; фильтры ФНЧ1, ФНЧ2, ПФ1, ПФ2 могут быть реализованы как фильтры на ПАВ или фильтры на микрополосковой линии [68]. Блоки БПФ1 - БПФ4 можно реализовать на основе АЦП и ПЛИС, или с использованием спектроанализатора. Логический узел можно реализовать в виде аналоговой схемы, построенной на основе набора логических элементов И, НЕ (рисунок 4.10), или в виде микросхемы типа микроконтроллер.

Рисунок 4.10 - Вариант реализации логического узла: простой сигнал

(У1 = 1;12 = 0;13 = 0), ЛЧМ-сигнал (У1 = 0;12 = 1;13 = 0), ФКМ-сигнал

(11 = 0;У2 = 0;7з = 1).

Вышесказанный вариант реализации разработанного алгоритма позволяет комбинировать аналоговые и цифровые узлы. Однако, на практике вопрос об ограничении массогабаритных характеристик устройства обработки сигналов вызывает затруднение при использовании алгоритма в таком виде, следовательно, необходимо реализовать разработанный алгоритм полностью в цифровом виде.

Известно, что ПЛИС имеет возможность высокой степени распараллеливания вычислений, благодаря чему обеспечивается высокая скорость вычислений и поддерживается возможность перехода на новые вычислители без существенного изменения программ [81, 115].

Оценка возможности реализации алгоритма, представленного на рисунке 2.1, на ПЛИС включает последовательное выполнение следующих действий:

1. В среде MATLAB с установленным пакетом Simulink создается упрощенная схема разработанного алгоритма, включающая в себя только фильтры.

2. Генерируется VHDL-код путем использования расширения Simulink HDL Coder.

3. Рассчитывается требуемое количество логических вентилей для реализации упрощенной схемы.

4. Оценивается требуемое количество логических вентилей для реализации блоков БПФ.

5. На основе полученных данных выбирается наиболее походящий тип ПЛИС для реализации разработанного алгоритма.

С целью определения ресурсоемкости различных фильтров необходимо рассматривать структурную схему разработанного алгоритма в виде упрощенной схемы, показанной на рисунке 4.11. В состав упрощенной схемы входят только фильтры. Ресурсоемкости блоков БПФ оценивается отдельно. Остальными блоками алгоритма (линии задержки, умножители частоты и перемножители) можно пренебречь.

Рисунок 4.11 - Структурная схема системы цифровых фильтров,

реализованная в Simulink

В процессе создания системы цифровых фильтров использовались КИХ-фильтры Elliptic со следующими параметрами:

- Полосовой фильтр ПФ0 с полосой пропускания А/пф0 = 500 МГц;

- Полосовые фильтры ПФ1 и ПФ2 с полосой пропускания

Апф1 =Апф2 = 5 МГц;

- Фильтры низких частот ФНЧ1 и ФНЧ2 с полосой пропускания

а/фнч1 =а/фнч2 =100 кГц.

На рисунках 4.12 - 4.14 приведены амплитудно-частотные характеристики (АЧХ) цифровых фильтров, полученные с помощью встроенного инструмента Filter Designer.

Далее, для получения полной информации о требуемых ресурсах ПЛИС, на которой реализуется система фильтров, проводилось генерирование кода на языке описания аппаратуры VHDL путем использования расширения Simulink HDL Coder. Данное расширение также позволяет произвести оптимизацию кода.

Показано, что реализация предложенной системы фильтров требует 872374 логических вентилей.

Magnitude Response {dВ)

О

■10

■20

„-30 со

"D

V 40

■о

э

0 100 200 300 400 500 600

Frequency (MHz)

Рисунок 4.12 - АЧХ полосового фильтра высоких частот ПФ0

Magnitude Response (dB)

0 1 2 3 4 5 6

Frequency (MHz)

Magnitude Response (dB)

О 20 40 60 80 100 120 140

Frequency (kHz)

Рисунок 4.14 - АЧХ фильтров низких частот ФНЧ1 и ФНЧ2

Стоит отметить, что количество операций алгоритма также зависит от количества отсчетов БПФ. Поэтому целесообразно выполнить анализ ресурсоемкости блоков БПФ1 - БПФ4.

