|
|
 Ву Тхе Зует, Глушанков Евгений Иванович, Фам Конг Куен
Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича,
Санкт-Петербург, 193232, Российская Федерация
DOI 10.31854/2307-1303-2025-13-2-69-81
EDN OLWQTV
|
|
 Полный текст
 XML JATS
Аннотация
Постановка задачи. В современных радиотехнических системах обеспечение необходимого компромисса между энергетической и спектральной эффективностью рассматривается как одна из наиболее актуальных задач. При этом применение сигнально-кодовых конструкций путем рационального объединения методов помехоустойчивого кодирования и многопозиционной модуляции представляется перспективным направлением для совместной оптимизации энергетической и спектральной эффективности, что и обуславливает актуальность данного исследования. Цель работы: исследование энергетической эффективности сигнально-кодовых конструкций на основе решетчатой кодовой модуляции и многоуровневой кодовой модуляции при их сочетании с помехоустойчивыми каскадными кодами и турбокодами. Метод исследования основан на компьютерном моделировании в среде MATLAB с целью оценки различных вариантов построения сигнально-кодовых конструкций в радиотехнических системах путем сравнения вероятности битовой ошибки в зависимости от отношения сигнал / шум. Научная новизна заключается в разработке и исследовании энергетической эффективности сигнально-кодовых конструкций с использованием помехоустойчивых каскадных и турбокодов в рамках структур решетчатой и многоуровневой кодовой модуляции и фазовой манипуляции. Результаты моделирования демонстрируют повышенную энергетическую эффективность применения сигнально-кодовых конструкций на основе совместного использования каскадных и турбокодов в схемах решетчатой кодовой модуляции и многоуровневой кодовой модуляции по сравнению с традиционными подходами, где кодирование и модуляция разделены на отдельные последовательные процессы. Теоретическая и практическая значимость: представленные результаты могут быть применены в перспективных радиотехнических системах с целью повышения энергетической и спектральной эффективности при передаче данных по каналам с постоянными параметрами и аддитивных белым гауссовским шумом.
Ключевые слова
сигнально-кодовые конструкции, решетчатая кодовая модуляция, многоуровневая кодовая модуляция, помехоустойчивость, каскадные коды, турбокоды, фазовая манипуляция.
Библиографическая ссылка на статью
Ву Т. З., Глушанков Е. И., Фам К. К. Исследование энергетической эффективности сигнально-кодовых конструкций на основе каскадных и турбокодов для перспективных радиотехнических систем // Информационные технологии и телекоммуникации. 2025. Т. 13. № 2. С. 69‒81. DOI: 10.31854/2307-1303-2025-13-2-69-81. EDN: OLWQTV
Reference for citation
Vu T. D., Glushankov E., Fam K. K. Investigation of the Energy Efficiency of Signal-Code Constructions Based on Concatenated and Turbo Codes for Prospective Radio Communication Systems // Telecom IT. 2025. Vol. 13. Iss. 2. PP. 69‒81 (in Russian). DOI: 10.31854/2307-1303-2025-13-2-69-81. EDN: OLWQTV
|
|
Литература
1. Proakis J. G., Salehi M. Digital Communications. New York: McGraw-Hill, 2001. 1150 p.
2. Kishore G. S., Rallapalli H. Performance Assessment of M-ary ASK, FSK, PSK, QAM and FQAM in AWGN Channel // Proceedings of International Conference on Communication and Signal Processing (ICCSP, 04–06 April 2019, Chennai, India). IEEE, 2019. PP. 0273–0277. DOI: 10.1109/ICCSP.2019.8697922
3. Варгаузин В. А., Цикин И. А. Методы повышения энергетической и спектральной эффективности цифровой радиосвязи: учебное пособие. СПб.: БХВ-Петербург, 2013. 352 с. EDN: SDSMUX
4. Ungerboeck G. Trellis-Coded Modulation with Redundant Signal Sets. Part I: Introduction // IEEE Communications Magazine. 1987. Vol. 25. Iss. 2. PP. 5–11.
