Методи нейромережевої класифікації сигналів із розширеним спектром у системах радіомоніторингу

Automatic classification of spread spectrum signals — frequency-hopping, direct-sequence, and chirp — is a key task in modern radio monitoring systems, particularly relevant for distributed sensor networks with constrained computational resources. A critical review of existing approaches shows that...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2026
Автори:	Horbatyi, Ivan, Usatyi, Oleksandr
Формат:	Стаття
Мова:	Українська
Опубліковано:	PE "Politekhperiodika", Book and Journal Publishers 2026
Теми:	сигнали з розширеним спектром цифрові радіосигнали нейронні мережі цілочисельна квантизація радіомоніторинг вбудовані системи
Онлайн доступ:	https://www.tkea.com.ua/index.php/journal/article/view/TKEA2026.1.38
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Technology and design in electronic equipment
Завантажити файл:

Репозитарії

Technology and design in electronic equipment

_version_	1872643103946440704
author	Horbatyi, Ivan Usatyi, Oleksandr
author_facet	Horbatyi, Ivan Usatyi, Oleksandr
author_institution_txt_mv	[ { "author": "Ivan Horbatyi", "institution": "Lviv Polytechnic National University, Ukraine" }, { "author": "Oleksandr Usatyi", "institution": "Lviv Polytechnic National University, Ukraine" } ]
author_sort	Horbatyi, Ivan
baseUrl_str	https://www.tkea.com.ua/index.php/journal/oai
collection	OJS
datestamp_date	2026-08-04T12:58:56Z
description	Automatic classification of spread spectrum signals — frequency-hopping, direct-sequence, and chirp — is a key task in modern radio monitoring systems, particularly relevant for distributed sensor networks with constrained computational resources. A critical review of existing approaches shows that none of the three generations of classification methods — classical deterministic, feature-based machine learning, and deep learning on time-frequency representations — simultaneously meets three essential requirements: high accuracy at negative signal-to-noise ratios, computational complexity below 105 multiply–accumulate operations per realization, and compatibility with integer arithmetic for embedded deployment. This paper proposes a method that addresses this gap through a compact, informative feature vector combining frequency-domain, time-frequency, and statistical characteristics. The informativeness of Hjorth parameters is theoretically justified via their analytical link to spectral moments of the power spectral density, enabling O(N) time-domain computation equivalent to frequency-domain analysis. A formalized ablation analysis with three quantitative selection criteria (individual significance, pairwise correlation below 0.7, and absence of negative contribution) yields a reduced vector of five components. Complexity analysis confirms approximately 3·104 operations per realization and 2 kB model memory in integer configuration — four orders of magnitude less than convolutional network–based approaches. Experimental evaluation of a multilayer perceptron classifier demonstrates stable accuracy above 91% across a wide SNR range, 93.2% at 20 dB and 87% at −10&nbsp;dB, with negligible degradation under integer quantization, confirming practical applicability to embedded and distributed radio monitoring systems.
doi_str_mv	10.15222/TKEA2026.1.38
first_indexed	2026-08-04T01:00:59Z
format	Article
fulltext	Технологія та конструювання в електронній апаратурі, 2026, № 138 ISSN 3083-6530 (Print) ISSN 3083-6549 (Online) 38 СИСТЕМИ ПЕРЕДАЧІ ТА ОБРОБКИ СИГНАЛІВ УДК 621.396.96+004.932 МЕТОДИ НЕЙРОМЕРЕЖЕВОЇ КЛАСИФІКАЦІЇ СИГНАЛІВ ІЗ РОЗШИРЕНИМ СПЕКТРОМ У СИСТЕМАХ РАДІОМОНІТОРИНГУ Сучасні системи радіомоніторингу функціонують в умовах постійного ускладнення радіоелектронно- го середовища, що зумовлено збільшенням кілько сті джерел радіовипромінювання та активним застосу- ванням методів підвищення завадостійкості й при- хованості зв’язку. До таких методів належать техно- логії з розширеним спектром: перестрибування ро- бочої частоти (frequency-hopping spread spectrum, FHSS), пряме розширення спектра (direct-sequence spread spectrum, DSSS) та лінійна частотна модуля- ція (chirp spread spectrum, CSS) [1], [2]. Їх виявлен- ня та ідентифікація є складним завданням, особливо за низького відношення сигнал/шум (signal-to-noise ratio, SNR) [3], [4]. Особливого значення задача класифікації сигна- лів із розширеним спектром набуває у складі розпо- ділених систем радіомоніторингу, де обробка здійс нюється безпосередньо на периферійних вузлах збо- ру — одноплатних комп’ютерах та мікроконтролерах з обмеженими ресурсами пам’яті та обчислювальної потужності. Такі платформи орієнтовані на обробку в режимі реального часу, тому основними критерія- ми застосовності методу класифікації є не лише точ- ність, а й обчислювальна складність, обсяг пам’яті моделі та енергоефективність. Існуючі методи класифікації сигналів із розши- реним спектром умовно поділяють на три поколін- ня, кожне з яких має суттєві обмеження для вбудова- них систем, що працюють у режимі реального часу. Класичні детерміновані методи ґрунтуються на спек- тральному аналізі з використанням швидкого перетво- рення Фур’є, часовочастотних перетворень (коротко- часне перетворення Фур’є, вейвлетперетворення [5]) Розглянуто задачу автоматичної класифікації сигналів із розширеним