A new type of signal’s representation that can be restored by artificial intelligence methods when parts of the data are lost
The study develops a new type of radio signal’s representation adapted for recovery using artificial intelligence methods under conditions of partial data loss and destructive interference. It is demonstrated that traditional digital signal processing approaches based on classical I/Q representation...
Збережено в:
| Дата: | 2026 |
|---|---|
| Автори: | , , , , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Інститут проблем реєстрації інформації НАН України
2026
|
| Теми: | |
| Онлайн доступ: | https://drsp.ipri.kiev.ua/article/view/363162 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Data Recording, Storage & Processing |
| Завантажити файл: |  |
Репозитарії
Data Recording, Storage & Processing| _version_ | 1868294467294855168 |
|---|---|
| author | Додонов, В. О. Гасанов, Е. І. Ізварін, Є. І. Отрох, С. І. Сегеда, І. В. |
| author_facet | Додонов, В. О. Гасанов, Е. І. Ізварін, Є. І. Отрох, С. І. Сегеда, І. В. |
| author_institution_txt_mv | [
{
"author": "В. О. Додонов",
"institution": "Інститут проблем реєстрації інформації Національної академії наук України"
},
{
"author": "Е. І. Гасанов",
"institution": "Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»"
},
{
"author": "Є. І. Ізварін",
"institution": "Інститут проблем реєстрації інформації Національної академії наук України"
},
{
"author": "С. І. Отрох",
"institution": "Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»"
},
{
"author": "І. В. Сегеда",
"institution": "Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»"
}
] |
| author_sort | Додонов, В. О. |
| baseUrl_str | http://drsp.ipri.kiev.ua/oai |
| collection | OJS |
| datestamp_date | 2026-06-17T17:50:04Z |
| description | The study develops a new type of radio signal’s representation adapted for recovery using artificial intelligence methods under conditions of partial data loss and destructive interference. It is demonstrated that traditional digital signal processing approaches based on classical I/Q representation do not provide sufficient survivability of information and computer systems operating in complex radio-frequency environments. This problem becomes especially critical under the influence of electronic warfare systems, multipath propagation, noise, and communication channel overloads, which lead to the loss of signal fragments and disruption of information flow integrity. The proposed approach is based on the transition from the classical time-domain complex representation of a signal to a structured time-frequency domain using the Fast Fourier Transform. The complex spectrum of the signal is decomposed into a logarithmic amplitude component and phase components represented through sine and cosine phase functions. This makes it possible to eliminate phase discontinuities and form a smooth feature space suitable for efficient processing by machine learning methods. Additionally, a spectral recovery mask is introduced to provide structural redundancy of the signal and enable reconstruction even in the case of partial data loss. The research investigates the application of convolutional neural networks, encoder-decoder architectures, and neuro-symbolic approaches for compensating damaged signal segments, eliminating phase imbalances, and suppressing noise. The models are trained on paired datasets containing distorted and reference signals, allowing the system to learn a generalized mapping between corrupted and reconstructed spectral representations. Unlike traditional interpolation methods, the proposed approach exploits the internal patterns and spectral structure of the signal, significantly improving reconstruction accuracy. The simulation results confirm that the new signal representation reduces the complexity of intelligent signal recovery tasks, increases processing speed, and provides a higher signal-to-noise ratio compared to classical digital signal processing algorithms. The proposed methodology improves situational awareness, resilience, and reliability of complex technical systems while creating a foundation for the development of next-generation self-recovering information systems capable of operating effectively under conditions of critical damage and unstable data transmission environments. Fig.: 3. Refs: 11 titles. |
| doi_str_mv | 10.35681/1560-9189.2026.28.2.363162 |
| first_indexed | 2026-06-18T01:00:48Z |
| format | Article |
| fulltext |
Методи захисту інформації
у комп’ютерних системах і мережах
70
DOI: https://doi.org/10.35681/1560-9189.2026.28.2.363162
УДК 004.5
В. О. Додонов1, Е. І. Гасанов2, Є. І. Ізварін1,
С. І. Отрох2, І. В. Сегеда2
1Інститут проблем реєстрації інформації НАН України
вул. М. Шпака, 2, 03113 Київ, Україна
2Національний технічний університет України
«Київський політехнічний інститут імені Ігоря Сікорського»
Проспект Берестейський, 37, 03056 Київ, Україна
Новий вид представлення сигналу, який піддається
відновленню методами штучного інтелекту
при втраті частини даних
Розроблено новий вид представлення радіосигналу, який адаптовано для
відновлення методами штучного інтелекту в умовах часткової втрати
даних. Обґрунтовано, що традиційні методи цифрової обробки сигналів
не забезпечують достатньої живучості інформаційних систем при де-
структивних завадах. Авторами запропоновано підхід, що базується на
інтеграції нейромережевих моделей для реконструкції структури сиг-
налу із використанням його внутрішніх закономірностей. Досліджено
використання згорткових і нейросимвольних мереж для компенсації
втрачених сегментів даних і усунення фазових дисбалансів. Описана ме-
тодика дозволяє суттєво підвищити ситуаційну обізнаність і надій-
ність функціонування складних технічних систем. Результати моделю-
вання підтверджують вищу швидкість обробки та точність відтво-
рення сигналів порівняно з класичними алгоритмами.