5. Viterbi A. J., Wolf J. K., Zehavi E., Padovani R. A Pragmatic Approach to Trellis-Coded Modulation // IEEE Communications Magazine. 1989. Vol. 27. Iss. 7. PP. 11–19. DOI: 10.1109/35.31452
6. Скляр Б. Цифровая связь. Теоретические основы и практическое применение. Пер. с англ. М.: ИД «Вильямс», 2003. 1104 с.
7. Глушанков Е. И., Ву Т. З. Исследование простых и комбинированных сверточных кодов в радиотехнических системах // 65-я научно-техническая конференция профессорско-преподавательского состава, научных работников и аспирантов (НТК ППС 2025, Санкт-Петербург, 17–21 февраля 2025 г.): сборник научных статей. В 3 т. Т. 2. СПб.: СПбГУТ, 2025. С. 74–79. EDN: LRKVIC
8. Королев А. И. Турбокоды и итеративное декодирование: учебно-методическое пособие. Минск: БГУИР, 2015. 74 с.
9. Фам К. К., Глушанков Е. И., Ву Т. З. Исследование адаптивных цифровых линий радиосвязи с обратной связью // Информационные технологии и телекоммуникации. 2024. Т. 12. № 3. С. 52–67. DOI: 10.31854/2307-1303-2024-12-3-52-67. EDN: VZWUMY
10. Золотарев В. В., Овечкин Г. В. Помехоустойчивое кодирование. Методы и алгоритмы. М.: Научно-техническое издательство Горячая линия-Телеком, 2004. 126 с. EDN: TPMDGJ
11. Schramm P. Multilevel Coding with Independent Decoding on Levels for Efficient Communication on Static and Interleaved Fading Channels // Proceedings of the 8th International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC’97, 01–04 September 1997, Helsinki, Finland). 1997. Vol. 3. PP. 1196–1200. DOI: 10.1109/PIMRC.1997.627075
12. Imai H., Hirakawa S. A New Multilevel Coding Method Using Error-Correcting Codes // IEEE Transactions on Information Theory. 1977. Vol. 23. Iss. 3. PP. 371−377. DOI: 10.1109/TIT.1977.1055718
13. Быховский М. А. Гиперфазовая модуляция ‒ оптимальный метод передачи сообщений в гауссовских каналах связи. М.: Техносфера, 2018. 310 с.
|
|
|
Аль-Свейти Малик А. М., Ким Злата Валерьевна, Маршев Даниил Владимирович
Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича,
Санкт-Петербург, 193232, Российская Федерация
DOI 10.31854/2307-1303-2025-13-2-52-68
|
|
Полный текст
XML JATS
Аннотация
Постановка задачи. В условиях растущего объема чувствительных данных и ужесточения требований к их защите традиционные централизованные методы машинного обучения становятся неприемлемыми из-за рисков утечек и нарушения конфиденциальности. Особенно остро эта проблема стоит в таких сферах, как здравоохранение и финансы, где передача персональных данных на центральный сервер недопустима. Одним из перспективных решений является федеративное обучение, позволяющее обучать глобальные модели без передачи исходных данных, однако сохранение баланса между точностью модели и уровнем приватности остается ключевым вызовом. Методы: для решения задачи предложен подход, сочетающий алгоритм агрегации FedAvg с механизмами дифференциальной приватности, включая обрезку градиентов и добавление гауссовского шума на стороне клиентов. Экспериментальная валидация проведена на наборе данных MNIST с использованием сверточной нейронной сети при различных параметрах дифференциальной приватности. Результаты: при оптимальных настройках (σ=0,5; ε≈3) достигнута точность 97,80 %, что лишь на 1 % уступает централизованному обучению (98,79 %). Безопасная агрегация с 10 клиентами за пять раундов показала точность 93,21 %. Анализ выявил четкую зависимость точности от параметров приватности, что позволяет гибко настраивать систему под конкретные требования. Практическая значимость: предложенная методика обеспечивает прозрачную и воспроизводимую оценку компромисса «точность ‒ приватность», что делает ее применимой для внедрения в реальные системы с чувствительными данными; результаты могут быть использованы в качестве базы для адаптации федеративного обучения в медицинских, финансовых и других критически важных приложениях, где конфиденциальность является приоритетом.