спектром у системах радіомоніторингу, що функціонують на платформах з обмеженими обчислювальними ресурсами. Запропоновано компактний вектор інформативних ознак, який поєднує частотні, часово-частотні та статистичні характеристики. Теоретично обґрун- товано використання параметрів Гйорта на основі моментів спектральної щільності потужності. За результатами абляційного аналізу сформовано скорочений вектор із п’яти ознак. Побудовано нейромережевий класифікатор у форма- тах з рухомою та фіксованою комою. Досягнуто точність класифікації понад 91% у діапазоні відношення сигнал/шум від 0 до 20 дБ, що підтверджує ефективність запропонованого підходу для систем радіомоніторингу в реальному часі. Ключові слова: сигнали з розширеним спектром, цифрові радіосигнали, нейронні мережі, цілочисельна квантизація, радіомоніторинг, вбудовані системи. та ентропійних характеристик з фіксованими порого- вими правилами [1], [6]. Основними недоліками цих методів є чутливість до рівня шуму (точність падає нижче 70% за SNR < 0 дБ [7]), відсутність адаптивно сті та висока обчислювальна складність двовимірних часовочастотних подань, яка має порядок O(N 2 logN) для сигналу довжи ною N відліків. Методи машинного навчання на основі ознак част- ково долають обмеження класичних підходів [4], [7]. Зокрема, у роботі [7] для ідентифікації FHSSсигналів застосовано штучні нейронні мережі на параме- тричних ознаках, що забезпечує точність 92 – 95% за SNR ≥ 5 дБ. Проте такі методи орієнтовані пере- важно на один клас сигналів, вони використовують евристичне формування вектора ознак без формалі- зованого обґрунтування та не передбачають оцінки стійкості до цілочисельної квантизації. У нашій попе- редній роботі [4] був виконаний порівняльний аналіз глибоких нейронних мереж для класифікації цифро- вих модуляцій, який підтвердив залежність точності від стратегії навчання та архітектури. Методи глибокого навчання на часовочастотних поданнях забезпечують високу точність класифікації. У роботі [8] для сигналів з низькою ймовірні стю пере- хоплення (low probability of intercept, LPI) застосовано згорткові нейронні мережі на спектрограмах, що дало точність 96% за SNR ≥ 0 дБ. Водночас такі мережі ха- рактеризуються високою обчислювальною складні стю (108 – 109 операцій множеннянакопичення на один прямий прохід), значним обсягом моделі (5 – 20 Мб) та орієнтацією на офлайнобробку [9] – [11]. Це унемож- ливлює їх застосування на платформах з бюджетом у десяткисотні кілобайт оперативної пам’яті. DOI: 10.15222/TKEA2026.1.38 Іван ГОРБАТИЙ, Олександр УСАТИЙ Україна, Національний університет «Львівська політехніка» Технологія та конструювання в електронній апаратурі, 2026, № 1 39ISSN 3083-6530 (Print) ISSN 3083-6549 (Online) 39 СИСТЕМИ ПЕРЕДАЧІ ТА ОБРОБКИ СИГНАЛІВ Отже, жоден з відомих підходів не забезпечує од- ночасного виконання трьох ключових вимог: високої точності за від’ємних значень SNR, низької обчис- лювальної складності (менше 105 операцій на одну реалізацію) та сумісності з цілочисельною арифме- тикою. Це визначає актуальність розроблення мето- ду, що поєднує компактний вектор інформативних ознак, обчислюваних переважно у часовій області, з легкою нейромережевою моделлю, адаптованою до 8бітового цілочисельного формату. Метою цієї роботи є розроблення методу нейро- мережевої класифікації широкосмугових радіосигна- лів, орієнтованого на платформи з обмеженими об- числювальними ресурсами, з теоретичним обґрунту- ванням вибору вектора ознак та кількісним порівнян- ням обчислювальних витрат з відомими підходами. Формування вектора ознак Для формування вектора ознак використано час- тотні, часовочастотні та статистичні характеристи- ки сигналів FHSS, DSSS та CSS, які дозволяють ви- окремити їх за відмінностями у спектральній струк- турі та динамікою зміни частотних компонентів. Пріоритет надавався параметрам, що поєднують ви- соку дискримінативну здатність з низькою обчислю- вальною складністю. Повний склад ознак, їх належ- ність до групи, алгоритмічну складність та фізичний зміст наведено у табл. 1. Ключовим елементом запропонованого вектора є параметри Гйорта — активність A(x), мобільність M(x) та складність C(x) [12], які відображають, від- повідно, повну потужність сигналу, середньоквадра- тичну частоту та відносну ширину смуги частот [13] і обчислюються виключно у часовій області. Для дис- кретного сигналу x[n] довжиною N ці параметри ви- значаються за формулами A(x) = σ2 x; (1) M(x) = σx′ / σx; (2) C(x) = M(x′) / M(x), (3) де σx, σx′ — стандартне відхилення сигналу та першої різниці відповідно; x′[n] — перша різниця сигналу, x′[n] = x[n] − x[n − 1]. Згідно з теоремою Парсеваля, для стаціонарних у широкому сенсі процесів мобільність Гйорта аналі- тично пов’язана з нормованим другим спектральним моментом спектральної щільності потужності S(ω): M 2(x) = (1/σ2x)·∫ ω2·S(ω) dω. (4) Аналогічно, складність C(x) пов’язана з чет- вертим спектральним моментом. Поведінка пара- метрів у різних класах сигналів має специфічні риси. Мобільність сигналів DSSS з майже рівномір- ним спектром у смузі B близька до B/√3 за наймен- шої складності. Для FHSS мобільність демонструє стрибкоподібні зміни у часі, що відображає дискрет- ну зміну центральної частоти, а складність приймає найбільші значення через різкі перехідні процеси. У сигналах CSS мобільність зростає монотонно, а складність приймає проміжні значення, відобража- ючи