Обучение модели 1D-CNN для классификации состояний радиоканала и выявления RF-jamming

Abstract

В работе проводится исследование применения одномерной сверточной нейронной сети 1D-CNN, которая может автоматически обнаруживать помехи и попытки какого-либо стороннего воздействия на сигнал (RF-jamming), а также модель способна классифицировать состояния радиоканала. Входными данными для обучения и последующей проверки нейронной сети служит набор active_scan. Данный набор содержит три класса наблюдений: фоновые сигналы (чистый эфир), гауссовский шум (сплошной шум) и однотональные помехи (точечные помехи). Особенность данной нейронной сети в том, что она обучалась с нуля на подготовленных для нее входных данных, в отличие от подхода с дообучением какой-либо сохраненной ранее модели. Для повышения натренированности модели и снижения риска переобучения в работе к входным данным после нормализации был добавлен искусственный шум. Данное действие позволило нейросети даже в самых непростых условиях выделять именно важные признаки, а также предостерегло ее от переобучения (overfitting) и дальнейших грубых ошибок. По итогу точность нашей модели составила 88,89 % на тестовой выборке. Такой процент подтверждает эффективность применения 1D-CNN в качестве отличного учебного прототипа для защиты радиосвязи от различных атак и для обнаружения аномальных состояний радиоканала.