Ключевые слова
федеративное обучение, дифференциальная приватность, машинное обучение, защита данных, компромисс «точность ‒ приватность», безопасная агрегация.
Библиографическая ссылка на статью
Аль-Свейти М. А. М., Ким З. В., Маршев Д. В. Федеративное обучение с сохранением конфиденциальности: баланс между точностью и защитой данных в распределенном машинном обучении // Информационные технологии и телекоммуникации. 2025. Т. 13. № 2. С. 52‒68. DOI: 10.31854/2307-1303-2025-13-2-52-68. EDN: YHQXCK
Reference for citation
Al Sweity M. A. M., Kim Z., Marshev D. Privacy-Preserving Federated Learning: Balancing Accuracy and Data Protection in Distributed Machine Learning // Telecom IT. 2025. Vol. 13. Iss. 2. PP. 52‒68 (in Russian). DOI: 10.31854/2307-1303-2025-13-2-52-68. EDN: YHQXCK
|
|
Литература
1. McMahan B., Moore E., Ramage D., Hampson S., Aguera y Arcas B. Communication-Efficient Learning of Deep Networks from Decentralized Data // Proceedings of Machine Learning Research. 2017. Vol. 54. PP. 1273–1282.
2. Bonawitz K., Ivanov V., Kreuter B., Marcedone A., McMahan H. B., et al. Practical Secure Aggregation for Privacy-Preserving Machine Learning // Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security (30 October – 3 November 2017, Dallas, USA). 2017. PP. 1175–1191. DOI: 10.1145/3133956.313398
3. Dwork C., McSherry F., Nissim K., Smith A. Calibrating Noise to Sensitivity in Private Data Analysis // Journal of Privacy and Confidentiality. 2016. Vol. 7. Iss. 3. PP.17–51. DOI: 10.29012/jpc.v7i3.405
4. Li T., Sahu A. K., Talwalkar A., Smith, V. Federated Learning: Challenges, Methods, and Future Directions // IEEE Signal Processing Magazine. 2020. Vol. 37. Iss. 3. PP. 50–60. DOI: 10.1109/msp.2020.2975749. EDN: BFBNOW
5. Kairouz P., McMahan H. B., Avent B., Bellet, A., Bennis, M., et al. Advances and Open Problems in Federated Learning // Foundations and Trends in Machine Learning. 2021. Vol. 14. Iss. 1–2. PP. 1–210. DOI: 10.1561/2200000083. EDN: LTBKDC
6. Konečný J., McMahan H. B., Ramage D., Richtárik P. Federated Optimization: Distributed Machine Learning for On-Device Intelligence. 2016. DOI: 10.48550/arXiv.1610.02527. URL: https://arxiv.org/pdf/1610.02527 (дата обращения 07.05.2025)
7. Karimireddy S. P., Kale S., Mohri M., Reddi S., Stich S., et al. SCAFFOLD: Stochastic Controlled Averaging for Federated Learning // Proceedings of the 37th International Conference on Machine Learning (Online). Proceedings of Machine Learning Research. 2020. Vol. 19. PP. 5132–5143.