плавну зміну миттєвої частоти. Отже, параме- три Гйорта забезпечують опис спектральної струк- тури без явного обчислення перетворення Фур’є зі складністю O(N) порівняно з O(N log N) для частот- них аналогів. Таким чином, запропонований вектор ознак об’єднує частотні дескриптори (F1, F2, F3), часово частотні характеристики (F4, F5, F7, F8) та стати стичні показники (F6, F9, F10), причому параметри Гйорта (F6, F7, F8) виконують роль обчислювально ефективних замінників традиційних спектральних характеристик. Таблиця 1 Класифікація вектора інформативних ознак сигналів Назва ознаки Позначення Група Складність Фізичний зміст Спектральна ентропія F1 Частотні O(N logN) Міра впорядкованості спектра Спектральна рівномірність F2 Частотні O(N) Оцінка шумоподібності Ефективна ширина спектра (99%) F3 Частотні O(N) Еквівалент ширини спектра Варіація спектра у часі F4 Часовочастотні O(N) Нестаціонарність частотної структури Показник перестрибування частоти F5 Часовочастотні O(N logN) Оцінка дискретної частотної динаміки Активність Гйорта F6 Часові O(N) Енергія сигналу Мобільність Гйорта F7 Часовочастотні O(N) Оцінка середньої частоти Складність Гйорта F8 Часовочастотні O(N) Оцінка ширини спектра Ексцес амплітудного розподілу F9 Статистичні O(N) Негаусовість розподілу Дисперсія енергітичної обвідної F10 Часові O(N) Нестаціонарність амплітуд- ної обвідної Технологія та конструювання в електронній апаратурі, 2026, № 140 ISSN 3083-6530 (Print) ISSN 3083-6549 (Online) 40 СИСТЕМИ ПЕРЕДАЧІ ТА ОБРОБКИ СИГНАЛІВ Оцінка обчислювальної складності Для кількісного обґрунтування ефективності оці- нювали обчислювальну складність повного конве- єра класифікації для реалізації сигналу довжиною N = 1024 комплексних відліків. Сумарна кількість операцій множеннянакопичення на обчислення ско- роченого вектора (F3, F5, F7, F8, F9) становить при- близно 3·104 з таким розподілом витрат: F3 — близь- ко 10240 операцій для оцінки спектра потужності; F5 —7200 для короткочасного перетворення Фур’є з вісьмома вікнами по 128 відліків; F7 та F8 — 8200 для обчислення двох рівнів різниць та відповідних дис- персій; F9 — 4100 для обчислення моментів вищого порядку. Для повного вектора з десяти ознак сумар- на кількість зростає до 7·104 операцій. Для архітектури багатошарового перцептрона з двома прихованими шарами (32 та 16 нейронів) кіль- кість операцій множеннянакопичення на один ін- ференс становить 5·32 + 32·16 + 16·5 = 752, що від- повідає близько 2,5% від вартості обчислення ознак. Тобто, основна частина обчислювальних ресурсів витрачається на етап формування вектора характери стик, що виправдовує використання низькоскладних часових ознак в процесі його проєктування. З табл. 2 видно, що запропонований підхід у ці- лочисельній конфігурації на скороченому векторі за- безпечує зменшення обчислювальних витрат на чо- тири порядки та скорочення обсягу моделі приблиз- но у 5000 разів порівняно з підходом на основі згорт- кових мереж [8], зберігаючи при цьому еквівалентну точність у діапазоні SNR ≥ 0 дБ. У зіставленні з ме- тодом [7], орієнтованим лише на FHSS, запропоно- ваний підхід характеризується удвічі меншою склад- ністю та ширшим охопленням класів сигналів. Час інференсу оцінювався для типових плат- форм радіомоніторингу — одноплатних комп’ютерів BeagleBone AI та Raspberry Pi з тактовою частотою процесора близько 1 ГГц. Наведені у табл. 2 кіль- кість операцій та обсяг пам’яті моделі слід розгля- дати як теоретичні оцінки порядку величини, отри- мані з аналітичних виразів складності алгоритмів. Час інференсу визначався на основі тактової часто- ти процесора, він може відрізнятися від результатів вимірювань залежно від рівня оптимізації реалізації та ступеня паралелізму обчислень. Нейромережева модель та абляційний аналіз Для побудови класифікатора використано архітек- туру багатошарового перцептрона з двома прихова- ними шарами, схему якої наведено на рис. 1. Вхідний шар приймає N ознак (N = 10 для повного вектора та N = 5 для скороченого), вихідний шар формує ймо- вірнісні оцінки належності сигналу до п’яти класів: адитивний білий гаусовий шум, вузькосмуговий сиг- нал, FHSS, DSSS, CSS. Приховані шари застосовують нелінійні функції активації для апроксимації залеж- ностей між ознаками. Вибір такої архітектури зумов- лений необхідністю досягнення достатньої точності за обмеженої обчислювальної складності: на відміну від згорткових мереж багатошаровий перцептрон не потребує операцій згортки, що знижує складність на тричотири порядки при зіставній точності для ком- пактних векторів ознак. Для зменшення розмірності вектора виконано абляційний аналіз шляхом послідовного виключення кожної ознаки з оцінкою зміни точності ΔAcc віднос- но базового варіанту (10 ознак, точність 91,42%) на валідаційній вибірці у діапазоні SNR від 0 до 20 дБ. Застосовано формалізований кількісний критерій від- бору, що складається з трьох умов: К1 (індивідуальна значущість) — ознака залиша- ється, якщо \|ΔAcc\| ≥ 0,5%; К2 (некорельованість) — ознака вилучається при коефіцієнті кореляції Пірсона \|ρ\| ≥ 0,7 з іншою озна- кою, що має більше значення \|ΔAcc\|; К3 (негативний внесок) — ознака вилучається, якщо ΔAcc ≥ 0 (тобто її видалення не погіршує модель). Таблиця 2 Порівняння обчислювальних витрат методів класифікації сигналів Метод Кількість операцій на реалізацію Обсяг пам’яті моделі, Кб Час інференсу, мкс Примітка Класичний