Ключові слова: штучний інтелект, живучість системи, нейронні ме-
режі, цифрова обробка сигналів, відновлення даних, радіосигнал.
Вступ та мета роботи
У сучасних умовах цифрова обробка сигналів є фундаментальною задачею
для функціонування критичних інфраструктур — від систем супутникового зв’язку
до радарних комплексів і мобільних мереж нового покоління. I/Q-представлення
(In-phase та Quadrature) —це основний вид представлення радіосигналів, які дозво-
ляють маніпулювати його фазою і амплітудою. Запис сигналів у такому представ-
ленні є ключовим для аналізу, виявлення та ідентифікації джерел випромінювання.
© В. О. Додонов, Е. І. Гасанов, Є. І. Ізварін, С. І. Отрох, І. В. Сегеда
https://doi.org/10.35681/1560-9189.2026.28.2.363162
Новий вид представлення сигналу, який піддається
відновленню методами штучного інтелекту при втраті частин даних
ISSN 1560-9189 Реєстрація, зберігання і обробка даних. 2026. Т. 28, № 2 71
Проте зі зростанням швидкості передачі, ширини каналу та складності ефір-
ного середовища виникає гостра потреба у розробці методів, здатних не лише збе-
рігати сигнал, але й реконструювати та відновлювати його структуру у разі критич-
них пошкоджень або втрати даних. Цілісність передачі I/Q-даних постійно перебу-
ває під загрозою через низку дестабілізуючих факторів. Що робить задачу розробки
нових форм представлення даних пріоритетним напрямом сучасної радіофізики та
інженерії.
Основними причинами втрати частин даних є інтенсивні завади природного
та техногенного характеру, які приводять до обмеження пропускної шини, ефекти
багатопроменевого поширення, а також навмисні деструктивні впливи, такі як за-
соби радіоелектронної боротьби (РЕБ). Крім того, у сучасних пакетних мережах
передачі часто виникають ситуації «випадання» фрагментів через перевантаження
каналів або апаратні збої. Такі розриви в потоці даних призводять до неповного
отримання даних для аналізу та ідентифікації сигналу, що ставить під загрозу на-
дійність всієї системи виявлення та ідентифікації джерела радіовипромінювання.
Для зменшення втрати інформаційних фрагментів інформаційні комп’ютерні
системи (ІКС) повинні мати високий ступінь живучості. Під живучістю в даному
контексті слід розуміти здатність системи зберігати свою працездатність і викону-
вати цільові функції навіть за умов часткового руйнування інформаційної струк-
тури сигналу. Стійка ІКС повинна володіти механізмами внутрішньої адаптації, які
дозволяють автоматично компенсувати втрачені сегменти даних, запобігаючи кас-
кадним відмовам у каналах управління та зв’язку. Такий підхід забезпечить безпе-
рервність інформаційних процесів у нестабільному середовищі.
Найбільш перспективним шляхом реалізації такої стійкості є інтеграція мето-
дів штучного інтелекту (ШІ) безпосередньо в алгоритми відновлення сигналу. На
відміну від традиційних інтерполяційних методів, нейромережеві моделі здатні ви-
являти глибокі приховані закономірності у структурі сигналів і «добудовувати»
втрачені фрагменти на основі контексту та попереднього досвіду навчання, саме
покращення цього процесу можливе за допомогою використання іншого, більш
придатного для обробки ШІ формату записів і передачі даних. Використання ШІ
дозволяє створити інтелектуальний базис для відновлення даних, що перетворює
звичайну систему обробки сигналів на самовідновлювану структуру, що здатна
протистояти найбільш складним деструктивним впливам.