8. Abadi M., Chu A., Goodfellow I., McMahan H. B., Mironov I., et al. Deep Learning with Differential Privacy // Proceedings of the 2016 ACM SIGSAC Conference on Computer and Communications Security (24–28 October, 2016, Vienna, Austria). PP. 308–318. DOI: 10.1145/2976749.2978318
9. Shokri R., Shmatikov V. Privacy-Preserving Deep Learning // Proceedings of the 22nd ACM SIGSAC Conference on Computer and Communications Security (12–16 October 2015, Denver, USA). PP. 1310–1321. DOI: 10.1145/2810103.2813687
10. Papernot N., Song S., Mironov I., Raghunathan A., Talwar K., et al. Scalable Private Learning with Pate. 2018. DOI: 10.48550/arXiv.1802.08908. URL: https://arxiv.org/pdf/1802.08908 (дата обращения 15.06.2025)
11. Geyer R. C., Klein T., Nabi M. Differentially Private Federated Learning: A Client Level Perspective. 2017. DOI: 10.48550/arXiv.1712.07557. URL: https://arxiv.org/pdf/1712.07557 (дата обращения 16.06.2025)
12. Gentry C. Fully Homomorphic Encryption Using Ideal Lattices // Proceedings of the Forty-First Annual ACM Symposium on Theory of Computing (STOC, 31 May – 2 June 2009, Bethesda, USA). PP. 169–178. DOI: 10.1145/1536414.1536440
|
|
|
Хоанг Фыок Ньян, Парамонов Александр Иванович
Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича,
Санкт-Петербург, 193232, Российская Федерация
DOI 10.31854/2307-1303-2025-13-2-32-42
EDN ZUDPTT
|
|
Полный текст
XML JATS
Аннотация
Постановка задачи. Статья посвящена решению задачи выбора оптимальной стратегии передачи данных в гетерогенных сетях Интернета вещей. Для оценки и выбора стратегий с учетом таких противоречивых факторов, как энергопотребление, задержки и потери пакетов, предложен подход на основе нечеткого многокритериального анализа, позволяющий находить эффективные компромиссные решения в условиях неопределенности и нечеткости исходных данных, характерных для сетей Интернета вещей. Метод исследования: нечеткий многокритериальный анализ, обеспечивающий учет и обработку множества критериев и нечетких данных. Результаты: доказана эффективность предложенного подхода для определения стратегий передачи, обеспечивающих оптимальный баланс между энергопотреблением, задержками и потерями пакетов, что способствует повышению общей производительности сети. Практическая значимость: разработанный подход может применяться для оптимизации передачи данных в реальных сетях Интернета вещей, в том числе для снижения энергопотребления и задержек при сохранении высокой вероятности доставки, что актуально для приложений умного города и промышленной автоматизации.
Ключевые слова
Интернет вещей, гетерогенные сети, стратегия передачи, нечеткий анализ, многокритериальная оптимизация.
Библиографическая ссылка на статью
Хоанг Ф. Н., Парамонов А. И. Выбор стратегии передачи в гетерогенной сети Интернета вещей с применением нечеткого многокритериального анализа // Информационные технологии и телекоммуникации. 2025. Т. 13. № 2. С. 32‒42. DOI: 10.31854/2307-1303-2025-13-2-32-42. EDN: ZUDPTT
Reference for citation
Hoang Ph. N., Paramonov A. Transmission Strategy Selection in a Heterogeneous Internet of Things Network Using Fuzzy Multi-Criteria Analysis // Telecom IT. 2025. Vol. 13. Iss. 2. PP. 32‒42 (in Russian). DOI: 10.31854/2307-1303-2025-13-2-32-42. EDN: ZUDPTT
|
|
Литература
1. Vlasenko M., Khlaponin Yu. The Internet of Things (IoT) in World Practice: Review and Analysis // Pidvodni Tehnologii. 2024. Iss. 13. PP. 21–27. DOI: 10.32347/ uwt.2023.13.1202. EDN: OYEIHQ
2. Кучерявый А. Е. Триллионные сети // Телекоммуникации. 2013. № S7. С. 19–22. EDN: REKFXF