спектральний аналіз з пороговими правилами [1] 1·104 < 1 10 Низька адаптивність до SNR Машинне навчання на параметричних ознаках FHSS [7] 5·104 10 50 Один клас сигналів Згорткові мережі на спектрограмах 224×224 [8] 5·108 10 240 50 Офлайнобробка Запропонований: 10 ознак, формат з рухомою комою 7·104 15 70 Максимальна точність за низького SNR Запропонований: 5 ознак, формат з рухомою комою 3·104 8 30 Компроміс точність / ресурси Запропонований: 5 ознак, цілочисель- ний формат 3·104 2 15 Рекомендовано для вбудованих систем Технологія та конструювання в електронній апаратурі, 2026, № 1 41ISSN 3083-6530 (Print) ISSN 3083-6549 (Online) 41 СИСТЕМИ ПЕРЕДАЧІ ТА ОБРОБКИ СИГНАЛІВ Додатково застосовується правило винятку К1: ознака зберігається при \|ΔAcc\| < 0,5 %, якщо коефіці- єнт кореляції Пірсона з найбільш корельованою ін- шою ознакою \|ρ\| < 0,3 (тобто вона несе унікальну не- корельовану інформацію). Остаточне рішення прийма- ється за мажоритарним правилом. Як видно з табл. 3, п’ять залишених ознак {F3, F5, F7, F8, F9} є комплементарними: F3 та F5 забезпечу- ють частотний опис, F7 та F8 — часовочастотний з меншими обчислювальними витратами, а F9 — ста- тистичну характеристику для розрізнення гаусових та негаусових процесів. Середнє попарне значення \|ρ\| для цих ознак становить 0,34, що підтверджує їхню функціональну незалежність. Принциповим результатом абляційного аналізу є вилучення F6: додатне значення ΔAcc = + 0,13% свід- чить про те, що повна енергія сигналу, яка суттєво за- лежить від рівня шуму, вносить систематичну похиб- ку у рішення класифікатора. Ознака F1 (спектраль- на ентропія) стає критичною лише при SNR < − 5 дБ, що визначає обмеження скороченого вектора (розгля- датимуться у наступному розділі). Таким чином, під повним вектором ознак надалі розуміється набір із 10 компонентів (F1...F10), під скороченим — набір із п’яти компонентів {F3, F5, F7, F8, F9}. Значення кое фіцієнтів кореляції \|ρ\| , наведені у табл. 3, отри- мані на підмножині навчальних даних у діапазоні SNR від 0 до 20 дБ та можуть незначно змінюватися залежно від обсягу та характеристик вибірки. Для реалізації моделі на платформах з обмежени- ми ресурсами застосовано цілочисельну квантиза- цію до 8бітового формату після навчання у форма- ті з рухомою комою одинарної точності. Діапазони ваги та активації визначаються на основі статистич- них характеристик навчальних даних, що мінімізує втрати точності. Процедура квантизації виконується після завершення навчання і не потребує повторного повного тренування, що суттєво спрощує виробниче розгортання моделі. Результати досліджень та їх обговорення Для експериментальних досліджень було сфор- мовано репрезентативний набір даних із 10 000 реа- лізацій комплексних аналітичних сигналів (по 20 000 на клас). Частота дискретизації становила 1 МГц, дов жина кожної реалізації — 1024 комплексні від- ліки. Сигнали DSSS моделювалися з використанням 11чипового коду Баркера [14], [15], FHSS — зі швид- Рис. 1. Структурна схема нейромережевого класифікатора F1 F2 F3 F4 F5 F6 F7 F8 F9 F10 Шум NB DSSS FHSS CSS Вхідний шар Прихований 1 Прихований 2 Вихідний шар Таблиця 3 Абляційний аналіз та формування скороченого вектора Ознака ΔAcc, % \|ρ\| Критерій Рішення Обґрунтування F1 – 0,30 0,72 (F2) К2 Вилучити Корелює з F2; критична лише при SNR < − 5 дБ F2 − 0,23 0,74 (F7) К2 Вилучити Корельована з F7 при меншій складності обчислення F3 − 1,17 0,41 К1 Залишити Критична для розрізнення DSSS від вузькосмугових F4 − 0,27 0,68 (F5) К1 Вилучити Індивідуальний вплив нижче порога; F5 перекриває F5 − 0,87 0,52 К1 Залишити Унікально фіксує дискретні стрибки частоти FHSS F6 + 0,13 0,38 К3 Вилучити Додатне ΔAcc — видалення покращує модель F7 − 1,70 0,74 К1 Залишити Найбільший індивідуальний внесок; пов’язаний з M 2(x) (див. формулу (4)) F8 − 0,77 0,41 К1 Залишити Важлива для CSS — плавна зміна миттєвої частоти F9 − 0,43 0,22 К1* Залишити Гранична \|ΔAcc\|, але найнижча кореляція (0,22) та роль при низькому SNR F10 − 0,07 0,31 К1 Вилучити Дубльована функціональність з F6, F9 Технологія та конструювання в електронній апаратурі, 2026, № 142 ISSN 3083-6530 (Print) ISSN 3083-6549 (Online) 42 СИСТЕМИ ПЕРЕДАЧІ ТА ОБРОБКИ СИГНАЛІВ кістю 500 стрибків/с, CSS — як лінійна частотна мо- дуляція з випадковими граничними частотами (іміта- ція фізичного рівня технології LoRa). Сигнали генеру- валися з випадковою початковою фазою та централь- ною частотою у діапазоні SNR від − 10 до + 20 дБ для моделювання критичних умов приймання, характер- них для сигналів з низькою ймовірні стю перехоплен- ня. Навчання та тестування здійснювалося на підмно- жинах даних, які не перетинаються, що забезпечує ко- ректність оцінки узагальнювальної здатності моделі. Модель з рухомою комою на повному векторі ознак забезпечує точність понад 91,4% при SNR > 0 дБ, до- сягаючи 93,2% при SNR = 20 дБ. Навіть за інтенсив- них завад (SNR = −10 дБ) точність залишається на рівні 87,1%, що підтверджує високу дискримінатив- ну здатність вектора ознак. Для аналізу характеру по- милок класифікації використано матриці невідповід- ностей, наведені на рис. 2. Як видно з рис. 2, а, система майже безпомилко- во ідентифікує DSSS та шум, що підтверджує ефек- тивність ознаки F9 (ексцес амплітуди) для розріз- нення негаусовості DSSSсигналів. Водночас спо- стерігається певний перетин між вузькосмугови- ми сигналами та FHSS, що є фізично