XVIII Международная студенческая научная конференция Студенческий научный форум - 2026

Современные системы анализа радиоэфира активно интегрируют методы глубокого обучения и свёрточных нейронных сетей, что даёт возможности для обработки частотно‑временных спектрограмм и извлечения важных данных об атмосферных явлениях - их типе, времени возникновения и частотном диапазоне. Ключевым элементом выступают частотно‑временные спектрограммы, формируемые на основе электромагнитных сигналов, регистрируемых устройствами типа ELMAVAN‑G. Для анализа применяются различные технологические подходы, среди которых особо выделяется архитектура YOLO (You Only Look Once), как один из наиболее эффективных инструментов для автоматического обнаружения объектов на спектрограммах радиоэфира. Её принципиальное отличие от многоэтапных алгоритмов заключается в обработке изображения за единый проход, что обеспечивает исключительную скорость работы и возможность анализа в режиме реального времени.

Алгоритм YOLO работает следующим образом: изображение делится на сетку, каждая ячейка предсказывает объекты и параметры их ограничивающих прямоугольников. Затем определяется класс и вероятность принадлежности объектов. Для устранения дублирующих рамок применяется NMS. Архитектура сети включает три уровня: «позвоночник» с CNN для выделения признаков, «шея» с промежуточными слоями и «голова» для финальных предсказаний. В YOLOv5 внедрены улучшения: CSP для снижения нагрузки, SPP для расширения контекста и PANet для детектирования объектов разных масштабов. Для анализа спектрограмм YOLO адаптируется следующим образом: настраивается размер входного изображения, пороговые значения и гиперпараметры под радиосигналы. Ключевые преимущества YOLO в радио мониторинге — масштабируемость и универсальность для различных задач.

Реализация системы автоматической детекции включает подготовку данных: извлечение частотно-временных спектрограмм, предварительную обработку (фильтрацию и нормализацию), а также маркировку данных (вручную или с помощью краудсорсинга) для создания обучающей выборки. Затем выбирается и настраивается метод обнаружения, включая YOLO, кластеризацию (например, спектральную) и методы уменьшения размерности (UMAP, t-SNE). Это позволяет группировать данные, выделять аномальные сигналы и визуализировать их для точной идентификации в частотно-временном пространстве.

Технология TriggerScan™ в цифровых осциллографах обнаруживает редкие аномалии в высокочастотных сигналах. Преимущества: выявление аномалий, недоступных традиционным методам, и анализ поведения объекта до и после аномалии благодаря длинной памяти осциллографа. Обучение модели включает работу с размеченными данными, настройку гиперпараметров и тестирование на отложенной выборке. После обнаружения аномалии они подсвечиваются для визуального выделения. Постобработка данных извлекает информацию об аномалиях: время, частоту излучения и координаты на спектрограмме. Результаты визуализируются для анализа. Система реализована на Python с использованием TensorFlow, Keras, UMAP, t-SNE, Scikit-learn, Pandas, NumPy и Jupyter Notebook. Это обеспечивает высокую скорость обработки, работу в реальном времени и гибкость для переобучения модели под новые данные.

Сфера применения данных методов и инструментов выходит за рамки анализа атмосферных явлений. Интеграция передовых технологий машинного обучения в системы радио мониторинга, таких как YOLO, методы кластеризации и технология TriggerScan™, открывает перспективы для обнаружения и анализа аномалий, повышая точность и оперативность реагирования на изменения в радиоэфире и представляя собой комплексный подход к созданию современного «цифрового радио шпиона».

1. Регистрация редких аномалий в высокочастотном сигнале с использованием режима синхронизации TriggerScan™ [Электронныйресурс]/URL: https://prist.ru/library/stati/registraciya_redkih_anomaliy_v_vysokochastotnom_signale_s_ispolzovaniem_rejima_sinhronizacii_trigger/

2. Maslej-Krešňáková et al. Automatic detection of atmospheric phenomena and changes in atmospheric phenomena on radio spectrograms based on a deep learning approach [Текст] / Maslej-Krešňáková et al. — AGU.

3. Янг, Х. Поиск кратковременных радиоаналогий с использованием нелинейных методов уменьшения размерности [Текст] / Х. Янг // Обсерватория Пурпурной горы, Китайская академия наук, Нанкин 210023, Китай, 10 января 2025.

4. Биаги, П. Ф. Предсейсмическая аномалия в радиосигнале наземной волны (2416 кГц) [Текст] / П. Ф. Биаги // Физический факультет Университета Бари, Via Amendola, 173, 70126 Бари, Италия.