3. Noaman M., Khan M. S., Abrar M. F., Ali S., Alvi A., et al. Challenges in Integration of Heterogeneous Internet of Things // Scientific Programming. 2022. P. 8626882. DOI: 10.1155/2022/8626882. EDN: KXZSPZ
4. Qiu T., Chen N., Li K., Atiquzzaman M., Zhao W. How Can Heterogeneous Internet of Things Build Our Future: A Survey // IEEE Communications Surveys & Tutorials. 2018. Vol. 20. Iss. 3. PP. 2011–2027. DOI: 10.1109/COMST.2018.2803740. EDN: YFGIPJ
5. Кучерявый А. Е., Парамонов А. И., Маколкина М. А., Мутханна А. С. А., Выборнова А. И. и др. Трехмерные многослойные гетерогенные сверхплотные сети // Информационные технологии и телекоммуникации. 2022. Т. 10. № 3. С. 1–12. DOI: 10.31854/2307-1303-2021-10-3-1-12. EDN: LHLYEM
6. Кучерявый А. Е., Окунева Д. В., Парамонов А. И., Хоанг Н. Ф. Методы распределения трафика в гетерогенной сети Интернета вещей высокой плотности // Труды учебных заведений связи. 2024. Т. 10. № 2. С. 67–74. DOI: 10.31854/1813-324X-2024-10-2-67-74. EDN: RTNVEU
7. Тонких Е. В., Парамонов А. И., Кучерявый А. Е. Анализ беспроводной сети интернета вещей высокой плотности // Электросвязь. 2020. № 1. С. 44–48. DOI: 10.34832/ELSV.2020.2.1.006. EDN: IWAHZO
8. Бушеленков С. Н., Парамонов А. И. Анализ и формирование структуры сети Интернета вещей на основе моделей решеток // Электросвязь. 2021. № 7. С. 23–28. DOI: 10.34832/ELSV.2021.20.7.002. EDN: JIBLHT
9. Ilieva G., Yankova T. IoT System Selection as a Fuzzy Multi-Criteria Problem // Sensors. 2022. Vol. 22. Iss. 11. P. 4110. DOI: 10.3390/s22114110. EDN: PZHAEX
10. Md Saad R., Ahmad M. Z., Abu M. S., Jusoh M. S. Hamming Distance Method with Subjective and Objective Weights for Personnel Selection // The Scientific World Journal. Vol. 2014. Iss. 1. P. 865495. DOI: 10.1155/2014/865495
|
|
Редругина Наталия Михайловна, Тарабанов Илья Федорович
Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича,
Санкт-Петербург, 193232, Российская Федерация
DOI 10.31854/2307-1303-2025-13-2-43-51
|
|
Полный текст
XML JATS
Аннотация
Предмет и цель работы. Статья посвящена решению проблемы балансировки нагрузки в условиях нетерпеливых пользователей и разнородного трафика в телекоммуникационных системах. Целью работы является разработка концептуального фреймворка, сочетающего аналитические методы теории массового обслуживания и современные подходы машинного обучения для минимизации совокупного штрафа, учитывающего задержки обслуживания и стоимость отказов. Используемые методы. В основе исследования лежит аналитическая модель M/G/1/K с нетерпеливыми пользователями, позволяющая оценить ключевые показатели системы. Для случаев, когда аналитическое решение невозможно или неэффективно, предложено применение: (1) прогнозирования временных рядов для предсказания нагрузки, (2) бинарной классификации для оценки вероятности оттока, обучения с подкреплением для оптимизации целевой функции. Новизна работы заключается в системном подходе к сочетанию аналитических методов и методов машинного обучения для задач балансировки, а также в том, что учитывается разнородная стоимость отказов для различных классов трафика. Предложена новая формализация задачи через призму обучения с подкреплением. Основные результаты. Разработана концепция интеллектуальной системы балансировки, демонстрирующая потенциальные преимущества перед традиционными методами. Практическая значимость. Результаты исследования могут быть использованы при проектировании систем управления нагрузкой в автономных сетях.
