Введение

        Проблемы радиомониторинга, возникающие в ходе выявления несанкционированных источников радиосигналов и определения технических характеристик канала связи, выбранных удаленным абонентом, как правило, связаны с автоматическим распознаванием формата модуляционных параметров. Для их преодоления необходимо решить следующие такие задачи как выбор первичных признаков распознавания, снижение размерности первичного признакового пространства и формирование вторичных признаков, обоснование решающего правила.

При классическом подходе задача распознавания решается на основе статистической теории распознавания образов, исходя из предположения о том, что радиосигналы подвержены случайному воздействию шумов и помех. В настоящее время существует множество публикаций по данной проблематике, подробно раскрывающих теоретические основы различных методов распознавания сигналов в выбранном признаковом пространстве. В большинстве работ научно обоснованы возможные подходы к снижению размерности пространств признаков распознавания за счет разумного выбора вторичных признаков [1, 2]. Однако достоверность распознавания зависит от метода, на основе которого происходит формирование признаков, причем этот вопрос в приложении к радиосигналам исследован в недостаточной мере и нуждается в дальнейшей проработке.

Постановка задачи

        Существующие подходы к формированию признаков распознавания можно условно разделить на две группы. К первой относятся статистические методы, в том числе базирующиеся на обработку результатов оценивания основных параметров сигнала. Ко второй – методы, основанные на разложении входной реализации по некоторой системе ортогональных функций.

Традиционно, в системах радиомониторинга широко используются методы первой группы. Однако они, как правило, ориентированы на работу с ограниченным числом классов сигналов и требуют значительного объема статистических данных, хотя и позволяют решать задачи распознавания с достаточно высокой достоверностью. В реальных условиях в системах радиомониторинга, при наличии временных ограничений на длительность процесса распознавания и с учетом отсутствия априорной информации о количестве и видах распознаваемых классов сигналов, реализация таких методов формирования признаков связана со значительными сложностями.

Необходимо отметить, что методы, относящиеся ко второй группе, позволяют синтезировать более обобщенные алгоритмы и, таким образом, могут обеспечить распознавание большого числа сигналов различных классов на основе единого унифицированного подхода к формированию признаков. Эти методы в принципе не являются жестко ориентированными на конкретные виды сигналов и не требуют дополнительной модификации процедур обработки при внесении изменений в перечень распознаваемых классов. Однако качество распознавания в этих методах во многом определяется выбором базисных функций. Напротив, методы первой группы изначально используют признаки, являющиеся контрастными только для сигналов определенных классов и их применение целесообразно, скорее, для автоматизации процедур технического анализа сигналов.

В частности, в [3, 7] предложены методы формирования признаковых пространств, основанные на разложении входной реализации по некоторой системе ортогональных функций. Однако в силу ряда особенностей используемых базисных функций они не позволяют достичь требуемой контрастности классов, а, следовательно, и достоверности распознавания в условиях воздействия шумов и помех.

• Нет пределов совершенству