Метою роботи є розробка інваріантного представлення радіочастотних сиг-
налів, адаптованого для відновлення даних методами штучного інтелекту в умовах
часткової втрати інформації. Дослідження спрямоване на формування засад побу-
дови відмовостійких інформаційних комп’ютерних систем, що здатні зберігати фу-
нкціональну живучість під впливом деструктивних чинників.
Основну увагу приділено інтеграції нейромережевих моделей у процеси об-
робки сигналів для забезпечення цілісності даних у реальному часі без значного
збільшення обчислювальної складності системи.
Результатом роботи стане представлення, яке забезпечить зменшення склад-
ності інтелектуального відновлення радіочастотних сигналів, а також методика їх-
нього нового представлення, що дозволить мінімізувати похибку реконструкції да-
них при втраті.
В. О. Додонов, Е. І. Гасанов, Є. І. Ізварін, С. І. Отрох, І. В. Сегеда
72
Аналіз останніх досліджень і публікацій
Аналіз фундаментальних робіт у галузі штучного інтелекту [1, 2] свідчить про
значний потенціал використання нейромережевих моделей для розв’язання склад-
них обчислювальних задач, де традиційні алгоритми виявляються недостатньо гну-
чкими. Особливий інтерес становлять підходи, що поєднують нейронні мережі з
символічним штучним інтелектом, які вже розглядаються для застосування у вій-
ськових системах для підвищення надійності прийняття рішень [3]. Крім того, ви-
користання згорткових нейронних мереж у навчанні з підкріпленням доводить мо-
жливість формування стійкої поведінки систем у динамічних і складних середови-
щах [4].
В умовах активної протидії і впливу завад критичного значення набуває жи-
вучість систем. Дослідження, що присвячені аналізу та моделюванню живучості
складних систем [5], а також динамічних документальних структур [6], підкрес-
люють необхідність розробки таких методів представлення інформації, які би збе-
рігали свою функціональну цілісність навіть у разі часткової втрати елементів. Це
створює підґрунтя для розробки нових видів представлення сигналів, що є стійкими
до деструктивного впливу.
Питання цифрової обробки сигналів (DSP) і їхньої передачі в мобільних ко-
мунікаціях детально висвітлено в працях [7, 9, 10]. Зокрема, значну увагу приділено
методам цифрової компенсації і калібрування дисбалансів, що є критичним для то-
чності відтворення сигналу на приймальній стороні [8]. Сучасні підходи до реалі-
зації алгоритмів DSP, зокрема із використанням високорівневих мов програму-
вання для аналізу та виконання швидкого перетворення Фур’є [11], дозволяють ви-
черпно видозмінювати та змінювати представлення сигналу в реальному часі.
Водночас, попри глибоке опрацювання окремих аспектів нейромережевих те-
хнологій і цифрової обробки сигналів, питання розробки нового виду представ-
лення сигналу, який би був адаптований саме під відновлення методами штучного
інтелекту в умовах втрати частин даних, залишається розкритим лише частково.
Більшість існуючих рішень зосереджені на класичній надмірності або корекції по-
милок, тоді як потенціал нейромережевого відновлення структури сигналу з непов-
них даних потребує подальшого дослідження та формалізації.
Основна частина
Найбільш досконалим та універсальним способом представлення радіосигна-
лів у сучасній цифровій обробці є використання I/Q-компонент. Перехід до I/Q-
представлення зумовлений необхідністю реалізації складних видів квадратурної
амплітудної модуляції (QAM) і фазової маніпуляції (PSK). Головна перевага цього
підходу полягає у можливості розділення сигналу на два незалежні ортогональні
канали, що дозволяє уникнути апаратних обмежень традиційних аналогових схем і
забезпечує гнучкість при програмному управлінні параметрами сигналу. Це робить
I/Q-модель стандартом для систем програмно-керованого радіо, де обробка відбу-
вається безпосередньо на цифровій базі.
Суть I/Q-сигналу полягає у його розкладанні на дві складові, що зміщені по
фазі відносно одна одної на 90 градусів. Синфазна складова (I — In-phase) описує-
Новий вид представлення сигналу, який піддається
відновленню методами штучного інтелекту при втраті частин даних
ISSN 1560-9189 Реєстрація, зберігання і обробка даних. 2026. Т. 28, № 2 73
ться функцією косинуса, а квадратурна складова (Q — Quadrature) — функцією си-
нуса. Математично такий сигнал зручно представляти у комплексній формі:
(𝑠(𝑡) = 𝐼(𝑡) + 𝑗𝑄(𝑡)),
де (j) — уявна одиниця.
