Метод спектрального моніторингу з використанням вейвлет-перетворень та фільтрації в умовах спотворення та завмирання частоти сигналу
DOI:
https://doi.org/10.31861/sisiot2024.1.01011Ключові слова:
вейвлет-перетворення, Марле Добеши, відношення сигнал/шум, фільтри Баттерворта, фільтри ЧебишеваАнотація
У статті розглянуто питання підвищення точності та надійності моніторингу спектру в когнітивних телекомунікаційних системах. З урахуванням динамічних умов радіочастотного середовища, основна увага приділена аналізу впливу завмирання та спотворення частоти сигналу на результати спектрального аналізу. Завмирання та спотворення можуть суттєво впливати на точність виявлення сигналів, що робить адаптивні методи і фільтри критично важливими для успішного виявлення змін у спектральному середовищі. Мета статті полягає в оцінці ефективності використання адаптивних методів і фільтрів, таких як вейвлет-перетворення, а також фільтрів Баттерворта, Чебишева і Кайзера, для покращення виявлення змін у спектральному середовищі при різних рівнях сигнал-шум (С/Ш). Дослідження охоплюють широкий спектр частот, зосереджуючи увагу на ключових технологіях, таких як 5G NR, Wi-Fi 6, DVB-T2 і GPS, що мають різні вимоги до точності та надійності сигналу. Метод моніторингу спектру, описаний у статті, дозволяє досягти високої точності виявлення сигналів у сприятливих умовах, коли С/Ш є високим. Проведені експерименти показали, що при значеннях С/Ш вище 1 дБ, показник точності виявлення сигналів (ПТВС) для всіх розглянутих технологій залишається на рівні 0,90 і вище. Наприклад, для 5G NR ПТВС становить 0,92 при С/Ш = 1 дБ, тоді як для Wi-Fi 6 цей показник досягає 0,90. Однак, зі зниженням рівня С/Ш, ефективність методу поступово знижується. Для 5G NR ПТВС знижується до 0,70 при С/Ш = -21 дБ, що свідчить про значне зростання ймовірності хибного виявлення сигналів. Аналогічні результати спостерігаються для Wi-Fi 6, де ПТВС знижується до 0,65, для DVB-T2 — до 0,68, і для GPS — до 0,66. Крім того, середній рівень шуму збільшується зі зниженням С/Ш, що додатково ускладнює процес точного виявлення сигналів, ілюструючи необхідність подальшого вдосконалення методів. Отримані результати підкреслюють важливість подальшого вдосконалення спектрального моніторингу, особливо в умовах низького С/Ш. Подальші дослідження повинні зосереджуватися на розробці нових або вдосконаленні існуючих адаптивних алгоритмів, здатних ефективно працювати в складних спектральних умовах, а також на дослідженні впливу інших типів фільтрації та перетворень.
Завантажити
Посилання
A. O. Anosov, M. M. Procenko, O. L. Dubynko, and M. Y. Pavlynko, "Application of wavelet transform for digital signal analysis," Telecommunication Systems, no. 33, pp. 38-42, 2018.
N. I. Bartkiv, "Methods and localization of unauthorized emission sources," Information Security, no. 1, pp. 68-73, 2009.
I. M. Вaranovska, M. M. Melnyk, and V. V. Koval, "Increasing the efficiency of cognitive radio networks based on adaptive signal processing algorithms," Telecommunication Systems, no. 5, pp. 91-98, 2022.
S. I. Bevs and Y. V. Melnyk, "Optimization of cognitive radio networks taking into account dynamic changes in the environment," Bulletin of NTUU «KPI», Series «Radiotechnique», vol. 4, pp. 45-50, 2020.
V. P. Lysechko and I. I. Soproniuk, "Spectral monitoring method in cognitive radio networks based on FFT," Bulletin of NTUU «KPI», Series «Radiotechnique», vol. 16, pp. 173-180, 2011.
V. P. Lysechko, I. I. Soproniuk, Y. H. Stepanenko, and N. O. Briuzgina, "Study of spectrum analysis methods in cognitive radio networks," Collection of Scientific Works, Kharkiv: HUPS named after I. Kozheduba, vol. 3 (25), pp. 137-145, 2010.
V. M. Frolov and A. M. Kotlyar, "Adaptive signal processing algorithms in conditions of noise and interference," Radioelectronics, no. 3, pp. 44-51, 2021.
S. Haykin, "Cognitive radio: brain-empowered wireless communications," IEEE Journal on Selected Areas in Communications, vol. 23, no. 2, pp. 201-220, 2005.
S. V. Indyk and V. P. Lysechko, "Study of ensemble properties of complex signals obtained by frequency filtering of pseudorandom sequences with low interaction in the time domain," Collection of Scientific Works, Kharkiv: HUPS named after I. Kozheduba, vol. 4 (66), pp. 46-50, 2020.
V. Havryliuk, "Audio frequency track circuits monitoring based on wavelet transform and artificial neural network classifier," in 2019 IEEE 2nd Ukraine Conference on Electrical and Computer Engineering (UKRCON).
I. Saiapina, M. Babaiev, and O. Аnanіevа, "Reducing noise influence on an audio frequency track circuit," MATEC Web of Conferences, 2019.
M. M. Procenko, "Methodology for selecting a wavelet function for digital signal processing," Journal of ZSTU, no. 49, pp. 97-100, 2009.
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Безпека інфокомунікаційних систем та Інтернету речей
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.