Phân đoạn và tái tạo tín hiệu vô tuyến khi có nhiễu sử dụng mạng nơ ron FoT-Unet
DOI:
https://doi.org/10.54939/1859-1043.j.mst.110.2026.45-54Từ khóa:
Gây nhiễu RF; Phân đoạn phổ; UNet; Tái tạo tín hiệu; Phân tích thời gian-tần số; Học sâu.Tóm tắt
Sự phổ biến ngày càng tăng của gây nhiễu vô tuyến cố ý đặt ra những thách thức đáng kể cho việc giám sát phổ tần và tái tạo tín hiệu trong các môi trường can nhiễu phức tạp. Bài báo này đề xuất FoT-UNet, một mô hình học sâu hai giai đoạn để phân đoạn phổ thời gian-tần số và tái tạo các tín hiệu bị gây nhiễu. Trong giai đoạn đầu tiên, FoT-UNet-Seg thực hiện phân đoạn nhiễu vô tuyến trên các ảnh phổ biến đổi Fourier thời gian ngắn (STFT) kích thước 256×256×1, sử dụng hàm mất mát Focal-Tversky để tăng cường độ nhạy với các vùng bị gây nhiễu nhỏ. Giai đoạn thứ hai, FoT-UNet-Recon, tận dụng các đặc trưng phổ đã được làm sạch để tái tạo phổ gốc, được tối ưu hóa bằng cách sử dụng lỗi tuyệt đối trung bình (MAE) nhằm giảm thiểu méo biên độ. Các thử nghiệm trên tập dữ liệu 30.000 mẫu cho thấy FoT-UNet-Seg đạt IoU = 0,9933, F1 = 0,9966 và Precision = 0,9971, với thời gian xử lý trung bình khoảng 13,9 ms mỗi ảnh và có 10,9 triệu tham số. Mạng tái tạo đạt MAE = 0,0801, MSE = 0,0125, PSNR = 20,04 dB và SSIM = 0,7357, cho thấy khả năng khôi phục chính xác các mẫu phổ ngay cả trong điều kiện nhiễu xung (burst) băng rộng. Khi so sánh, phương pháp đề xuất của chúng tôi cho thấy hiệu năng tốt hơn một số phương pháp khác khi thực hiện cùng một nhiệm vụ.
Tài liệu tham khảo
[1]. Malik, T. A. Alghamdi, M. A. Al-Harthi, and H. Alshahrani. “Radio Frequency Interference, Its Mitigation and Its Propagation in GNSS”. Electronics, vol. 14, no. 12, p. 2483, (2025). DOI: 10.3390/electronics14122483.
[2]. H. Pirayesh and H. Zeng. “Jamming Attacks and Anti-Jamming Strategies in Wireless Networks: A Comprehensive Survey”. IEEE Communications Surveys & Tutorials, vol. 24, no. 2, pp. 767–809, (2022). DOI: 10.1109/COMST.2022.3155640.
[3]. A. S. Aldhaeebi, M. A. Altahrawi, and H. M. Alghamdi. “Mitigation of Chirp Jamming with Three Types of Neural Networks”. Proc. Int. Conf. on Computer Engineering and Systems, (2021).
[4]. S. H. Kiani, N. S. Khan, and M. Qureshi. “Taxonomy of Physical Layer Jamming Techniques”. TechRxiv preprint, (2023).
[5]. H. Calatrava, E. Fernandez, and M. Martin. “Robust Interference Mitigation in GNSS Snapshot Receivers”. Navigation: Journal of the Institute of Navigation, vol. 72, no. 2, pp. 201–216, (2025). DOI: 10.33012/navi.699.
[6]. Z. Guan, J. Zhang, and H. Wang. “Retrospection of Nonlinear Adaptive Algorithm-Based Signal Enhancement”. Sensors, vol. 22, no. 5, p. 1885, (2022). DOI: 10.3390/s22051885.
[7]. C.-L. Liao and J.-J. Ding. “Enhanced Adaptive Wiener Filtering for Frequency-Varying Noise”. Applied Sciences, vol. 9, no. 2, p. 47, (2025). DOI: 10.3390/app9020047.
[8]. J. Akeret, C. Chang, A. Lucchi, and A. Refregier. “Radio Frequency Interference Mitigation Using Deep Convolutional Neural Networks”. Astronomy and Computing, vol. 18, pp. 35–39, (2017). DOI: 10.1016/j.ascom.2016.10.001.
[9]. A. Vafaei Sadr, A. Sadr, M. Heydari, and A. Refregier. “Deep Learning Improves Identification of Radio Frequency Interference”. arXiv preprint, arXiv:2005.08992, (2020).
[10]. S. Siddharth. “Real-World Wireless Communication Dataset”. Kaggle Open Data Platform, [Online] Available: https://www.kaggle.com/datasets/siddharthsahoo/real-world-wireless-communication-dataset, (2023).
[11]. N. Abraham and N. Mefraz Khan. “A Novel Focal Tversky Loss Function with Improved Attention U-Net for Lesion Segmentation”. Proc. IEEE Int. Symp. on Biomedical Imaging (ISBI), pp. 683–687, (2019). DOI: 10.1109/ISBI.2019.8759329.
[12]. R. Q. Yan, C. Dai, W. Liu, J. X. Li, S. Y. Chen, X. C. Yu, S. F. Zuo, and X. L. Chen. “Radio-frequency interference detection based on the AC-U-Net network model with atrous convolution”. Research in Astronomy and Astrophysics, vol. 21, no. 5, pp. 1–13, (2021). DOI: 10.1088/1674-4527/21/5/119.
[13]. Z. Wang, J. Zhao, and X. Li. “Smart Interference Segmentation Network for Space-Borne SAR Images”. Remote Sensing, vol. 15, no. 23, article 5462, (2023). DOI: 10.3390/rs15235462.
[14]. F. Zheng, Z. Zhang, and D. Zhang. “Lightweight deep neural network for radio frequency interference detection and segmentation in synthetic aperture radar”. Scientific Reports, vol. 14, article 20685, (2024). DOI: 10.1038/s41598-024-71775-8.
[15]. F. Gu, L. Hao, B. Liang, S. Feng, S. Wei, W. Dai, Y. Xu, Z. Li, and Y. Dao. “Radio Frequency Interference Detection Using Efficient Multi-Scale Convolutional Attention UNet”. arXiv preprint arXiv:2404.00277, (2024), available: https://arxiv.org/abs/2404.00277.