На сегодняшний день реализация различных узлов средств радиомониторинга наиболее часто осуществляется с использованием ПЛИС производства фирм Altera и Xilinx. Тогда можно использовать IP-ядра БПФ, произведенные именно этими фирмами [91, 105]. К числу рекомендуемого для реализации блоков БПФ можно отнести IP ядро LogiCORE™ IP FFT v9.1 4-Radix «Бабочка», которое производственное фирмой Xilinx. Так, для реализации блока БПФ размером в 1024 16-разрядных значений на основе этого IP ядра требуется около 3500 логических вентилей [87].

Следовательно, реализация параллельных блоков БПФ1 - БПФ4 требует около 14000 логических вентилей.

Таким образом, с учетом данных о ресурсоемкости системы фильтров и блоков БПФ для реализации всего алгоритма требуемое количество логических вентилей должно составлять не менее 900 тысяч. Тогда разработанный алгоритм может быть реализован, например, на ПЛИС VU095,

имеющей более миллиона логических вентилей [138], что говорит о технической реализуемости предлагаемого УАО.

При реализации предложенного алгоритма на ПЛИС темп поступления и выдачи информации одинаковый. Однако, существует задержка обработки, которая, впрочем, в большинстве случаев не влияет на качество дальнейшей вторичной обработки. Это позволяет говорить о том, что алгоритм выполняется на ПЛИС в режиме времени, близком к реальному (англ. "near real-time").

Предложения по реализации алгоритма в устройстве обработки на основе ПЛИС опубликованы в работах [39, 121]. Кроме того, представленные рекомендации по практической реализации алгоритма определения вида сигнала в УАО использованы при разработке программного обеспечения аппаратуры приема и обработки сигналов в АО «НИИ «Вектор» (г. Санкт-Петербург) (см. прил. Б).

4.3 Сравнение показателей разработанного алгоритма с существующими

автокорреляционными алгоритмами классификации сигнала

Для сравнения разработанного алгоритма с существующими алгоритмами классификации сигналов с автокорреляционной обработкой, структурные схемы которых представлены в разделе 1.3, используемые в средствах радиомониторинга при обработке сигналов в полосе ПЧ, проводится сравнительная оценка по следующим характеристикам: вычислительная сложность алгоритма; необходимое для обработки ОСШ; диапазон параметров обрабатываемых сигналов; обработка простых сигналов; обработка ЛЧМ-сигналов; обработка ФКМ-сигналов; возможность одновременно обработки простых и сложных (ЛЧМ и ФКМ) сигналов; сложность конструктивной и алгоритмической реализации; массогабаритные характеристики.

Стоит отметить, что при разработке или сравнении различных алгоритмов важно знать, как оценивать их вычислительную сложность. В настоящее время в практических задачах широко используется оценка O-сложности O( f (N)}, суть которой заключается в измерении скорости роста

количества выполняемых операций в зависимости от входных данных [92, 101, 118, 139]. При оценке сложности алгоритма, например, для алгоритма обработки сигналов увеличение количества входных отсчетов сигнала на входе N ведет к тому, что произведение f (N) и некоторой константы будет

возрастать быстрее, чем время работы всего алгоритма.

Введем ряд условий, при которых будем оценивать вычислительную сложность разработанного алгоритма классификации простых и сложных сигналов в УАО:

1. Формирование сигнала, подаваемого на вход устройства, не учитывается при оценке сложности;

2. Прохождение сигнала через фильтр моделируется вычислением прямого дискретного преобразования Фурье (ДПФ) и выделением отсчетов, попадающих в полосу пропускания фильтра;

3. Количество точек ДПФ является следующей степенью 2 от исходной длины сигнала.