обґрунтова- ним явищем: на коротких інтервалах FHSSсигнал може виглядати як вузькосмуговий. Точність іден- тифікації CSS залишається стабільно високою (близько 89%), що доводить ефективність параме- тра F8 (складність Гйорта). У випадку SNR = −10 дБ (рис. 2, б) FHSS помилково класифікується як шум у 34% випадків, а 39% CSS розпізнаються як шум че- рез недостатню потужність для статистичного вияв- лення параметрами Гйорта. Проведені експерименти для трьох конфігу- рацій моделі дозволяють зазначити, що перехід від повного вектора ознак до скороченого демон- струє високу стабільність при SNR > 0 дБ: точ- ність оптимізованої моделі становить 91,2 – 91,8%, це лише на 1,5% нижче за базову при удвічі мен- шій розмірності вектора. Найбільша різниця між моделями спостерігається при високому рівні завад (SNR = −10 дБ): базова модель зберігає точність 87%, тоді як оптимізовані версії демонструють зниження до 70% — з рухомою комою та 66% — цілочисель- ний формат. Це підтверджує зроблений в абляційно- му аналізі висновок, що вилучена ознака F1 (спек- тральна ентропія) стає критичною в умовах глибоко- го маскування сигналу шумом. Для критичних засто- сувань при SNR < − 5 дБ рекомендується попередньо застосувати алгоритми придушення шуму, збільши- ти час спостереження для накопичення статистики або використати повний вектор ознак. Перехід від формату з рухомою комою до цілочи- сельного призводить до незначної втрати точності, що ілюструється графіками на рис. 3. При SNR ≥ 0 дБ криві практично збігаються, що підтверджує мож- Рис. 2. Матриця невідповідностей моделі у цілочисельному форматі: а — усереднений результат для SNR від − 10 до 20 дБ; б — SNR = − 10 дБ а) Загальна матриця плутанини (модель INT8, п’ять ознак) 0,8 0,6 0,4 0,2 0,0 Шум NB DSSS FHSS CSS С пр ав ж ні й кл ас Шум NB DSSS FHSS CSS Передбачений клас 0,97 0,01 0,00 0,02 0,01 0,02 0,91 0,00 0,05 0,01 0,00 0,00 0,99 0,00 0,01 0,05 0,39 0,02 0,54 0,01 0,05 0,05 0,01 0,00 0,89 б) Матриця плутанини при SNR = – 10 дБ (найскладніші умови) 0,8 0,6 0,4 0,2 0,0 Шум NB DSSS FHSS CSS С пр ав ж ні й кл ас Шум NB DSSS FHSS CSS Передбачений клас 0,95 0,01 0,01 0,03 0,01 0,18 0,59 0,01 0,13 0,10 0,01 0,00 0,93 0,00 0,05 0,34 0,33 0,01 0,24 0,08 0,39 0,11 0,06 0,00 0,45 Рис. 3. Залежність точності моделей з рухомою комою (базової 1 та оптимізованої 2) та у цілочисельному фор- маті (3) від SNR 90 85 80 75 70 То чн іс ть , % – 10 – 5 0 5 10 15 20 SNR, дБ 1 2 3 Технологія та конструювання в електронній апаратурі, 2026, № 1 43ISSN 3083-6530 (Print) ISSN 3083-6549 (Online) 43 СИСТЕМИ ПЕРЕДАЧІ ТА ОБРОБКИ СИГНАЛІВ ливість цілочисельних обчислень без суттєвої втра- ти якості. Для типових сценаріїв приймання сигна- лу при SNR = 5 дБ оптимальною є модель із п’ятьма ознаками у цілочисельному форматі: точність понад 91% за вимог до пам’яті у чотири рази менше порів- няно з базовою моделлю з рухомою комою. Отримані експериментальні результати узго- джуються з теоретичним аналізом обчислювальної складності (див. табл. 2): запропонований метод у цілочисельній конфігурації на скороченому векторі ознак забезпечує оптимальний компроміс між точ- ністю класифікації та обчислювальними витратами. Додатково слід зазначити стійкість методу до типо- вих впливів у реальних умовах: варіацій централь- ної частоти сигналу, випадкової початкової фази, різ- ної тривалості сигналу у межах вікна спостережен- ня. Це досягається використанням статистичних ін- тегральних ознак, інваріантних до фазових зсувів та короткочасних флуктуацій. Висновки Запропонований метод нейромережевої класи- фікації широкосмугових радіосигналів для вбудо- ваних платформ радіомоніторингу поєднує високу точність при малих значеннях відношення сигнал/ шум, низьку обчислювальну складність та суміс- ність із цілочисельною арифметикою. Теоретичне обґрунтування інформативності параметрів Гйорта дозволило замінити частотні дескриптори часо- вими еквівалентами зі складністю O(N) замість O(N log N), що суттєво зменшило обчислювальні ви- трати. Розроблена методика абляційного аналізу до- зволила сформувати скорочений вектор із п’яти ознак, який забезпечує точність понад 91% при SNR ≥ 0 дБ та потребує лише близько 3·104 операцій на одну реа лізацію і приблизно 2 Кб пам’яті моделі, що на чоти- ри порядки менше порівняно з підходами на основі згорткових мереж. Експериментальні результати підтвердили стій- кість методу до варіацій центральної частоти, ви- падкової початкової фази та різної тривалості сиг- налу, що робить його придатним для застосування у розподілених мережах радіомоніторингу, порта- тивних засобах радіотехнічної розвідки, системах виявлення сигналів з низькою ймовірністю пере- хоплення та бортових комплексах моніторингу лі- тальних апаратів. Подальший розвиток методу варто спрямувати на інтеграцію алгоритмів придушення шуму для умов SNR < − 5 дБ, розширення набору класів для охоплен- ня сучасних технологій зв’язку (OFDM, 5G, супут- никові системи низької орбіти), дослідження апарат- ного прискорення на DSP та FPGA, а також на пере- хід від класифікації до оцінювання параметрів сиг- налу з використанням багатозадачних нейромереже- вих архітектур. ВИКОРИСТАНІ ДЖЕРЕЛА [1] D. Torrieri, Principles of Spread-Spectrum Communication Systems, 5th ed. Cham, Switzerland: Springer, 2022, 710 p. doi: 10.1007/9783030753436 [2] D. Stanescu, A. Digulescu, C. Ioana, and A. Serbanescu, “Spread spectrum