Российские ученые разработали метод объяснимой классификации радиосигналов

Специалисты кафедры «Автоматизированные системы управления» МАДИ совместно с коллегами из РТУ МИРЭА представили метод XAMC — объяснимый автоматический классификатор модуляции радиосигналов. Разработка предназначена для систем радиомониторинга, когнитивного радио и адаптивной связи.

В современных системах управления транспортной инфраструктурой особую роль играет доверие оператора к автоматике. Глубокие нейронные сети показывают высокую точность распознавания сигналов, однако работают по принципу «черного ящика», не предоставляя информации о логике принятия решений. Новый метод решает эту задачу, делая работу искусственного интеллекта прозрачной, понятной и верифицируемой для инженеров.

Метод XAMC использует комбинированный подход к анализу данных. В ходе обработки из исходного радиосигнала извлекаются классические физические параметры цифровой обработки, среди которых: фазовые состояния, структура созвездия, вариация огибающей, спектральная энтропия и статистические моменты высших порядков. Эти числовые характеристики преобразуются в инженерно-интерпретируемые «концепт-токены» и подаются на вход NLP-подобному классификатору.

В результате система выдает не только метку класса модуляции, но и текстовое описание физических признаков, послуживших основанием для вывода. Если в эфире появляется нестандартный сигнал, система зафиксирует высокую спектральную энтропию и низкую автокорреляцию, отнеся его к категории неизвестных.

Авторы подтвердили эффективность метода на корпусе из шести классов модуляции (BPSK, QPSK, 8PSK, 16QAM, 64QAM, GFSK) при отношении сигнал/шум от −10 до +10 дБ. Точность классификации достигла 90,1 % в благоприятных условиях и сохранилась на уровне 67,9 % при сильном зашумлении, а интегральный показатель качества macro-F1 составил 67,6 %. При этом способность алгоритма выявлять принципиально новые, неизвестные сигналы достигла 83,2 %, что значительно превосходит результаты классических алгоритмов машинного обучения, таких как SVM и MLP.

По словам разработчиков, ключевое преимущество нового метода заключается в обеспечении полной аудируемости процесса классификации. Инженер-оператор получает возможность в реальном времени проверять решения системы, убеждаясь в соответствии между выданной меткой и фактическими физическими признаками сигнала. Это создает надежный фундамент для внедрения автоматизированных комплексов в транспортно-дорожном комплексе, выстраивая полноценное доверие между человеком и машиной.

Ученые отмечают, что текущий этап валидации успешно пройден на синтетических наборах данных, что доказало высокую жизнеспособность концепции. Дальнейшее масштабирование проекта предполагает адаптацию алгоритма для работы с реальными эфирными записями и тестирование в условиях многолучевого затухания сигнала, что станет закономерным шагом к полноценному промышленному внедрению технологии.

Источник: Официальный ресурс Министерства образования и науки Российской Федерации