Adaptive Method of Forming Complex Signals Ensembles Based on Multi-Level Recurrent Time-Frequency Segment Modeling

Abstract

EN: The article investigates the implementation of an adaptive method for forming ensembles of complex signals based on multilevel recurrent time-frequency segmentation. It addresses the key challenges faced by cognitive wireless networks operating in dynamic radio frequency environments with high levels of interference, necessitating rapid adaptation to changes in the spectral characteristics of signals. The study substantiates the need for adaptive filters and specific transformations to enhance signal processing quality, particularly in environments with high variability in frequency characteristics and significant noise interference.

The proposed method of multilevel recurrent time-frequency segmentation allows for the modification of time segment durations and the use of segments of varying lengths, providing flexibility in signal processing and adaptation to current conditions. This adaptability enables optimal signal processing for each individual case, taking into account short-term impulses, long-term fluctuations, and various types of noise and distortions. This approach effectively separates frequency components and reduces interference between them, which is crucial for maintaining high signal quality and communication stability in cognitive networks.

It has been proven that the use of adaptive filters such as LMS (Least Mean Squares) and RLS (Recursive Least Squares), as well as fast Fourier Transform (STFT), wavelet, and Hilbert transforms at different stages of multilevel time-frequency segmentation, significantly enhances signal interference resistance and energy efficiency. Comparative analysis of signal metrics before and after filtering and transformation shows an increase in signal quality by 14,3–24,5% and a reduction in noise levels by 21,7–29,6%. The wavelet transform, in particular, proved to be highly effective, allowing for precise extraction of useful frequency components from the noise background and improving signal parameters through dynamic adjustment to specific radio environment conditions. Experimental results confirm the effectiveness of the proposed method, demonstrating its ability to ensure consistently high-quality processing of complex signal ensembles even in dynamic cognitive radio environments.

UA: У статті досліджено впровадження адаптивного методу формування ансамблів складних сигналів, заснованого на багаторівневому рекурентному часово-частотному сегментуванні. Розглянуто основні проблеми в когнітивних безпроводових мережах в умовах динамічних радіочастотних середовищах з високим рівнем інтерференції, що потребує швидкої адаптації до змін у спектральних характеристиках сигналів. Обґрунтовано необхідність використання адаптивних фільтрів та специфічних перетворень для покращення якості обробки сигналів, зокрема у середовищах з високою варіативністю частотних характеристик і наявністю потужних завад.

Запропонований метод багаторівневого рекурентного часово-частотного сегментування дозволяє змінювати тривалість часових сегментів і використовувати сегменти неоднакової довжини, що забезпечує гнучкість у процесі обробки сигналів та їх адаптацію до поточних умов. Така адаптивність дозволяє оптимально налаштовувати обробку для кожного окремого випадку, враховуючи короткочасні імпульси, довготривалі коливання, а також різноманітні типи завад та спотворень. Це забезпечує ефективне розділення частотних компонентів і зниження рівня інтерференції між ними, що є особливо важливим для забезпечення високої якості сигналу та стабільності зв’язку в когнітивних мережах.

Доведено, що застосування адаптивних фільтрів, таких як LMS та RLS, а також швидкого перетвореня STFT Фур'є, вейвлет і Гільберта на різних етапах багаторівневої часово-частотної сегментації значно підвищує завадостійкість та енергетичну ефективність обробки сигналів. Проведений порівняльний аналіз показників до та після фільтрації та перетворень демонструє збільшення якості сигналів на 14,3–24,5% та зниження рівня шуму на 21,7–29,6%. Особливо ефективним виявилося використання вейвлет-перетворення, яке дозволяє точно виділяти корисні частотні компоненти з шумового фону, покращуючи параметри сигналу за рахунок динамічного налаштування під конкретні умови радіосередовища.

Експериментальні результати підтверджують ефективність запропонованого методу, показуючи його здатність забезпечити стабільно високу якість обробки ансамблів складних сигналів навіть у динамічному когнітивному радіосередовищі.