ИРЭ им. В.А. Котельникова РАН English Войти Подать статью
Журнал радиоэлектроники Электронный научный журнал · eISSN 1684-1719
2026, № 5 · РАДИОТЕХНИКА

Анализ различных нейросетевых алгоритмов для оценки амплитуды радиосигнала с неизвестными начальной фазой, длительностью и частотой

Ю.Э. Корчагин1, В.Т. Нгуен1

1 Воронежский государственный университет, Воронеж, Россия
Полный текст DOI: 10.30898/1684-1719.2026.5.15 УДК 621.391 EDN XGFVTR

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.

  • радиосигнал
  • нейросетевой алгоритм
  • оценка амплитуды
  • сверточная нейронная сеть
  • многослойный перцептрон
  • управляемый рекуррентный блок
  • неизвестная частота
  • длительность
  • начальная фаза
Abstract (in English)

Analysis of various neural network algorithms for estimating the amplitude of a radio signal with unknown initial phase, duration, and frequency

This paper presents a study of various neural network-based algorithms for estimating the amplitude of a radio signal with an arbitrarily shaped envelope under conditions of a priori uncertainty in the signal duration, initial phase, and carrier frequency. Using the Fisher information matrix, the lower bound on the variance of the amplitude estimator is derived. A comparative evaluation of estimation accuracy across different neural network architectures is then carried out, together with benchmarking against the Cramer-Rao lower bound. The performance of these architectures is analyzed for two types of training data representation: time-domain signals and time-frequency spectra. The results show that the accuracy of neural network-based estimation depends not only on the network architecture but also on the representation of the training data. Convolutional neural networks demonstrate high performance in both scenarios, with the best results achieved when the training data are represented in discrete form in the time-frequency domain. In contrast, fully connected neural networks exhibit low performance for both types of data representation. The gated recurrent unit performs effectively when the input data are represented as discrete time-domain samples; however, a substantial degradation in performance is observed when time-frequency spectra are used as the training data representation.

Для цитирования

Корчагин Ю.Э., Нгуен В.Т. 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

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