ЖУРНАЛ РАДИОЭЛЕКТРОНИКИ. eISSN 1684-1719. 2026. №5
Текст статьи (pdf)
DOI: https://doi.org/10.30898/1684-1719.2026.5.15
УДК: 621.391
АНАЛИЗ РАЗЛИЧНЫХ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ
ДЛЯ ОЦЕНКИ АМПЛИТУДЫ РАДИОСИГНАЛА С НЕИЗВЕСТНЫМИ
НАЧАЛЬНОЙ ФАЗОЙ, ДЛИТЕЛЬНОСТЬЮ И ЧАСТОТОЙ
Ю.Э. Корчагин, Нгуен Ван Тхю
Воронежский государственный университет,
394006, Воронеж, пл. Университетская, д. 1
Статья поступила в редакцию 30 апреля 2026 г.
Аннотация. В работе проведено исследование нескольких нейросетевых алгоритмов оценки амплитуды радиосигнала с огибающей произвольной формы при условии априорной неопределенности относительно длительности, начальной фазы и несущей частоты сигнала. Получена нижняя граница дисперсии оценки амплитуды, выполнено сравнение точности оценок, формируемых различными архитектурами нейронных сетей, а также осуществлено сопоставление с нижней границей Крамера-Рао. Проанализирована эффективность функционирования различных архитектур нейронных сетей при условии, что обучающие данные представлены в виде сигналов во временной области, а также в форме частотно-временных спектров. Показано, что точность нейронной сети зависит не только от ее архитектуры, но и от типа обучающих данных. Сверточные нейронные сети показывают высокую эффективность в обоих случаях: при представлении обучающих данных в дискретной форме в частотно-временной области достигаются наилучшие результаты. Напротив, полносвязные нейронные сети характеризуются низкой эффективностью для обоих типов представления обучающих данных. Управляемый рекуррентный блок функционирует эффективно при условии, что входные данные представлены в виде дискретных значений во временной области, однако наблюдается существенное снижение эффективности оценки при использовании частотно- временных спектров в качестве формы представления обучающих данных.
Ключевые слова: радиосигнал, нейросетевой алгоритм, оценка амплитуды, сверточная нейронная сеть, многослойный перцептрон, управляемый рекуррентный блок, неизвестная частота, длительность, начальная фаза.
Финансирование: Исследование выполнено за счет гранта Российского научного фонда № 24-19-00891, https://rscf.ru/project/24-19-00891/.
Автор для переписки: Корчагин Юрий Эдуардович, korchagin@phys.vsu.ru
Литература
1. Zheng S. et al. Estimation of echo amplitude and time delay for OFDM-based ground-penetrating radar // IEEE Geoscience and Remote Sensing Letters. – 2015. – Т. 12. – №. 12. – С. 2384-2388. https://doi.org/10.1109/LGRS.2015.2478279
2. Zanella A. Best practice in RSS measurements and ranging // IEEE Communications Surveys and Tutorials. – 2017. – Т. 18. – №. 4. – С. 2662-2686. https://doi.org/10.1109/COMST.2016.2553452
3. Куликов Е.И., Трифонов А.П. Оценка параметров сигналов на фоне помех. – М.: Сов. радио, 1978. – 296 с.
4. Трифонов А.П. и др. Оценка амплитуды прямоугольного узкополосного радиоимпульса с неизвестными длительностью и начальной фазой // Известия высших учебных заведений Радиоэлектроника. – 2017. – Т. 60. – №. 12. – С. 675-684. https://doi.org/10.20535/S0021347017120019
5. Трифонов А.П., Шинаков Ю.С. Совместное различение сигналов и оценка их параметров на фоне помех. – М.: Радио и связь, 1986. – 268 c.
6. Jwo D.J., Biswal A., Mir I.A. Artificial neural networks for navigation systems: A review of recent research // Applied Sciences. – 2023. – Т. 13. – №. 7. – С. 4475. https://doi.org/10.3390/app13074475
7. Jiao J. et al. An overview of wireless communication technology using deep learning // China Communications. – 2021. – Т. 18. – №. 12. – С. 1-36. https://doi.org/10.23919/JCC.2021.12.001
8. Андреев В.В., Славутский Л.А., Славутская Е.В. Обработка сигналов нейросетью прямого распространения: аппроксимация и принятие решений // Вестник Чувашского университета. – 2022. – №. 1. – С. 14-22. https://doi.org/10.47026/1810-1909-2022-1-14-22
9. Трифонов А.П., Бутейко В.К. Характеристики совместных оценок параметров сигнала при частичном нарушении условий регулярности // Радиотехника и электроника. – 1991. – Т. 36. – №. 2. – С. 319-327.
10. Мельник Э.В. и др. Проектирование модулей нейросетей MLP и CNN на ПЛИС для задач классификации изображений // Известия Южного федерального университета. Технические науки. – 2025. – №. 5 (247). – С. 214-229.
11. Li Y., Xie T., Mei D. Application of convolutional neural networks for parallel multi-scale feature extraction in noise image denoising // IEEE Access. – 2024. – Т. 12. – С. 98599-98610. https://doi.org/10.1109/ACCESS.2024.3427143
12. Zhanga J., Zhangb X., Jic X. Application of Convolutional Neural Networks in High Score Remote Sensing Image Classification // Academic Journal of Computing & Information Science. – 2024. – Т. 7. – №. 2. – С. 79-84. https://doi.org/10.25236/AJCIS.2024.070211
13. Schneider N., Lermer M., Reich C. Investigating the performance of CNN feature extractor-based LSTM and GRU variants for time series classification // Procedia Computer Science. – 2024. – Т. 246. – С. 1070-1079. https://doi.org/10.1016/j.procs.2024.09.526
14. Yang T.Y. et al. GNSS–VTEC prediction based on CNN–GRU neural network model during high solar activities // Scientific reports. – 2025. – Т. 15. – №. 1. – С. 9109. https://doi.org/10.1038/s41598-025-93628-8
Для цитирования:
Корчагин Ю.Э., Нгуен Ван Тхю. Анализ различных нейросетевых алгоритмов для оценки амплитуды радиосигнала с неизвестными начальной фазой, длительностью и частотой // Журнал радиоэлектроники. – 2026. – №. 5. https://doi.org/10.30898/1684-1719.2026.5.15