Фильтрация сложных сигналов на основе двухуровневой нечетко-логической модели

Цель исследования. Разработка метода фильтрации и бинаризации сложных аналоговых радиосигналов, таких как сигнал автоматического зависимого наблюдения-вещания (АЗН-В), позволяющих повысить чувствительность приемника сигнала АЗН-В и увеличить количество корректно декодированных принятых сообщений.

Методы. Для решения поставленной задачи в работе были применены основы теории фильтрации сигналов и теории нечетких множеств. Предложенный метод основан на совмещении фильтрации сигнала с помощью известных фильтров и двухуровневой нечеткой модели. Первый и второй уровень нечеткой модели содержат три операции: автоматического формирования функций принадлежности, композиционного вывода и дефаззификации. Входные переменные обоих уровней задаются трапециевидными функциями принадлежности. На первом уровне они формируются автоматически в зависимости от характеристик сложного сигнала. Функция вывода на первом уровне задается одноэлементной функцией, а дефаззификация выполняется с использованием упрощенной модели центра тяжести.

Результаты. Предложенный метод был реализован в разработанном устройстве на базе программируемой логической интегральной схемы (ПЛИС). Кроме фильтрации, разработанное устройство реализует все функции обработки сигнала, такие как: прием входных данных, декодирование, проверка корректности декодированных данных, хранение и передача сообщений АЗН-В для дальнейшей обработки. Отличительной особенностью устройства являются малые габариты и небольшое энергопотребление, что позволяет использовать его в малых космических аппаратах (МКА) и беспилотных летательных аппаратах.

Заключение. Рассмотрен метод фильтрации сложных сигналов на основе нечетко-логической модели, который может применяться для фильтрации сложных сигналов, таких, как сообщения АЗН-В в модулях МКА. Предложенная реализация метода фильтрации позволяет повысить чувствительность приемника сигнала АЗН-В примерно на 20% и правильно декодировать принятый сигнал. Метод был реализован устройством на базе ПЛИС, что позволило уменьшить габариты и энергопотребление по сравнению с аналогами.

1. Ghosh S.K., Ghosh A., Bhattacharyya S. Recognition of cancer mediating biomarkers using rough approximations enabled intuitionistic fuzzy soft sets based similarity measure // Applied Soft Computing, 2022. Vol. 124. P. 109052. https://doi.org/10.1016/ j.asoc.2022.109052.

2. Piegat A. Fuzzy Modelling and Control. Physica-Verlag. Heidelberg. 2001, 728 p. https://doi.org/10.1007/978-3-7908-1824-6.

3. Bobyr M., Yakushev A., Dorodnykh A. Fuzzy devices for cooling the cutting tool of the CNC machine implemented on FPGA // Measurement: Journal of the International Measurement Confederation. 2020. Vol. 152. P. 107378. https://doi.org/10.1016/j.measurement.2019.107378.

4. Bobyr M., Milostnaya N., Bulatnikov V. The fuzzy filter based on the method of areas’ ratio // Applied Soft Computing. 2022. Vol. 117. Pp. 108449. https://doi.org/10.1016/j.asoc.2022.108449.

5. Ganjeh-Alamdari M., Alikhani R., Perfilieva I. Fuzzy logic approach in salt and pepper noise // Computers and Electrical Engineering. 2022. Vol. 102. P. 108264. https://doi.org/10.1016/j.compeleceng.2022.108264.

6. Rizaner A., Ulusoy A. H., Amca H. Adaptive fuzzy assisted detector under impulsive noise for DVB-T systems // Optik. 2016. Vol.127(13). Pp. 5196–5199. https://doi.org/10.1016/j.ijleo.2016.02.079.

7. Engelberg S. Digital signal processing. Springer London. 2008. 212 P. https://doi.org/10.1007/978-1-84800-119-0.

8. Deergha Rao K., Swamy M.N.S. Digital signal processing. Springer Singapore. 2018. 789 p. https://doi.org/10.1007/978-981-10-8081-4.

9. Lin Y. D., Tan Y. K., Tian B. A novel approach for decomposition of biomedical signals in different applications based on data-adaptive Gaussian average filtering // Biomedical Signal Processing and Control. 2022. Vol. 71(A). P. 103104. https://doi.org/ 10.1016/j.bspc.2021.103104.

10. Tay D. Sensor network data denoising via recursive graph median filters // Signal Processing. 2021. Vol. 189. P. 108302. https://doi.org/10.1016/j.sigpro.2021.108302.

11. Sharma S., Kulkarni R., Ajithaprasad S., Gannavarpu R. Fringe pattern normalization algorithm using Kalman filter // Results in Optics. 2021. Vol. 5. P. 100152. https://doi.org/10.1016/j.rio.2021.100152.

12. Patali P., Kassim S. High throughput and energy efficient linear phase FIR filter architectures // Microprocessors and Microsystems. 2021. Vol. 87. P. 104367. https://doi.org/10.1016/j.micpro.2021.104367.

13. Sun J., Wang Y., Shen Y., Lu S. Multisegment optimization design of variable fractional delay FIR filters // Digital Signal Processing. 2021. Vol. 112. P. 103005. https://doi.org/10.1016/j.dsp.2021.103005.

14. Paquelet S., Vincent S. On the symmetry of FIR filter with linear phase // Digital Signal Processing. 2018. Vol. 81. P. 57-60. https://doi.org/10.1016/j.dsp.2018.07.011.

15. Design of a nearly linear-phase IIR filter and JPEG compression ECG signal in realtime system / N. Bui, T. Nguyen, S. Park, J. Choi, T. Vo, Y. Kang, J. Oh // Biomedical Signal Processing and Control, 2021. Vol. 67. P. 102431. https://doi.org/10.1016/j.bspc.2021.102431.

16. Бобырь М.В., Архипов А.Е., Якушев А.С. Распознавание оттенка цветовой метки на основе нечёткой кластеризации // Информатика и автоматизация. 2021. Т. 20. № 2. С. 407-434. https://doi.org/10.15622/ia.2021.20.2.6.

17. Bobyr M., Kulabukhov S., Milostnaya N. Fuzzy control system of robot angular attitude // In. 2nd International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). 2016. Pp. 1-6. https://doi.org/10.1109/ICIEAM.2016.7910970.

18. Bobyr M., Titov V., Belyaev A. Fuzzy System of Distribution of Braking Forces on the Engines of a Mobile Robot // In MATEC Web of Conferences. 2016. Vol. 79. https://doi.org/10.1051/matecconf/20167901052.

19. Бобырь М.В., Кулабухов С.А. Моделирование процесса управления температурным режимом в зоне резания на основе нечеткой логики // Проблемы машиностроения и надежности машин. 2017. №3. С. 76–82.

20. Performance metrics in machine learning. URL: https://www.javatpoint.com/ performance-metrics-in-machine-learning.