Если принять эти условия, то окажется, что алгоритм работы УАО сводится к фильтрации принятого сигнала полосовым фильтром на высокой частоте, после чего производятся операция обратного ДПФ, удвоение частоты, перемножения и вычисления ДПФ на выходе перемножителей.

Алгоритм для получения сигнала удвоенной частоты основан на известном тригонометрическом выражении:

Далее при помощи ДПФ выделяется составляющая на удвоенной частоте и рассчитывается ее обратное ДПФ. Следовательно, алгоритм имеет три перемножения, шесть прямых ДПФ и два обратных.

Пусть на входе присутствуют N отсчетов сигнала. В среде МЛТЬЛБ расчет ДПФ осуществляется с помощью алгоритма БПФ. Порядок вычислительной сложности алгоритма БПФ оценивается как О(N N) в то

время как при прямом вычислении ДПФ он равен О( N2) [92, 101, 118, 139].

Считая, что прямое и обратное БПФ требуют одинаковое количество ресурсов для вычисления, имеем оценку сложности:

О ^ N). (4.2)

Так как константы при преобразовании выражений в оценке О-сложности алгоритмов не учитываются, то общая сложность всех ДПФ:

О (N N). (4.3)

Каждое перемножение осуществляется N элементарных операций для N входных отсчетов. Следовательно, сложность таких блоков можно оценить, как:

О (3N ) = О (N). (4.4)

Суммарная оценка сложности разработанного алгоритма определяется

как:

О ( N 1ов2 + N ) = О ( N 1ов2 ). (4.5)

Далее, аналогично оцениваем вычислительные сложности рассмотренных алгоритмов, приведенных в разделе 1.3. Получены следующие оценки сложности:

а) алгоритм 1 (рисунок 1.1) - О( N 1о§( N));

б) алгоритм 2 (рисунок 1.2) - О(^ + N 1о§(^) ;

в) алгоритм 3 (рисунок 1.3) - О( ;

г) алгоритм 4 (рисунок 1.4) - О( N 1о§2 N);

Результат сравнения сложности алгоритма работы УАО по выражению (4.5) со значениями сложности для других типовых алгоритмов 1 - 5 (для алгоритма 5 вычислительная сложность оценена для двухканального УАО (К = 2)), показан на рисунках 4.15.

1000

900 800

>| 700

I 600

с

о 500

I-

¥ 400 с;

£ 300

200 100 0

/

Алгоритм 3

Алгоритм 2

0(Ы3) / Алгоритм 5 Разработанный -алгоритм

0(Ыг+Модт

0(2НЩг(Щ) 1ЛГОрИТМ \ Алгоритм 1

0(Ы1од2(Ы))

0

10 20 30 40 50 60 70 80 Количество отсчетов сигнала на входе N

90

100

Рисунок 4.15 - Характеристики роста количества операций алгоритмов при

различных значениях их сложности

Из рисунка 4.15 следует отметить, что исследуемый алгоритм для моделирования процесса обработки простых, ЛЧМ- и ФКМ-сигналов в УАО имеет среднюю скорость роста количества операций. При этом основной вклад в скорость роста количества операций вносит количество отсчетов БПФ. Очевидно, что с увеличением количества отчетов сигнала N на входе

"3

оценка 0( N3) сложности алгоритма 3 (рисунок 1.3) требует наибольшее количество операций при вычислении, а оценка 0(N 1о§(N)) сложности алгоритма 1 (рисунок 1.1) имеет низкую скорость роста количества операций.

Также заметим, что для алгоритма 5 (рисунок 1.5) с оценкой О(К * N 1о§2 N) сложности увеличение количества каналов К приводит к

увеличению требуемого количества операций при фиксированном количестве отчетов сигнала на входе N.

Далее, проводится сравнение по остальным показателям. Стоит отметить, что для ряда показателей алгоритмов отсутствует строгое математическое описание, поэтому их анализ выполнен качественно.