modulation recognition based on phase diagram entropy,” Frontiers in Signal Processing, vol. 3, art. no. 1197619, 2023. doi: 10.3389/frsip.2023.1197619 [3] N. Islam and S. Shin, “Deep learning in physical layer: review on data driven endtoend communication systems and their enabling semantic applications,” IEEE Open Journal of the Communications Society, vol. 5, pp. 4207 – 4240, 2024. doi: 10.1109/ ojcoms.2024.3425314 [4] І. В. Горбатий та О. А. Усатий, “Порівняльний аналіз меІ. В. Горбатий та О. А. Усатий, “Порівняльний аналіз ме- тодів автоматичної класифікації цифрових модуляцій на осно- ві глибинних нейронних мереж,” Технологія та конструювання в електронній апаратурі, № 3 – 4, с. 33 – 39, 2025. doi: 10.15222/ TKEA2025.34.33 [5] C. M. Akujuobi, Wavelets and Wavelet Transform Systems and Their Applications: A Digital Signal Processing Approach. Cham, Switzerland: Springer, 2022, 644 p. doi: 10.1007/9783 030875282 [6] І. В. Горбатий та О. А. Усатий, “Дослідження методів спектрального аналізу сигналів із розширеним спектром у су- часних комунікаційних системах,” Інформаційно-комунікаційні технології та електронна інженерія, т. 5, № 1, с. 125 – 135, 2025. doi: 10.23939/ictee2025.01.125 [7] M. T. Khan, A. Z. Sha’ameri, and M. M. A. Zabidi, “Classification of FHSS signals in a multisignal environment by artificial neural network,” International Journal of Computing and Digital Systems, vol. 11, no. 1, pp. 775 – 789, 2022. doi: 10.12785/ ijcds/110163 [8] T. HuynhThe, V.S. Doan, C.H. Hua, Q.V. Pham, T.V. Nguyen, and D.S. Kim, “Accurate LPI radar waveform recognition with CWDTFA for deep convolutional network,” IEEE Wireless Communications Letters, vol. 10, no. 8, pp. 1638 – 1642, 2021. doi: 10.1109/LWC.2021.3075880 [9] B. Jacob et al., “Quantization and training of neural networks for efficient integerarithmeticonly inference,” in Proc. IEEE Conf. Computer Vision and Pattern Recognition (CVPR), Salt Lake City, USA, 2018, pp. 2704 – 2713. doi: 10.1109/CVPR.2018.00286 [10] H. Zhao, D. Liu, and H. Li, “Efficient integerarithmeticonly convolutional neural networks,” arXiv preprint, arXiv:2006.11735, 2020. [Online]. Available: https://arxiv.org/abs/2006.11735 [11] A. Gholami, S. Kim, Z. Dong, Z. Yao, M. W. Mahoney, and K. Keutzer, “A survey of quantization methods for ef- ficient neural network inference,” in Low-Power Computer Vision. Boca Raton, FL, USA: CRC Press, 2022, pp. 291 – 326. doi: 10.1201/978100316281013 [12] B. Hjorth, “EEG analysis based on time domain properties,” Electroencephalography and Clinical Neurophysiology, vol. 29, no. 3, pp. 306–310, 1970. doi: 10.1016/00134694(70)901434 [13] W. H. Alawee, A. Basem, and L. A. AlHaddad, “Advancing biomedical engineering: Leveraging Hjorth features for electroen- cephalography signal analysis,” Journal of Electrical Bioimpedance, vol. 14, no. 1, pp. 66–72, 2023. doi: 10.2478/joeb20230009 [14] M. A. Richards, Fundamentals of Radar Signal Processing, 2nd ed. New York, NY, USA: McGrawHill, 2014, 656 p. [15] V. Maksimov and I. Khrapovitsky, “New composite Barker codes in the synchronization system of broadband signals,” Information and Telecommunication Sciences, no. 2, pp. 24 – 30, 2020. doi: 10.20535/24112976.22020.2430 Надійшла до редакції 24.03.2026 Прийнято до друку 20.04.2026 Технологія та конструювання в електронній апаратурі, 2026, № 144 ISSN 3083-6530 (Print) ISSN 3083-6549 (Online) 44 СИСТЕМИ ПЕРЕДАЧІ ТА ОБРОБКИ СИГНАЛІВ REFERENCES [1] D. Torrieri, Principles of Spread-Spectrum Communication Systems, 5th ed. Cham, Switzerland: Springer, 2022, 710 p. doi: 10.1007/9783030 753436 [2] D. Stanescu, A. Digulescu, C. Ioana, and A. Serbanescu, “Spread spectrum modulation recognition based on phase diagram entropy,” Frontiers in Signal Processing, vol. 3, art. no. 1197619, 2023. doi: 10.3389/ frsip.2023.1197619 [3] N. Islam and S. Shin, “Deep learning in physical layer: review on data driven endtoend communication systems and their enabling semantic applications,” IEEE Open Journal of the Communications Society, vol. 5, pp. 4207 – 4240, 2024. doi: 10.1109/ojcoms.2024.3425314 [4] I. V. Horbatyi and O. A. Usatyi, “ Comparative analysis of digital modulation classification methods based on deep neural networks (in Ukrainian),” Technology and Design in Electronic Equipment, no. 3 – 4, pp. 33 – 39, 2025. doi: 10.15222/TKEA2025.34.33 [5] C. M. Akujuobi, Wavelets and Wavelet Transform Systems and Their Applications: A Digital Signal Processing Approach. Cham, Switzerland: Springer, 2022, 644 p. doi: 10.1007/9783030875282 [6] I. V. Horbatyi and O. A. Usatyi, “Investigation of spread spectrum signal analysis methods in modern communication systems (in Ukrainian),” Information and Communication Technologies and Electronic Engineering, vol. 5, no. 1, pp. 125 – 135, 2025. doi: 10.23939/ictee2025.01.125 [7] M. T. Khan, A. Z. Sha’ameri, and M. M. A. Zabidi, “Classification of FHSS signals in a multisignal environment by artificial neural network,” International Journal of Computing and Digital Systems, vol. 11, no. 1, pp. 775 – 789, 2022. doi: 10.12785/ijcds/110163 DOI: 10.15222/TKEA2026.1.38 UDC 621.396.96+004.932 Ivan HORBATYI, Oleksandr USATYI Ukraine, Lviv Polytechnic National University NEURAL NETWORKBASED METHODS FOR SPREAD SPECTRUM SIGNAL CLASSIFICATION IN RADIO MONITORING SYSTEMS Automatic classification of spread