Кожна точка у представленні квадратурно-амплітудної модуляції, що пред-
ставленана на риc. 1, відповідає вектору на комплексній площині, де довжина век-
тора визначає миттєву амплітуду сигналу, а кут нахилу — його миттєву фазу. Такий
підхід дозволяє перетворити тригонометричні операції модуляції на прості ариф-
метичні дії з векторами, що є критично важливим для швидкодії обчислювальних
засобів.
Рис. 1. Діаграма сигнального сузір’я для прямокутної 16-QAM
Опис сигналу через I/Q-компоненти дає змогу наглядно візуалізувати дані у
вигляді сузір’їв (constellation diagrams), що відображають стани сигналу в дискретні
моменти часу. Це забезпечує наочний аналіз якості передачі та виявлення спотво-
рень. Оскільки компоненти I та Q є ортогональними, вони не інтерферують одна з
одною за ідеальних умов, що теоретично подвоює інформаційну ємність каналу
зв’язку. Така математична стрункість та універсальність роблять I/Q-представ-
лення ідеальним вхідним об’єктом для алгоритмів машинного навчання, оскільки
нейронні мережі можуть швидко працювати з двовимірними масивами числових
значень, відновлюючи втрачену цілісність вектора при виникненні деструктивних
завад.
Нове представлення радіосигналу із можливістю відновлення
У класичному підході радіосигнал представляється у вигляді комплексної по-
слідовності (𝑠[𝑛] = 𝐼[𝑛] + 𝑗𝑄[𝑛]), яка безпосередньо відображає миттєві значення
сигналу в часовій області. Такий спосіб є універсальним, однак він не враховує вну-
трішню структуру сигналу, зокрема його частотний розподіл та статистичні залеж-
В. О. Додонов, Е. І. Гасанов, Є. І. Ізварін, С. І. Отрох, І. В. Сегеда
74
ності між відліками. У задачах інтелектуального відновлення це призводить до пі-
двищеної складності, оскільки модель змушена самостійно виявляти ці закономір-
ності з неструктурованих даних. Тому доцільним є перехід до такого представлення,
яке явно містить інформацію про енергетичний розподіл сигналу та його фазову
структуру, що дозволяє зменшити простір пошуку при реконструкції.
Запропоноване представлення базується на переході від часової області до ча-
стотно-часової через швидке перетворення Фур’є. У цьому просторі сигнал описує-
ться як сукупність локальних спектральних компонент, що дозволяє відокремити
корисну структуру від шуму. Далі комплексний спектр декомпонується на амплі-
тудну та фазову складові:
𝑆(𝑓, 𝑡) = 𝐴(𝑓, 𝑡)𝑒𝑗∅(𝑓,𝑡)).
Для підвищення чисельної стабільності використовується логарифмічне
представлення амплітуди, в той час як фаза подається у вигляді безперервних фун-
кцій косинуса та синуса.
Така форма усуває розриви фази та забезпечує гладкість простору ознак, що
є критично важливим для алгоритмів машинного навчання. З метою мінімізації по-
хибки реконструкції у разі часткової втрати даних вводиться додаткове надлиш-
кове кодування у вигляді спектральної маски відновлення.
Воно дозволяє формулювати задачу реконструкції як масштабування спектра.
Це означає, що навіть при втраті частини часових відліків сигнал може бути відно-
влений через оцінку структури у частотно-часовому представленні, а не через
пряме відтворення відсутніх значень. Таким чином, складність задачі переноситься
з віднов-лення сирих даних до оцінки більш гладких і структурованих функцій.
Практична реалізація такого підходу може бути оформлена у вигляді струк-
турованого контейнера даних, наприклад JSON-подібної структури, яка містить по-
силання на бінарні файли в яких знаходяться масиви L(f, t), сos(phi(f, t)), sin(phi(f, t))
та M(f, t), а також службові параметри (частота дискретизації, розмір вікна, крок
перекриття).
Така організація дозволяє явно розділити інформаційні компоненти сигналу
та забезпечує зручність зберігання, передачі та подальшої обробки. У результаті
формується представлення, яке не лише зберігає основні властивості сигналу, але
й створює сприятливі умови для його стійкого відновлення в умовах шумів і втрат.
