Статья

Авторы:
Кобенко А. В., Алешко Р. А.
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.
Кобенко Алина Владимировна
Аспирант,
https://orcid.org/0000-0001-6857-1799, a.kobenko@narfu.ru,
Северный (Арктический) федеральный университет им. М. В. Ломоносова
(д. 17, наб. Северной Двины, 163002 Архангельск, Россия)
Алешко Роман Александрович
Кандидат технических наук, доцент,
https://orcid.org/0000-0002-1235-8937, r.aleshko@narfu.ru,
Северный (Арктический) федеральный университет им. М. В. Ломоносова
(д. 17, набережная Северной Двины, 163002 Архангельск, Россия)
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. https://doi.org/10.3390/s23239467

Scholl S. RF signal classification with synthetic training data and its real-world performance. arXiv, 2022. https://doi.org/10.48550/arXiv.2206.12967

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. https://doi.org/10.3390/s24165271

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. https://doi.org/10.3390/s23125735

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. https://doi.org/10.1109/TBC.2024.3391056

Spooner C. DeepSig’s 2018 Dataset: 2018.01.OSC.0001_1024x2M.h5.tar.gz, 2020. Available at: https://cyclostationary.blog/2020/09/24/deepsigs-2018-data-set-2018-01-osc-0001_1024x2m-h5-tar-gz/ (accessed: 16.01.2026).

Spooner C. More on DeepSig’s RML Datasets, 2020. Available at: https://cyclostationary.blog/2020/08/17/more-on-deepsigs-rml-data-sets/ (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. https://doi.org/10.3390/s23167281
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

Creative Commons LicenseКонтент доступен под лицензией Creative Commons Attribution 4.0 License.