ГЕНЕРАЦІЯ СИНТЕТИЧНИХ РАДІОЧАСТОТНИХ СИГНАЛІВ ДЛЯ НАВЧАННЯ МОДЕЛЕЙ ГЛИБОКОГО НАВЧАННЯ У СЦЕНАРІЯХ ЕЛЕКТРОННОЇ БОРОТЬБИ
DOI:
https://doi.org/10.17721/2519-481X/2026/90-01Ключові слова:
синтетичні RF-сигнали, генеративні моделі, VQ-VAE, Transformer, аугментація даних, завади, електронна боротьба, класифікація модуляціїАнотація
Розвиток стійких систем дистанційної локалізації та аналізу потужних сигналів завад і протидії критично залежить від наявності великих і різноманітних навчальних наборів даних. Традиційний збір даних за допомогою професійного радіообладнання та польових випробувань є дорогим, тривалим і часто обмеженим технічними та регуляторними чинниками. Синтетичне генерування радіочастотних сигналів із використанням сучасних генеративних моделей глибокого навчання пропонує привабливу альтернативу: моделі навчаються статистичній структурі реальних сигналів і каналів, а потім формують реалістичні послідовності I/Q із керованими параметрами.
У цій статті запропоновано метод синтезу RF-сигналів на основі VQ-VAE у поєднанні з авторегресивним Transformer. Запропонована схема навчається розподілу реальних RF-сигналів і генерує синтетичні послідовності, умовно задані типом модуляції, відношенням сигнал/шум (SNR) та каналом поширення. Експериментальні результати на наборі з 500 000 комплексних послідовностей показали, що архітектура VQ-VAE + Transformer досягає середньоквадратичної похибки реконструкції (MSE) 0.0245 та кореляції спектрограм 0.948, перевершуючи базові моделі GAN, VAE, WGAN і diffusion за якістю та часом навчання.
Посилання
1. Parallax Advanced Research (2025) Cognitive Electronic Warfare and the Fight for Spectrum Superiority.
2. Inzpire (2024) The future is now: machine learning in electromagnetic warfare.
3. Mind UA (2024) РЕБ: що це і як засоби радіоелектронної боротьби протидіють ворожим ракетам.
4. Goodfellow, I. et al. (2014) 'Generative Adversarial Nets', NeurIPS.
5. Kingma, D. P. and Welling, M. (2014) 'Auto-Encoding Variational Bayes', ICLR.
6. Clark, W. H. et al. (2020) 'Training Data Augmentation for Deep Learning Radio Modulation Classification', arXiv.
7. Ho, J. et al. (2020) 'Denoising Diffusion Probabilistic Models', NeurIPS.
8. van den Oord, A. et al. (2017) 'Neural Discrete Representation Learning', NeurIPS.
9. Razavi, A. et al. (2019) 'Generating Diverse High-Fidelity Images with VQ-VAE-2', NeurIPS.
10. Kaasaragadda, Y. et al. (2025) Efficient Signal Synthesis for Data Augmentation using Generative AI.
11. Liu, K. et al. (2022) 'Radio Frequency Database Construction and Modulation Recognition', IEEE Sensors Journal.
12. Sormayli, J. et al. (2025) 'Real-Time Jamming Detection Using Windowing and Hybrid Models', Scientific Reports.
13. HSC (2025) Які бувають види РЕБ.
14. Morehouse, T. et al. (2023) 'Faster Region-Based CNN Spectrum Sensing', arXiv.
15. Chen, M. et al. (2023) 'Performance Analysis of Deep Neural Networks for Direction of Arrival Estimation', IEEE.
16. Panoradio (2025) Overview of Open Datasets for RF Signal Classification.
17. IEEE (2013) 802.11ac: Physical Layer Specifications.
18. CRFS (2024) Radio Direction Finding Techniques and Applications for EW and SIGINT.
19. Quasar (2024) Direction Finding and Geolocation Solutions.
20. Riyaz, S. et al. (2018) 'Deep Learning Convolutional Neural Networks for Radio Fingerprinting', IEEE Communications Magazine.
21. Caillon, A. et al. (2021) 'RAVE: a variational autoencoder for fast and high-quality audio synthesis', ICLR.
22. Sohl-Dickstein, J. et al. (2015) 'Deep Unsupervised Learning using Nonequilibrium Thermodynamics', ICML.
23. Chi G., Yang Z., Wu C., Xu J., Gao Y., Liu Y., Han T. X. RF-Diffusion: Radio Signal Generation via Time-Frequency Diffusion // Proceedings of the 30th Annual International Conference on Mobile Computing and Networking (ACM MobiCom’24). New York : Association for Computing Machinery, 2024. doi: 10.1145/3636534.3649348.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 К.О. Долінчук (Автор)
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