Роль штучного інтелекту у відновленні радіосигналів
із новим представленням
У задачі відновлення радіосигналу в запропонованому представленні доці-
льно застосовувати методи штучного інтелекту, що орієнтовані на обробку струк-
турованих частотно-часових даних. Найбільш придатними є згорткові нейронні ме-
режі та їхні варіації, зокрема архітектури типу encoder-decoder, вони добре пра-
цюють зі структурованими масивами даних, зокрема двовимірними представлен-
нями подібних до спектрограм. Такі моделі здатні виявляти локальні закономірнос-
ті у частотно-часовому представленні та враховувати як енергетичну структуру си-
гналу, так і фазові залежності. Альтернативно можуть використовуватися гібридні
підходи, що поєднують згорткові шари з рекурентними або трансформерними бло-
Новий вид представлення сигналу, який піддається
відновленню методами штучного інтелекту при втраті частин даних
ISSN 1560-9189 Реєстрація, зберігання і обробка даних. 2026. Т. 28, № 2 75
ками для врахування довгострокових залежностей у часі, однак базові згорткові ар-
хітектури залишаються оптимальними з точки зору обчислювальної складності та
стабільності навчання.
Навчання моделі здійснюється на парних даних, що містять спотворені та ета-
лонні представлення одного й того ж сигналу. Як вхідні дані використовується сфо-
рмований тензор, який включає логарифмічну амплітуду та тригонометричні ком-
поненти фази для сигналу, що зазнав впливу шуму, частотного зсуву та інших ти-
пових радіочастотних спотворень. Цільовими даними виступає відповідне предста-
влення чистого сигналу або ж допоміжна функція, що описує необхідну корекцію
спектра. Такий підхід дозволяє моделі навчитися відображенню між зашумленим і
відновленим сигналом у просторі ознак, де структура сигналу вже явно представ-
лена і не потребує додаткового виділення.
Процес відновлення полягає у застосуванні навченої моделі до нових, раніше
не бачених даних. Модель отримує на вході спотворене частотно-часове представ-
лення і генерує оцінку його очищеної версії або коригуючої маски. Важливо, що в
цьому представленні задача відновлення зводиться не до реконструкції кожного
окремого відліку сигналу, а до корекції більш гладких і структурованих компонент,
таких як амплітудний розподіл і узгоджена фазова структура. Це суттєво знижує
складність задачі та дозволяє досягати кращих результатів навіть за умов значного
рівня шуму або часткової втрати даних. Зашумлений i спотворений сигнал проде-
монстровано на рис. 2.
Рис. 2. Зашумлений i спотворений сигнал
Завершальний етап полягає у перетворенні відновленого представлення назад
у часову область. Після отримання скоригованих амплітудних і фазових компонент
формується комплексний спектр, який піддається оберненому перетворенню. Та-
В. О. Додонов, Е. І. Гасанов, Є. І. Ізварін, С. І. Отрох, І. В. Сегеда
76
ким чином, штучний інтелект виступає як ключовий елемент, який забезпечує пе-
рехід від пошкодженого сигналу до його узгодженої спектральної інтерпретації, що,
у свою чергу, дозволяє відновити часову форму сигналу з мінімальною похибкою.
Розглянемо типовий приклад прийому цифрового радіосигналу з фазовою мо-
дуляцією, який у класичному вигляді представлений як послідовність I/Q-відліків.
У процесі передачі сигнал зазнає впливу адитивного шуму, частотного зсуву та фа-
зових нестабільностей, унаслідок чого в часовій області він виглядає як сильно спо-
творена комплексна послідовність без очевидної структури. У такому вигляді інте-
лектуальне відновлення вимагає від моделі одночасно вирішувати кілька задач: ви-
являти спектральну структуру, компенсувати фазу та пригнічувати шум. Натомість
при переході до запропонованого частотно-часового представлення цей самий си-
гнал перетворюється у спектральну форму, де енергія концентрується у характер-
них областях, а фаза представлена у злагодженому вигляді через синус і косинус.
Після обробки згортковою нейронною мережею модель формує очищене предста-
влення, в якому спектральні компоненти стають більш чіткими, а шумові складові
пригнічуються.
У результаті застосування моделі до спотвореного сигналу отримується від-
новлений спектр, який відрізняється від початкового кращим співвідношенням си-
гналу до шуму. Перетворення у частотно-часове представлення призведе до знач-
ного покращення якості сигналу, а саме зменшиться рівень шуму, компенсується
частотний зсув буде компенсовано, а форма сигналу наблизиться до еталонної.
