Привет, дорогие читатели! Полезная Нагрузка на связи👋

🤔 Давайте продолжим разбирать не спеша ИИ/LLM/VLM/CV/ML в прикладном характере. В данной публикации - будет рассмотрено в ключе радиоразведки(продолжим предыдущие публикации про TorchSig: тут, тут и тут), где редактор Полезной Нагрузки уже на многих этапах использует локальные модели.

Ключевой архитектурный момент, который часто упускают: требование в примерно 1 ТБ в контексте TorchSig - это дисковое пространство под статически записанный датасет через Zarr, а не под веса модели; в версии 2.0 введён класс TorchSigIterableDataset, который генерирует образцы "на лету" через оператор next() без записи на диск - тем самым проблема 1 ТБ снимается при правильной конфигурации, а через механизм BYOD (ExternalFileHandler -> ExternalTorchSigDataset) реальные перехваченные I/Q-записи подаются в тот же пайплайн аугментации что и синтетика; далее сигнал обогащается 14 трансформами аппаратных нелинейностей (фазовый шум несущей, дрейф тактовой, интермодуляционные продукты 3-го/5-го порядка, дисбаланс I/Q, нелинейный усилитель с гиперболической моделью компрессии, квантование с расчётом реального ENOB и так далее) с раздельными цепочками применения для тракта передачи и приёма - это критично для доменной рандомизации, иначе модель переобучается на "учебниковые" сигналы.

Прикладной нюанс по базовому датасету Sig53: более 6 миллионов примеров по 53 классам модуляции, каждый пример - 4096 комплексных I/Q-отсчётов, диапазон отношения сигнал/шум от -2 до +30 дБ (именно Es/N0, а не Eb/N0 - это принципиально: при Eb/N0-определении высокопорядковые модуляции, например 1024QAM, получают завышенный уровень мощности, что создаёт нежелательные "ярлыки" при обучении); экспериментально подтверждено, что почти все ошибки классификации происходят внутри семейств модуляций (QAM-против-QAM, FSK-против-FSK), а не между семействами - матрицы ошибок XCiT-Tiny12 и EfficientNet-B4 показывают практически нулевую межсемейственную путаницу, что прикладно означает: модель надёжно разграничивает принципиально разные типы сигналов даже при зашумлении.

На выходе - спектрограмма 1024×1024 (STFT, именно этот формат использует штатный gr-spectrumdetect с YOLOv8x, достигший mAP50-95 = 89,3% на зашумлённом Sig53), которая подаётся в визуальный энкодер Qwen3.5-9B (нативно мультимодальный согласно официальному анонсу серии); дообучение через LoRA/QLoRA позволяет получить специализированный чекпоинт весом примерно 15-20 ГБ под конкретные классы эмиссий беспилотных систем из 57 модуляционных вариантов TorchSig (QAM, OFDM, FSK, FM и другие) - при этом Qwen3.5-4B позиционируется как "surprisingly strong multimodal base for lightweight agents", что прикладно означает инференс на носимом или бортовом вычислителе без облачной зависимости, а текстовый декодер выдаёт структурированный вывод: класс модуляции, аномалия, временно-частотные параметры пакета.

Вчера был опубликована серия небольших моделей Qwen 3.5(Qwen3.5-0.8B, Qwen3.5-2B, Qwen3.5-4B и Qwen3.5-9B): Hugging Face и ModelScope.

Также, недавно вышла версия TorchSig - 2.1.0(структурный рефакторинг):
🔗 DatasetMetadata - удалён; SignalBuilder - переименован в BaseSignalGenerator; оба заменены на HierarchicalMetadataObject для унифицированной обработки метаданных на уровне датасета и генераторов сигналов
🔗 StaticDataset и CustomDataset - объединены в один класс
🔗 Модули models и image_datasets - вырезаны из основного репозитория; отдельный репозиторий torchsig-models анонсирован, но на момент релиза не опубликован
🔗 Технические правки: зависимость от zarr убрана из импортов, переход на numpy > 2, устранено 411 ошибок сборки документации на ReadTheDocs

При переходе с 2.0.0 на 2.1.0 потребуется переписать инициализацию датасетов - старые вызовы DatasetMetadata() сломаются; архитектура стала чище для расширения под кастомные типы сигналов, что важно при интеграции собственных BYOD-перехватов.

⭐️ Полезная Нагрузка

Цель работы – исследование систем распознавания сигналов радиоэфира.

Объектом исследования являются системы распознавания сигналов радиоэфира, а предметом исследования – методы классификации наиболее популярных сигналов радиоэфира.

Результат работы – проведены эксперименты, выбрана модель классификации, позволяющая обеспечивать заданную точность.
Область применения результатов: для определения модуляции принятого сигнала, анализе радиоэфира. Результаты исследования позволят повысить качество процесса обработки сигналов и уменьшить расходы на аппаратную часть.

📡Решение задач классификации радиосигналов по типу модуляции с использованием методов машинного обучения.

з.ы.: в приложениях к данной выпускной квалификационной работе Шалагина Дмитрия есть и код установки инструментария TorchSig и генерации датасета, а также исходники для работы с моделями машинного обучения. Только не забывайте нюансы, которые мы указали в предыдущих публикациях, связанные с выходом версий 2.0.0 и 2.1.0.

⭐️ Полезная Нагрузка