spectrum signals — frequency-hopping, direct-sequence, and chirp — is a key task in modern radio monitoring systems, particularly relevant for distributed sensor networks with constrained computational resources. A critical review of existing approaches shows that none of the three generations of classification methods — classical deterministic, feature-based machine learning, and deep learning on time- frequency representations — simultaneously meets three essential requirements: high accuracy at negative signal-to- noise ratios, computational complexity below 10 5 multiply–accumulate operations per realization, and compatibility with integer arithmetic for embedded deployment. This paper proposes a method that addresses this gap through a compact, informative feature vector combining frequency-domain, time-frequency, and statistical characteristics. The informativeness of Hjorth parameters is theoretically justified via their analytical link to spectral moments of the power spectral density, enabling O(N) time-domain computation equivalent to frequency-domain analysis. A formalized ablation analysis with three quantitative selection criteria (individual significance, pairwise correlation below 0.7, and absence of negative contribution) yields a reduced vector of five components. Complexity analysis confirms approximately 3·104 operations per realization and 2 kB model memory in integer configuration — four orders of magnitude less than convolutional network– based approaches. Experimental evaluation of a multilayer perceptron classifier demonstrates stable accuracy above 91% across a wide SNR range, 93.2% at 20 dB and 87% at −10 dB, with negligible degradation under integer quantization, confirming practical applicability to embedded and distributed radio monitoring systems. Keywords: spread spectrum signals, digital radio signals, neural networks, integer quantization, radio monitoring, embedded systems. [8] T. HuynhThe, V.S. Doan, C.H. Hua, Q.V. Pham, T.V. Nguyen, and D.S. Kim, “Accurate LPI radar waveform recognition with CWDTFA for deep convolutional network,” IEEE Wireless Communications Letters, vol. 10, no. 8, pp. 1638 – 1642, 2021. doi: 10.1109/LWC.2021.3075880 [9] B. Jacob et al., “Quantization and training of neural networks for efficient integerarithmeticonly inference,” in Proc. IEEE Conf. Computer Vision and Pattern Recognition (CVPR), Salt Lake City, USA, 2018, pp. 2704 – 2713. doi: 10.1109/CVPR.2018.00286 [10] H. Zhao, D. Liu, and H. Li, “Efficient integerarithmeticonly convolutional neural networks,” arXiv preprint, arXiv:2006.11735, 2020. [Online]. Available: https://arxiv.org/abs/2006.11735 [11] A. Gholami, S. Kim, Z. Dong, Z. Yao, M. W. Mahoney, and K. Keutzer, “A survey of quantization methods for efficient neural network inference,” in Low-Power Computer Vision. Boca Raton, FL, USA: CRC Press, 2022, pp. 291 – 326. doi: 10.1201/978100316281013 [12] B. Hjorth, “EEG analysis based on time domain proper- ties,” Electroencephalography and Clinical Neurophysiology, vol. 29, no. 3, pp. 306–310, 1970. doi: 10.1016/00134694(70)901434 [13] W. H. Alawee, A. Basem, and L. A. AlHaddad, “Advancing biomedical engineering: Leveraging Hjorth features for electroencepha- lography signal analysis,” Journal of Electrical Bioimpedance, vol. 14, no. 1, pp. 66–72, 2023. doi: 10.2478/joeb20230009 [14] M. A. Richards, Fundamentals of Radar Signal Processing, 2nd ed. New York, NY, USA: McGrawHill, 2014, 656 p. [15] V. Maksimov and I. Khrapovitsky, “New composite Barker codes in the synchronization system of broadband signals,” Information and Telecommunication Sciences, no. 2, pp. 24 – 30, 2020. doi: 10.20535/2411 2976.22020.2430 Copyright: © 2026, The author(s). Licensee: Politekhperiodika, Odesa, Ukraine. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license (https://creativecommons.org/licenses/by/4.0/). Відомості про авторів Іван Горбатий, докт. техн. наук, професор, зав. кафедри, Львівська політехніка, Україна; еmail: giv@polynet.lviv.ua; ORCID: https://orcid.org/000000016495192X Олександр Усатий, аспірант, Львівська політехніка, Україна; еmail: oleksandr.a.usatyi@lpnu.ua; ORCID: https://orcid.org/000900073470702X About the authors Ivan Horbatyi, Dr.Sc., Professor, Head of Department, Lviv Polytechnic National University, Ukraine; еmail: giv@polynet.lviv.ua; ORCID: https://orcid.org/000000016495192X Oleksandr Usatyi, Ph.D. Student, Lviv Polytechnic National University, Ukraine; еmail: oleksandr.a.usatyi@lpnu.ua; ORCID: https://orcid.org/000900073470702X
id	oai:tkea.com.ua:article-893
institution	Technology and design in electronic equipment
keywords_txt_mv	keywords
language	Ukrainian
last_indexed	2026-08-05T01:00:32Z
publishDate	2026
publisher	PE "Politekhperiodika", Book and Journal Publishers
record_format	ojs
resource_txt_mv	wwwtkeacomua/ef/bb6383fd205d26757e5c2236056b92ef.pdf