Очищений сигнал продемонстровано на рис. 3. Важливо, що навіть за часткової
втрати даних відновлення залишається можливим, оскільки модель оперує не ок-
ремими відліками, а узагальненою структурою сигналу в частотно-часовому прос-
торі.
Рис. 3. Відновлений сигнал
Новий вид представлення сигналу, який піддається
відновленню методами штучного інтелекту при втраті частин даних
ISSN 1560-9189 Реєстрація, зберігання і обробка даних. 2026. Т. 28, № 2 77
При порівнянні із класичним I/Q-представленням новий підхід показує, що у
випадку прямої роботи з комплексними відліками, здатність його відновлення на-
буває більшої стійкості до спотворень. Але такий підхід потребує більш складних
моделей для досягнення подібної якості. У новому представленні сигнал опису-
ється через його фізично значущі характеристики, що дозволяє зменшити склад-
ність задачі та підвищити точність реконструкції. Таким чином, поєднання струк-
турованого представлення та методів штучного інтелекту забезпечує більш стійке
та стабільне відновлення радіосигналів порівняно з традиційним підходом.
Висновок
У ході дослідження було розроблено та обґрунтовано новий вид представ-
лення радіосигналу, що є критично важливим для забезпечення живучості сучасних
інформаційних комп’ютерних систем у нестабільних умовах експлуатації. Запро-
поноване представлення значно сприяє підвищенню відмовостійкості систем, оскі-
льки воно цілеспрямовано знижує чутливість до зовнішніх шумів і деструктивних
завад, що виникають унаслідок роботи засобів РЕБ або апаратних збоїв. Завдяки
оптимізації структури даних вдалося суттєво знизити обчислювальні вимоги до
апаратної частини, що дозволяє реалізовувати складні алгоритми відновлення у ре-
альному часі навіть на мобільних чи автономних платформах із обмеженими ресу-
рсами. Це створює надійний фундамент для стабільного прийняття рішень на ос-
нові штучного інтелекту, мінімізуючи ризики каскадних помилок при аналізі спо-
твореної інформації.
Ключовою перевагою розробленого підходу є можливість відтворення втра-
чених фрагментів даних за допомогою нейромережевих моделей. На відміну від
класичних методів інтерполяції, інтегрований ШІ оперує контекстними закономір-
ностями сигналу, що дозволяє з високою точністю реконструювати його фазову та
амплітудну структуру навіть при значних розривах у потоці I/Q-компонент. У ре-
зультаті застосування даної методики перетворює звичайну обробку сигналів на ін-
телектуальну самовідновлювану структуру, яка забезпечує безперервність функці-
онування програмних і апаратних комплексів. Такий підхід відкриває нові перспе-
ктиви для створення наступного покоління засобів радіомоніторингу та зв’язку,
здатних зберігати повну функціональну здатність у складних дестабілізуючих си-
туаціях.
1. Нейронні мережі: теорія та практика: навч. посіб. / С. О. Субботін. — Житомир: Вид. О.О.
Євенок, 2020. 184 с. ISBN 978-966-995-189-2. URL: https://eir.zp.edu.ua/server/api/core/bitstreams/
2abb401b-9ee6-4afc-a92a-2de5c332d12f/content
2. Колесницький О.К., Месюра В.І. Нейромережеві моделі та технології обчислювального ін-
телекту. Нейрокомп’ютери. Частина І. Вінниця: ВНТУ, 2021. 66 с.
3. Hagos D.H., & Rawat D.B. Neuro-symbolic ai for military applications. IEEE Transactions on
Artificial Intelligence. 2024.
4. Cannon C.T., & Goericke S. Using convolution neural networks to develop robust combat
behaviors through reinforcement learning (Doctoral dissertation, Monterey, CA; Naval Postgraduate
School). 2021.
5. Додонов О. Г., Кузнєцова М. Г., Горбачик О. С. Живучість складних систем: аналіз та мо-
делювання: навч. посіб. у 2-х ч. Київ: НТУУ «КПІ», 2009. 264 с.
https://eir.zp.edu.ua/server/api/core/bitstreams/%202abb401b-9ee6-4afc-a92a-2de5c332d12f/content
https://eir.zp.edu.ua/server/api/core/bitstreams/%202abb401b-9ee6-4afc-a92a-2de5c332d12f/content
В. О. Додонов, Е. І. Гасанов, Є. І. Ізварін, С. І. Отрох, І. В. Сегеда
78
6. Додонов А.Г., Ландэ Д.В. Живучість інформаційних сюжетів як динамічних документаль-
них систем. Реєстрація, зберігання і оброб. даних. 2010. Т. 13, № 2. С. 88–102.
