Сообщение

Главная

Моделирование методов машинного обучения для улучшения качества связи в коротковолновом канале радиосвязи

 
 orcid Исаков Михаил Владимирович,  orcid Симонина Ольга Александровна

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича,
Санкт-Петербург, 193232, Российская Федерация

Исследование выполнено без привлечения внешних источников финансирования.

DOI 10.31854/2307-1303-2025-13-4-54-70

EDN NASEQO

 Полный текст

XML JATS

Аннотация

Актуальность. В настоящее время коротковолновый диапазон по-прежнему сохраняет свою значимость как экономически эффективное решение для дальней связи. При этом существует ряд проблем в области методов повышения эффективности коротковолновых каналов в условиях сложной ионосферной обстановки. Применение технологий машинного обучения открывает новые возможности для улучшения качества связи. Цель исследования ‒ повышение качества связи в коротковолновом канале связи посредством применения методов машинного обучения для демодуляции сигналов с использованием технологий OFDM. Методы исследования: моделирование LSTM-сетей для прогнозирования ионосферных параметров, применение сверточных сетей (CNN) и многослойных перцептронов (MLP) для демодуляции сигналов. Научная новизна состоит в комплексном подходе к улучшению качества связи в коротковолновом канале связи, объединяющем прогнозирование ионосферных параметров с методами машинного обучения для демодуляции сигналов. Результаты исследования. Применение CNN-демодуляторов обеспечивает наилучшее качество приема сигналов при низких значениях отношения сигнал / шум, демонстрируя выигрыш до 2,5 дБ по сравнению с классическим корреляционным методом. LSTM-сети показали высокую эффективность в прогнозировании максимально применимых частот и других ионосферных параметров. Практическая значимость: разработаны методы повышения качества связи в коротковолновом диапазоне, которые могут быть использованы для создания адаптивных систем радиосвязи с автоматическим выбором рабочих частот и параметров модуляции.

Ключевые слова

коротковолновая связь, OFDM, машинное обучение, LSTM-сети, CNN, MLP, демодуляция, прогнозирование ионосферы, качество связи

Библиографическая ссылка на статью

Исаков М. В., Симонина О. А. Моделирование методов машинного обучения для улучшения качества связи в коротковолновом канале радиосвязи // Информационные технологии и телекоммуникации. 2025. Т. 13. № 4. С. 54‒70. DOI: 10.31854/2307-1303-2025-13-4-54-70. EDN: NASEQO

Reference for citation

Isakov M., Simonina O. Simulation of Machine Learning Methods to Improve Communication Quality in a Short-Wave Radio Channel // Telecom IT. 2025. Vol. 13. Iss. 4. PP. 54‒70. (in Russian). DOI: 10.31854/2307-1303-2025-13-4-54-70. EDN: NASEQO
Литература

1. Ватрухин Е. М. Новые возможности применения коротковолновой радиосвязи при решении боевой авиацией задач воздушно-космической обороны // Вестник Концерна ВКО «Алмаз-Антей». 2017. № 2 (21). С. 16-20. EDN: YOBVLS

2. Чихачев А. В., Будко П. А., Шмидт А. А. Применение алгоритмов машинного обучения для решения задач прогнозирования технического состояния средств радиосвязи // Телекоммуникации и связь. 2024. № 3 (3). С. 33-40. DOI: 10.24682/3034-4050-2024-3-33-40. EDN: IDTCNI

3. Широков С. Ю. Исследование влияния искусственного интеллекта на оптимизацию процессов передачи данных // Вестник науки. 2024. Т. 4. № 12 (81). С. 1685-1689. EDN: AREGOJ

4. Егоров В. В., Мингалев А. Н., Щеглова Е. Ф. Многопараметрическая адаптация в коротковолновых системах передачи данных сигналами OFDM // Техника средств связи. 2021. № 3 (155). С. 18-28. EDN: LYRHQF

5. Землянов И. С. Модемы с ортогональными поднесущими мобильных систем коротковолновой связи с адаптацией к условиям распространения радиоволн. Дис. ... канд. техн. наук. Омск, 2016. 168 с. EDN: NQMQRT

6. Конкин Н. А. Методика и алгоритм определения периодов оператив-ного прогнозирования динамики максимально применимых частот КВ-связи на основе алгоритма машинного обучения XGBoost // Вестник Поволжского государственного технологического университета. Серия: Радиотехнические и инфокоммуникационные системы. 2022. № 3 (55). С. 6-16. DOI: 10.25686/2306-2819.2022.3.6. EDN: ZPKQBM

7. Wang J., Shi Y., Yang C., Feng F. A Review and Prospects of Operational Frequency Selecting Techniques for HF Radio Communication // Advances in Space Research. 2022. Vol. 69. Iss. 8. PP. 2989-2999. DOI: 10.1016/j.asr.2022.01.026. EDN: GAQWAW

8. Liu X., Xu Yu., Cheng Yu., Li Ya., Zhao L., et al. A Heterogeneous Information Fusion Deep Reinforcement Learning for Intelligent Frequency Selection of HF Communication // China Communications. 2018. Vol. 15. Iss. 9. PP. 73-84. DOI: 10.1109/CC.2018.8456453

9. Oyedare T., Shah V. K., Jakubisin D. J., Reed J. H. Interference Suppression Using Deep Learning: Current Approaches and Open Challenges // IEEE Access. 2022. Vol. 10. PP. 66238-66266. DOI: 10.1109/access.2022.3185124. EDN: VPQSLS