spelling	oai:tkea.com.ua:article-8932026-08-04T12:58:56Z Neural network-based methods for spread spectrum signal classification in radio monitoring systems Методи нейромережевої класифікації сигналів із розширеним спектром у системах радіомоніторингу Horbatyi, Ivan Usatyi, Oleksandr spread spectrum signals digital radio signals neural networks integer quantization radio monitoring embedded systems сигнали з розширеним спектром цифрові радіосигнали нейронні мережі цілочисельна квантизація радіомоніторинг вбудовані системи Automatic classification of spread spectrum signals — frequency-hopping, direct-sequence, and chirp — is a key task in modern radio monitoring systems, particularly relevant for distributed sensor networks with constrained computational resources. A critical review of existing approaches shows that none of the three generations of classification methods — classical deterministic, feature-based machine learning, and deep learning on time-frequency representations — simultaneously meets three essential requirements: high accuracy at negative signal-to-noise ratios, computational complexity below 105 multiply–accumulate operations per realization, and compatibility with integer arithmetic for embedded deployment. This paper proposes a method that addresses this gap through a compact, informative feature vector combining frequency-domain, time-frequency, and statistical characteristics. The informativeness of Hjorth parameters is theoretically justified via their analytical link to spectral moments of the power spectral density, enabling O(N) time-domain computation equivalent to frequency-domain analysis. A formalized ablation analysis with three quantitative selection criteria (individual significance, pairwise correlation below 0.7, and absence of negative contribution) yields a reduced vector of five components. Complexity analysis confirms approximately 3·104 operations per realization and 2 kB model memory in integer configuration — four orders of magnitude less than convolutional network–based approaches. Experimental evaluation of a multilayer perceptron classifier demonstrates stable accuracy above 91% across a wide SNR range, 93.2% at 20 dB and 87% at −10&nbsp;dB, with negligible degradation under integer quantization, confirming practical applicability to embedded and distributed radio monitoring systems. У роботі розглянуто задачу автоматичної класифікації сигналів із розширеним спектром у системах радіомоніторингу, що функціонують на платформах з обмеженими обчислювальними ресурсами. Запропоновано компактний вектор інформативних ознак, який поєднує частотні, часово-частотні та статистичні характеристики. Теоретично обґрунтовано використання параметрів Гйорта на основі моментів спектральної щільності потужності. За результатами абляційного аналізу сформовано скорочений вектор із п’яти ознак. Побудовано нейромережевий класифікатор у форматах з рухомою та фіксованою комою. Досягнуто точність класифікації понад 91% у діапазоні відношення сигнал/шум від 0 до 20 дБ, що підтверджує ефективність запропонованого підходу для систем радіомоніторингу в реальному часі. PE "Politekhperiodika", Book and Journal Publishers 2026-06-30 Article Article Peer-reviewed Article application/pdf https://www.tkea.com.ua/index.php/journal/article/view/TKEA2026.1.38 10.15222/TKEA2026.1.38 Technology and design in electronic equipment; No. 1 (2026): Technology and design in electronic equipment; 38-44 Технологія та конструювання в електронній апаратурі; № 1 (2026): Технологія та конструювання в електронній апаратурі; 38-44 3083-6549 3083-6530 10.15222/TKEA2026.1 uk https://www.tkea.com.ua/index.php/journal/article/view/TKEA2026.1.38/1228 Copyright (c) 2026 Ivan Horbatyi, Oleksandr Usatyi http://creativecommons.org/licenses/by/4.0/
spellingShingle	сигнали з розширеним спектром цифрові радіосигнали нейронні мережі цілочисельна квантизація радіомоніторинг вбудовані системи Horbatyi, Ivan Usatyi, Oleksandr Методи нейромережевої класифікації сигналів із розширеним спектром у системах радіомоніторингу
title	Методи нейромережевої класифікації сигналів із розширеним спектром у системах радіомоніторингу
title_alt	Neural network-based methods for spread spectrum signal classification in radio monitoring systems
title_full	Методи нейромережевої класифікації сигналів із розширеним спектром у системах радіомоніторингу
title_fullStr	Методи нейромережевої класифікації сигналів із розширеним спектром у системах радіомоніторингу
title_full_unstemmed	Методи нейромережевої класифікації сигналів із розширеним спектром у системах радіомоніторингу
title_short	Методи нейромережевої класифікації сигналів із розширеним спектром у системах радіомоніторингу
title_sort	методи нейромережевої класифікації сигналів із розширеним спектром у системах радіомоніторингу
topic	сигнали з розширеним спектром цифрові радіосигнали нейронні мережі цілочисельна квантизація радіомоніторинг вбудовані системи
topic_facet	spread spectrum signals digital radio signals neural networks integer quantization radio monitoring embedded systems сигнали з розширеним спектром цифрові радіосигнали нейронні мережі цілочисельна квантизація радіомоніторинг вбудовані системи
url	https://www.tkea.com.ua/index.php/journal/article/view/TKEA2026.1.38
work_keys_str_mv	AT horbatyiivan neuralnetworkbasedmethodsforspreadspectrumsignalclassificationinradiomonitoringsystems AT usatyioleksandr neuralnetworkbasedmethodsforspreadspectrumsignalclassificationinradiomonitoringsystems AT horbatyiivan metodinejromereževoíklasifíkacíísignalívízrozširenimspektromusistemahradíomonítoringu AT usatyioleksandr metodinejromereževoíklasifíkacíísignalívízrozširenimspektromusistemahradíomonítoringu

Методи нейромережевої класифікації сигналів із розширеним спектром у системах радіомоніторингу

Репозитарії

Схожі ресурси