Результат сравнения показан в таблице 4.1. Преимущества алгоритмов выделены светло-зеленным тоном, недостатки - сизым, нейтральные по значению характеристики - оранжевым.

Как видно из таблицы 4.1, после усовершенствования разработанный алгоритм не может устранить все недостатки самой технологии автокорреляционного анализа, указанные в разделе 1.2. Однако, он имеет ряд преимуществ по сравнению с остальными алгоритмами.

Разработанный алгоритм позволяет в режиме времени, близком к реальному, определять один из видов сигнала: простой, ЛЧМ- или ФКМ-сигнал. При этом по сравнению с существующими алгоритмами на основе

автокорреляции для обеспечения вероятностей Рв 0 = 0,99 и РР 0 = 10_5...10_3. требуется входное ОСШ на величину до 10 дБ меньше.

Предложенные результаты оценки вычислительной сложности алгоритма классификации сигналов в УАО опубликованы в [121]. А результаты сравнения различных алгоритмов классификации сигналов, основанных на автокорреляции, представлены в [43].

Таблица 4.1 - Сравнительная оценка характеристик различных алгоритмов классификации сигналов с автокорреляционной обработкой

Характеристика Алгоритм 1 Алгоритм 2 Алгоритм 3 Алгоритм 4 Алгоритм 5 Разработанны й алгоритм

1. Пороговое ОСШ (дБ) для обеспечения вероятностей Рв о = 0,99 и Рр о = 10"5...10"3 12,5...14 12,5.14 10.13 0.3 0.3 0.3

2. Определение простого сигнала Невозможн о Невозможн о Возможно Невозможн о Невозможн о Возможно

3. Определение ЛЧМ-сигнала Возможно Возможно Возможно Возможно Возможно Возможно

4. Определение ФКМ-сигнала Возможно Возможно Возможно Невозможн о Невозможн о Возможно

5. Определение вида ФКМ-сигнала (с кодами Баркера или Фрэнка) Невозможн о Невозможн о Невозможн о Невозможн о Невозможн о Возможно

6. Определение трех сигналов: простой, ЛЧМ-, ФКМ-сигнал Невозможн о Невозможн о Возможно Невозможн о Невозможн о Возможно

Примечание - Преимущества алгоритмов выделены белым цветом, недостатки - темно-серым, нейтральные по значению характеристики - светло-серым.

4.4 Рекомендации по практическому применению устройства автокорреляционной обработки

Известно, что для решения задач радиомониторинга применяемые при этом радиоприемные устройства реализуются на основе следующих методов обнаружения: поисковые, беспоисковые и комбинированные [21, 23, 24, 62, 66, 69, 72, 95, 98, 129, 132, 134].

Для поисковых методов характерно применение алгоритмов узкополосной обработки. Поисковые методы можно разделить на три типа: медленный поиск, быстрый поиск и поиск со средней скоростью [21, 62, 66, 69, 129]. При этом структура средства радиомониторинга, использующего данную группу методов, содержит чаще всего сканирующий приемника и устройство обработки сигналов в полосе ПЧ [21, 62, 66, 129, 132, 134].

Учитывая эффективность обнаружения и классификации простых, ЛЧМ- и ФКМ-сигналов, показанную в главе 3 и разделе 4.1, возможность реализации УАО на доступной электронной компонентной базе, представленную в разделе 4.2, и обоснованные параметры функциональных блоков УАО, рассмотренные в разделе 3.6, можно сделать вывод о том, что разработанный алгоритм может широко использоваться в средствах широкополосного анализа для обработки сигналов в полосе ПЧ.

При использовании беспоискового метода возможны два варианта построения радиоприемного устройства.

Первый вариант основан на разделении полосы рабочих частот на диапазоны. В этом случае аналоговая часть радиоприемного устройства представляет собой многоканальный приемник, каналы которого коммутируются к узкополосному устройству обработки. Для уменьшения количества СВЧ каналов разделение по частоте может выполняться в несколько ступеней. Тогда используется матричный приемник.