10. Liu Ch., Chen Yu., Yang Sh. H. Deep Learning Based Detection for Communications Systems with Radar Interference // IEEE Transactions on Vehicular Technology. 2022. Vol. 71. Iss. 6. PP. 6245-6254. DOI: 10.1109/tvt.2022.3158692. EDN: OECFXQ

11. Соловьева Е. Б., Зубарев А. В. Нейронная модель компенсатора нелинейных искажений сигналов для цифрового канала связи // Известия высших учебных заведений России. Радиоэлектроника. 2013. № 4. С. 30-34. EDN: RUXAHR

12. Малыгин И. В., Бельков С. А., Тарасов А. Д., Усвяцов М. Р. Применение методов машинного обучения для классификации радиосигналов // Труды МАИ. 2017. № 96. С. 15. EDN: ZWUHFP

13. Рапаков Г. Г., Горбунов В. А., Дианов С. В., Елизарова Л. В. Исследование LSTM-нейросетевого подхода при моделировании временных рядов // Вестник Череповецкого государственного университета. 2023. № 3 (114). С. 47-54. DOI: 10.23859/1994-0637-2023-3-114-4. EDN: AEWHEN

14. Ji S., He G., Yu Q., Shi Ya., Hu Ju., et al. A Short-Term Forecasting Method for High-Frequency Broadcast MUF Based on LSTM // Atmosphere. 2024. Vol. 15. Iss. 5. P. 569. DOI: 10.3390/atmos15050569. EDN: PSQPAQ

15. Shenvi N., Virani H. Forecasting of Ionospheric Total Electron Content Data Using Multivariate Deep LSTM Model for Different Latitudes and Solar Activity // Journal of Electrical and Computer Engineering. 2023. Vol. 2023. P. 2855762. DOI: 10.1155/2023/2855762. EDN: XUUDIO

16. Xiong P., Zhang X., Zhai D., Long C., Zhou H., et al. Long Short-Term Memory Neural Network for Ionospheric Total Electron Content Forecasting over China // Space Weather. 2021. Vol. 19. Iss. 4. P. e2020SW002706. DOI: 10.1029/2020SW002706. EDN: QHEYCE

17. Иванов М. С., Леньшин А. В. Статистические испытания методики приема и демодуляции сигналов с компенсацией неортогональных имитационных помех // Вестник Воронежского института МВД России. 2023. № 4. С. 149-158. EDN: JRLYZZ

18. Елисеев С. Н., Филимонова Л. Н. Влияние одновременного воздействия быстрых замираний и частотного сдвига в радиоканале на OFDM сигнал // V Научный форум «Телекоммуникации: теория и технологии» (ТТТ-2021). Материалы XXIII Международной научно-технической конференции «Проблемы техники и технологий телекоммуникаций» (ПТиТТ-2021, Самара, 23-26 ноября 2021 г.). 2021. С. 81-82. EDN: GAVLDS

19. Hassan H. A., Mohamed M. A., Essai M. H., Mubarak A. S., Esmaiel H., et al. An Efficient and Reliable OFDM Channel State Estimator Using Deep Learning Convolutional Neural Networks // Journal of Engineering Sciences. 2023. Vol. 51. Iss. 6. PP. 32-48. DOI: 10.21608/jesaun.2023.215113.1236. EDN: JCUMCA

20. Лобов Е. М., Алаа А. Обзор существующих методов коррекции межсимвольных искажений радиосигналов в цифровых системах связи с использованием машинного обучения // Телекоммуникации и информационные технологии. 2023. Т. 10. № 1. С. 109-119. EDN: MQABZM

21. Zhao R., Wang J., Li J. An End-to-End Demodulation System Based on Convolutional Neural Networks // Journal of Physics: Conference Series. 2nd International Conference on Computer Science and Communication Technology (ICCSCT, 29-31 July 2021, Beijing, China). 2021. Vol. 2026. P. 012006. DOI: 10.1088/1742-6596/2026/1/012006

22. Maranhão J. P. A., da Costa J. P. C. L., de Freitaset E. P., Javidial E. Noise-Robust Multilayer Perceptron Architecture for Distributed Denial of Service Attack Detection // IEEE Communications Letters. 2020. Vol. 25. Iss. 2. PP. 402-406. DOI: 10.1109/LCOMM.2020.3032170

23. Li J., Zhang M., Xu K., Dickerson J., Ba J. How Does a Neural Network's Architecture Impact Its Robustness to Noisy Labels? // Advances in Neural Information Processing Systems. 2021. Vol. 34. DOI: 10.48550/arXiv.2012.12896

24. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с англ. А. А. Слинкина. 3-е изд., испр. и доп. М.: ДМК Пресс, 2024. 656 с.

25. Balamurugan S. P. A Comprehensive Study on MLP and CNN, and the implementation of Multi-Class Image Classification Using Deep CNN // Machine Learning and Deep Learning Techniques for Medical Science. CRC Press, 2022. PP. 1-25. DOI: 10.1201/9781003217497-1

 

cc-by Статья распространяется по лицензии Creative Commons Attribution 4.0 License.

cc0  Метаданные статьи распространяются по лицензии CC0 1.0 Universal

 
 
войти

Авторизация