Ключевые слова
машинное обучение, теория массового обслуживания, нагрузка, математическое моделирование, миграция, балансировка.
Библиографическая ссылка на статью
Редругина Н. М., Тарабанов И. Ф. Синтез аналитических моделей и методов машинного обучения для балансировки нагрузки при строгих ограничениях на время отклика // Информационные технологии и телекоммуникации. 2025. Т. 13. № 2. С. 43‒51. DOI: 10.31854/2307-1303-2025-13-2-43-51. EDN: FMMVHK
Reference for citation
Redrugina N. M., Tarabanov I. F. Synthesis of Analytical Models and Machine Learning Methods for Load Balancing under Strict Response Time Constraints // Telecom IT. 2025. Vol. 13. Iss. 2. PP. 43‒51. (in Russian). DOI: 10.31854/2307-1303-2025-13-2-43-51. EDN: FMMVHK
Литература
1. ETSI GS ZSM 002 V1.1.1 (2019-08). Zero-touch network and Service Management (ZSM). Reference Architecture.
2. ETSI TS 128 533 V15.0.0 (2018-10). 5G. Management and orchestration. Architecture framework (3GPP TS 28.533 version 15.0.0 Release 15).
3. ETSI TS 128 535 V16.1.0 (2020-11). 5G. LTE. Management and orchestration. Management services for communication service assurance. Requirements (3GPP TS 28.535 version 16.1.0 Release 16).
4. ETSI TS 128 536 V16.0.0 (2020-07). LTE. 5G. Management and orchestration. Management services for communication service assurance. Stage 2 and stage 3 (3GPP TS 28.536 version 16.0.0 Release 16).
5. ETSI TR 28 810 V17.0.0 (2020-09). Study on concept, requirements and solutions for levels of autonomous network. (3GPP TR 28.810 version 17.0.0 Release 17).
6. ETSI TS 128 100 V17.0.0 (2022-05). 5G. Management and orchestration. Levels of autonomous network (3GPP TS 28.100 version 17.0.0 Release 17).
7. ETSI TR 28 812 V17.1.0 (2020-12). Telecommunication management; Study on scenarios for Intent driven management services for mobile networks. (3GPP TR 28.812 version 17.1.0 Release 17).
8. ETSI TS 28.312 V17.1.1 (2022-09). Management and orchestration; Intent driven management services for mobile networks (3GPP TR 28.312 version 17.1.1 Release 17).
9. De Kok A. G., Tijms H. C. A queueing system with impatient customers // Journal of Applied Probability. 1985. Vol. 22. Iss. 3. PP. 688–696.
10. Almasan P., Ferriol-Galmes M., Paillisse J., Suarez-Varela J., Perino D., et al. Network Digital Twin: Context, Enabling Technologies and Opportunities // IEEE Communications Magazine. 2022. Vol. 60. Iss. 11. PP. 22–27. DOI: 10.1109/MCOM. 001.2200012. EDN: JBSBYX
11. Eisen M., Ribeiro A. Optimal Wireless Resource Allocation with Random Edge Graph Neural Networks // IEEE Transactions on Signal Processing. 2020. Vol. 68. PP. 2977–2991. DOI: 10.1109/TSP.2020.2988255
12. Rashka S., Liu Y. H., Mirjalili V. Machine Learning using PyTorch and Scikit-Learn. Developing machine learning and deep learning models in Python. Packt Publishing Ltd, 2022.