7. Jung K., Mersereau R. M. Media and radio signal processing for mobile communications.
Cambridge: Cambridge University Press, 2019. 494 p.
8. Anttila L., Zou Y., Valkama M. Digital compensation and calibration of I/Q gain and phase
imbalances. Digital Front-End in Wireless Communications and Broadcasting. Cambridge University Press,
2011. P. 450–478.
9. Likert A. R. Digital signal processing in communications systems. 2019. 320 p.
10. Reddy G. J. Digital signal processing. 1st ed. Hyderabad: BS Publications, 2016. 396 p.
11. Amatsuki K. Digital signal processing with C++: master real-time signal analysis, filtering, FFT
algorithms, and advanced DSP techniques with professional C++. Kindle ed. 2025. 242 p.
Надійшла до редакції 15.04.2026
Прийнята до друку 19.05.2026
Опублікована 17.06.2026
|
| id | drspiprikievua-article-363162 |
| institution | Data Recording, Storage & Processing |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2026-06-18T01:00:48Z |
| publishDate | 2026 |
| publisher | Інститут проблем реєстрації інформації НАН України |
| record_format | ojs |
| resource_txt_mv | drspiprikievua/0c/c7cdcd0355969c167298d2fc2d70e40c.pdf |
| spelling | drspiprikievua-article-3631622026-06-17T17:50:04Z A new type of signal’s representation that can be restored by artificial intelligence methods when parts of the data are lost Новий вид представлення сигналу, який піддається відновленню методами штучного інтелекту при втраті частини даних Додонов, В. О. Гасанов, Е. І. Ізварін, Є. І. Отрох, С. І. Сегеда, І. В. штучний інтелект, живучість системи, нейронні мережі, цифрова обробка сигналів, відновлення даних, радіосигнал artificial intelligence, system survivability, neural networks, digital signal processing, data recovery, radio signal The study develops a new type of radio signal’s representation adapted for recovery using artificial intelligence methods under conditions of partial data loss and destructive interference. It is demonstrated that traditional digital signal processing approaches based on classical I/Q representation do not provide sufficient survivability of information and computer systems operating in complex radio-frequency environments. This problem becomes especially critical under the influence of electronic warfare systems, multipath propagation, noise, and communication channel overloads, which lead to the loss of signal fragments and disruption of information flow integrity. The proposed approach is based on the transition from the classical time-domain complex representation of a signal to a structured time-frequency domain using the Fast Fourier Transform. The complex spectrum of the signal is decomposed into a logarithmic amplitude component and phase components represented through sine and cosine phase functions. This makes it possible to eliminate phase discontinuities and form a smooth feature space suitable for efficient processing by machine learning methods. Additionally, a spectral recovery mask is introduced to provide structural redundancy of the signal and enable reconstruction even in the case of partial data loss. The research investigates the application of convolutional neural networks, encoder-decoder architectures, and neuro-symbolic approaches for compensating damaged signal segments, eliminating phase imbalances, and suppressing noise. The models are trained on paired datasets containing distorted and reference signals, allowing the system to learn a generalized mapping between corrupted and reconstructed spectral representations. Unlike traditional interpolation methods, the proposed approach exploits the internal patterns and spectral structure of the signal, significantly improving reconstruction accuracy. The simulation results confirm that the new signal representation reduces the complexity of intelligent signal recovery tasks, increases processing speed, and provides a higher signal-to-noise ratio compared to classical digital signal processing algorithms. The proposed methodology improves situational awareness, resilience, and reliability of complex technical systems while creating a foundation for the development of next-generation self-recovering information systems capable of operating effectively under conditions of critical damage and unstable data transmission environments. Fig.: 3. Refs: 11 titles. Розроблено новий вид представлення радіосигналу, який адаптовано для відновлення методами штучного інтелекту в умовах часткової втрати даних. Обґрунтовано, що традиційні методи цифрової обробки сигналів не забезпечують достатньої живучості інформаційних