Второй вариант основан на использовании приемника прямого усиления и широкополосного устройства обработки.

Сочетания различных приемников и устройств обработки имеют свои преимущества. Например, комбинирование матричного приемника и УАО позволяет расширять виды сигналов, контролируемых в ходе радиомониторинга и повысить точность определения местоположения ИРИ [110].

недостатками. Поэтому в зависимости от специфики решаемых задач и условий применения разработанный алгоритм классификации сигнала в УАО может рационально использоваться для всех трех методов обнаружения: поисковый, беспоисковый или комбинированный.

4.5 Выводы

1. Экспериментально подтверждено, что при равных условиях классификации записей простых, ЛЧМ- и ФКМ-сигналов требует ОСШ на 0,1 ... 3 дБ больше, чем классификация имитационных сигналов. Это объясняется внесением дополнительных шумов при оцифровке.

2. Предложены последовательности действий для анализа возможности реализации разработанного алгоритма на ПЛИС. При этом выполнена оценка ресурсоемкости алгоритма: проведены оценки ресурсоемкости системы фильтров и блоков БПФ. Результат оценки показал, что для реализации всего алгоритма требуется не менее 900 тысяч логических вентилей. Указанные требования выполняются для современных ПЛИС, например, ПЛИС УШ95, которая имеет 1176 тыс. логических вентилей.

3. Выполнено сравнение вычислительной сложности предложенного алгоритма с существующими алгоритмами классификации сигнала с автокорреляционной обработкой. Показано, что разработанный алгоритм классификации простых, ЛЧМ- и ФКМ-сигналов в УАО имеет среднюю скорость роста количества операций, а основной вклад в скорость роста количества операций вносит количество отсчетов БПФ.

4. Использование предложенного алгоритма классификации сигналов в УАО позволяет в режиме времени, близком к реальному, определять один из видов сигнала (простой, ЛЧМ- или ФКМ-сигнал) и понизить требуемое ОСШ на входе по сравнению с существующими алгоритмами на основе автокорреляционной обработки на величину до 10 дБ.

ЗАКЛЮЧЕНИЕ

В диссертационной работе получены следующие основные научные и практические результаты:

1. Выбраны признаки для классификации принятого сигнала (ЛЧМ, ФКМ или простой) в УАО и разработана математическая модель процесса обработки в устройстве автокорреляционной обработки.

2. Разработан алгоритм классификации сигнала (простой, ЛЧМ- и ФКМ-сигнал) в УАО (патент РФ № 2683791).

3. На основе разработанной математической модели получены зависимости вероятности верной классификации простых и сложных сигналов от ОСШ. На основе полученных данных обоснованы параметры (полосы пропускания низкочастотных и полосовых фильтров, времени задержки в корреляторе, соотношения длительностей окна БПФ и обрабатываемого сигнала, соотношения полосы пропускания входного полосового фильтра и ширины спектра ЛЧМ-сигнала) разработанного алгоритма. В результате сравнения зависимостей вероятности верной классификации простых, ЛЧМ- и ФКМ-сигналов от ОСШ показано, что наибольшая вероятность верной классификации при равных условиях достигается для ЛЧМ-сигнала.

4. Предложен алгоритм классификации сигнала с уточнением вида кодовой последовательности ФКМ-сигнала (патент РФ № 2716017). Выполнено исследование особенностей обработки ФКМ-сигналов с законами чередования фаз по кодам Баркера и Фрэнка. Результат исследования показал, что при классификации ФКМ-сигналов с кодами Фрэнка с увеличением количества элементов кода требуется большее значение ОСШ по сравнению со случаем классификации ФКМ-сигналов с кодами Баркера.

5. Выполнено исследование математической модели процесса обработки в УАО на записях сигналов. Результаты исследования показали, что присутствие на входе алгоритма смеси полезного сигнала и реального шума вызывает изменение вероятности верной классификации, в результате чего,