13. ETSI TS 23 501 V19.4.0 (2025-06). System architecture for the 5G System (5GS). Stage 2. (3GPP TS 23.501 version 19.4.0 Release 19).
|
|
|
|
Багаев Егор Сергеевич, Шаламов Павел Александрович, Фокин Григорий Алексеевич
Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича,
Санкт-Петербург, 193232, Российская Федерация
DOI 10.31854/2307-1303-2025-13-2-1-31
EDN QEDDVK
|
|
Полный текст
XML JATS
Аннотация
Постановка задачи. Современные сценарии высокоточного позиционирования в беспроводных локальных сетях требуют преодоления ограничений, связанных с многолучевым распространением сигналов и нелинейными задержками. Для реализации дальномерного метода позиционирования при отсутствии синхронизации между опорными приемопередающими узлами используется известный метод симметричного двустороннего двунаправленного измерения расстояния. Целью работы является исследование применения технологии симметричного двустороннего двунаправленного измерения расстояния в контексте определения местоположения пользовательского устройства в беспроводной локальной сети по технологии nanoLOC с нестационарной окружающей средой внутри помещений. Новизна заключается в разработке методического сопровождения для экспериментальной оценки точности позиционирования устройств внутри помещений с использованием технологии nanoLOC. Результаты показывают, что применение системы nanoLOC для решения задачи определения местоположения пользовательского устройства может обеспечить точность измерения в пределах нескольких дециметров за счет применения метода симметричного двустороннего двунаправленного измерения расстояния. Практическая значимость: представленное исследование может быть использовано для прикладной конфигурации сценариев определения местоположения внутри помещений с настройкой модулей сбора и обработки дальномерных измерений nanoLOC, а также для проведения лабораторных занятий по курсам систем прикладного радиодоступа.
Ключевые слова
сеть связи, системы определения местоположения, беспроводная локальная сеть, пользовательское устройство, nanoLOC, ToA (time of arrival), ToF (time of flight), SDS-TWR (symmetric double-sided two way ranging).
Библиографическая ссылка на статью
Багаев Е. С., Шаламов П. А., Фокин Г. А. Исследование технологии высокоточного позиционирования nanoLOC // Информационные технологии и телекоммуникации. 2025. Т. 13. № 2. С. 1‒31. DOI: 10.31854/2307-1303-2025-13-2-1-31. EDN: QEDDVK
Reference for citation
Bagaev E., Shalamov P., Fokin G. A Study on High-Precision Positioning Technology Using nanoLOC // Telecom IT. 2025. Vol. 13. Iss. 2. PP. 1‒31 (in Russian). DOI: 10.31854/2307-1303-2025-13-2-1-31. EDN: QEDDVK
|
|
Литература
1. Mustapa H., Kassim R., Bakri A., Nor H. A. M., Azman W. N. W., et al. A Review of the Literature on Real-Time Location Systems (RTLS) in Manufactur-ing // Innovative Technologies for Enhancing Experiences and Engagement. 2024. PP. 61–68. DOI: 10.1007/978-3-031-55558-9_7
2. Bendavid Y., Rostampour S., Berrabah Ya., Bagheri N., Safkhani M. The rise of Passive RFID RTLS Solutions in Industry 5.0 // Sensors. 2024. Vol. 24. Iss. 5. P. 1711. DOI: 10.3390/s24051711. EDN: UIPBBA
3. Ding B. Chen L., Chen D., Yuan H. Application of RTLS in Warehouse Management Based on RFID and Wi-Fi // Proceedings of the 4th International Conference on Wireless Communications, Networking and Mobile Computing (12–14 October 2008, Dalian, China). IEEE, 2008. DOI: 10.1109/WiCom.2008.1249
4. Xu G. GPS. Theory, Algorithms and Applications. Berlin; Heidelberg: Springer, 2007. DOI: 10.1007/978-3-540-72715-6
5. Thiede S., Sullivan B., Damgrave R., Lutters E. Real-Time Locating Systems (RTLS) in Future Factories: Technology Review, Morphology and Application Po-tentials // Procedia CIRP. 2021. Vol. 104. PP. 671–676. DOI: 10.1016/j.procir. 2021.11.113. EDN: QUOFSJ
6. Kamel Boulos M. N., Berry G. Real-Time Locating Systems (RTLS) in Healthcare: A Condensed Primer // International Journal of Health Geographics. 2012. Vol. 11. Iss. 1. PP. 1–8. DOI: 10.1186/1476-072x-11-25. EDN: GIPYAH
7. Selvi M. S., Deepa K., Balamurugan S., Rani S. J., UvazeAhamed A. M. RTLS: An Introduction // Cyber-Physical Systems and Industry 4.0. Apple Academic Press, 2022. PP. 97–113.