систем при деструктивних завадах. Авторами запропоновано підхід, що базується на інтеграції нейромережевих моделей для реконструкції структури сигналу із використанням його внутрішніх закономірностей. Досліджено використання згорткових і нейросимвольних мереж для компенсації втрачених сегментів даних і усунення фазових дисбалансів. Описана методика дозволяє суттєво підвищити ситуаційну обізнаність і надійність функціонування складних технічних систем. Результати моделювання підтверджують вищу швидкість обробки та точність відтворення сигналів порівняно з класичними алгоритмами. Інститут проблем реєстрації інформації НАН України 2026-06-17 Article Article application/pdf https://drsp.ipri.kiev.ua/article/view/363162 10.35681/1560-9189.2026.28.2.363162 Data Recording, Storage & Processing; Vol. 28 No. 2 (2026); 70-78 Регистрация, хранение и обработка данных; Том 28 № 2 (2026); 70-78 Реєстрація, зберігання і обробка даних; Том 28 № 2 (2026); 70-78 1560-9189 uk https://drsp.ipri.kiev.ua/article/view/363162/350528 Авторське право (c) 2026 Реєстрація, зберігання і обробка даних |
| spellingShingle | artificial intelligence system survivability neural networks digital signal processing data recovery radio signal Додонов, В. О. Гасанов, Е. І. Ізварін, Є. І. Отрох, С. І. Сегеда, І. В. A new type of signal’s representation that can be restored by artificial intelligence methods when parts of the data are lost |
| title | A new type of signal’s representation that can be restored by artificial intelligence methods when parts of the data are lost |
| title_alt | Новий вид представлення сигналу, який піддається відновленню методами штучного інтелекту при втраті частини даних |
| title_full | A new type of signal’s representation that can be restored by artificial intelligence methods when parts of the data are lost |
| title_fullStr | A new type of signal’s representation that can be restored by artificial intelligence methods when parts of the data are lost |
| title_full_unstemmed | A new type of signal’s representation that can be restored by artificial intelligence methods when parts of the data are lost |
| title_short | A new type of signal’s representation that can be restored by artificial intelligence methods when parts of the data are lost |
| title_sort | new type of signal’s representation that can be restored by artificial intelligence methods when parts of the data are lost |
| topic | artificial intelligence system survivability neural networks digital signal processing data recovery radio signal |
| topic_facet | штучний інтелект живучість системи нейронні мережі цифрова обробка сигналів відновлення даних радіосигнал artificial intelligence system survivability neural networks digital signal processing data recovery radio signal |
| url | https://drsp.ipri.kiev.ua/article/view/363162 |
| work_keys_str_mv | AT dodonovvo anewtypeofsignalsrepresentationthatcanberestoredbyartificialintelligencemethodswhenpartsofthedataarelost AT gasanoveí anewtypeofsignalsrepresentationthatcanberestoredbyartificialintelligencemethodswhenpartsofthedataarelost AT ízvarínêí anewtypeofsignalsrepresentationthatcanberestoredbyartificialintelligencemethodswhenpartsofthedataarelost AT otrohsí anewtypeofsignalsrepresentationthatcanberestoredbyartificialintelligencemethodswhenpartsofthedataarelost AT segedaív anewtypeofsignalsrepresentationthatcanberestoredbyartificialintelligencemethodswhenpartsofthedataarelost AT dodonovvo novijvidpredstavlennâsignaluâkijpíddaêtʹsâvídnovlennûmetodamištučnogoíntelektuprivtratíčastinidanih AT gasanoveí novijvidpredstavlennâsignaluâkijpíddaêtʹsâvídnovlennûmetodamištučnogoíntelektuprivtratíčastinidanih AT ízvarínêí novijvidpredstavlennâsignaluâkijpíddaêtʹsâvídnovlennûmetodamištučnogoíntelektuprivtratíčastinidanih AT otrohsí novijvidpredstavlennâsignaluâkijpíddaêtʹsâvídnovlennûmetodamištučnogoíntelektuprivtratíčastinidanih AT segedaív novijvidpredstavlennâsignaluâkijpíddaêtʹsâvídnovlennûmetodamištučnogoíntelektuprivtratíčastinidanih AT dodonovvo newtypeofsignalsrepresentationthatcanberestoredbyartificialintelligencemethodswhenpartsofthedataarelost AT gasanoveí newtypeofsignalsrepresentationthatcanberestoredbyartificialintelligencemethodswhenpartsofthedataarelost AT ízvarínêí newtypeofsignalsrepresentationthatcanberestoredbyartificialintelligencemethodswhenpartsofthedataarelost AT otrohsí newtypeofsignalsrepresentationthatcanberestoredbyartificialintelligencemethodswhenpartsofthedataarelost AT segedaív newtypeofsignalsrepresentationthatcanberestoredbyartificialintelligencemethodswhenpartsofthedataarelost |