Научный журнал «Вестник Череповецкого государственного университета»
Статья
DOI:
Полный текст:
В работе предложена методика синтеза верифицируемых наборов данных для обучения нейросетей задачам радиомониторинга. Особенностью подхода является использование изображений дистанционного зондирования Земли в качестве источника полезного сигнала, что сохраняет естественную энтропию радиообмена. Авторами реализован программный комплекс, моделирующий канал с аддитивным шумом и эффектом Доплера, а также экспериментально подтверждена корректность физической модели: для аналоговых сигналов достигнута высокая корреляция между исходным и восстановленным изображениями, для цифровых – совпадение вероятности ошибок с теорией.
Abd-Elaziz O., Abdalla M., Elsayed R. Deep learning-based automatic modulation classification using robust CNN architecture for cognitive radio networks. Sensors, 2023, vol. 23, no. 23, рр. 9467.
Scholl S. RF signal classification with synthetic training data and its real-world performance. arXiv, 2022.
Sharma E., Deo R., Davey C., Carter B. Artificial intelligence-empowered Doppler weather
profile for low-earth-orbit satellites. Sensors, 2024, vol. 24, no. 16, рр. 5271.
Snoap J. A., Popescu D. C., Latshaw J. A., Spooner C. M. Deep-learning-based classification of digitally modulated signals using capsule networks and cyclic cumulants. Sensors, 2023, vol. 23, iss. 12, рр. 5735.
Snoap J. A., Popescu D. C., Spooner C. M. Deep-learning-based classifier with custom feature-extraction layers for digitally modulated signals. IEEE Transactions on Broadcasting, 2024, vol. 70, no. 3, рр. 763–773.
Spooner C. DeepSig’s 2018 Dataset: 2018.01.OSC.0001_1024x2M.h5.tar.gz, 2020. Available at: (accessed: 16.01.2026).
Spooner C. More on DeepSig’s RML Datasets, 2020. Available at: (accessed: 16.01.2026).
Wang D., Lin M., Xiaoxu Z., et al. Automatic modulation classification based on CNN-transformer graph neural network. Sensors, 2023, vol. 23, no. 16, рр. 7281.
Scholl S. RF signal classification with synthetic training data and its real-world performance. arXiv, 2022.
Sharma E., Deo R., Davey C., Carter B. Artificial intelligence-empowered Doppler weather
profile for low-earth-orbit satellites. Sensors, 2024, vol. 24, no. 16, рр. 5271.
Snoap J. A., Popescu D. C., Latshaw J. A., Spooner C. M. Deep-learning-based classification of digitally modulated signals using capsule networks and cyclic cumulants. Sensors, 2023, vol. 23, iss. 12, рр. 5735.
Snoap J. A., Popescu D. C., Spooner C. M. Deep-learning-based classifier with custom feature-extraction layers for digitally modulated signals. IEEE Transactions on Broadcasting, 2024, vol. 70, no. 3, рр. 763–773.
Spooner C. DeepSig’s 2018 Dataset: 2018.01.OSC.0001_1024x2M.h5.tar.gz, 2020. Available at: (accessed: 16.01.2026).
Spooner C. More on DeepSig’s RML Datasets, 2020. Available at: (accessed: 16.01.2026).
Wang D., Lin M., Xiaoxu Z., et al. Automatic modulation classification based on CNN-transformer graph neural network. Sensors, 2023, vol. 23, no. 16, рр. 7281.
Ключевые слова:
Исследование проводилось под руководством кандидата технических наук, доцента Р. А. Алешко
Для цитирования:
Кобенко А. В., Алешко Р. А. Разработка методики формирования наборов данных для обучения нейросетевых систем автоматического анализа радиосигналов космических аппаратов. Вестник Череповецкого государственного университета, 2026, № 5 (134), с. 7–17. https://doi.org/10.23859/1994-0637-2026-5-134-1; EDN: VWUFAU
Контент доступен под лицензией Creative Commons Attribution 4.0 License.