8. Кривченко Т. Программно-аппаратные методы измерения расстояния по времени распространения радиосигнала при помощи приемопередатчика nanoLOC // Беспроводные технологии. 2012. № 3 (28). С. 48–53. EDN: PCDYEB
9. Дмитриев С., Екимов К., Кипрушкин С., Мощевикин А. Изучение воз-можности применения технологии nanoLOC // Беспроводные технологии. 2008. № 3 (12). С. 52–56. EDN: MTGBZV
10. Фокин Г. А., Багаев Е. С., Мещеряков Д. Е. Позиционирование в бес-проводных локальных сетях. Часть 1. Постановка задачи достижения децимет-ровой точности // Первая миля. 2025. № 1 (125). С. 50–56. DOI: 10.22184/2070-8963.2025.125.1.50.56. EDN: YKDPHX
11. Peng R., Sichitiu M. L. Angle of Arrival Localization for Wireless Sensor Networks // Proceedings of the 3rd Annual IEEE Communications Society on Sensor and Ad Hoc Communications and Networks (26–28 September 2006, Reston, USA). IEEE, 2006. PP. 374–382. DOI: 10.1109/SAHCN.2006.288442
12. Uluskan S., Filik T. A Survey on the Fundamentals of RSS Based Localiza-tion // Proceedings of the 24th Signal Processing and Communication Application Conference (SIU, 16–19 May 2016, Zonguldak, Turkey). IEEE, 2016. DOI: 10.1109/ SIU.2016.7496069
13. Zafari F., Gkelias A., Leung K. K. A Survey of Indoor Localization Sys-tems and technologies // IEEE Communications Surveys & Tutorials. 2019. Vol. 21. Iss. 3. PP. 2568–2599. DOI: 10.1109/COMST.2019.2911558
14. Lanzisera S., Zats D., Pister K. S. J. Radio Frequency Time-of-Flight Distance Measurement for Low-Cost Wireless Sensor Localization // IEEE Sensors Journal. 2011. Vol. 11. Iss. 3. PP. 837–845. DOI: 10.1109/JSEN.2010.2072496. EDN: OEORKP
15. Ho K. C., Sun M. Passive Source Localization Using Time Differences of Arrival and Gain Ratios of Arrival // IEEE Transactions on Signal Processing. 2008. Vol. 56. Iss. 2. PP. 464–477. DOI: 10.1109/TSP.2007.906728
16. Kwak M., Chong J. A New Double Two-Way Ranging Algorithm for Ranging System // Proceedings of the 2nd IEEE International Conference on Network Infrastructure and Digital Content (24–26 September 2010, Beijing, China). IEEE, 2010. PP. 470–473. DOI: 10.1109/ICNIDC.2010.5657814
17. Kim H. Double-Sided Two-Way Ranging Algorithm to Reduce Ranging Time // IEEE Communications Letters. Vol. 13. Iss. 7. PP. 486–488. DOI: 10.1109/ LCOMM.2009.090093
18. Patwari N., Hero A. O., Perkins M., Correal N. S., O’Dea R. J. Relative Location Estimation in Wireless Sensor Networks // IEEE Transactions on Signal Processing. 2003. Vol. 51. Iss. 8. PP. 2137–2148. DOI: 10.1109/TSP.2003.814469
19. Röhrig C., Künemund F. WLAN based Pose Estimation for Mobile Ro-bots // IFAC Proceedings Volumes. 2008. Vol. 41. Iss. 2. PP. 10433–10438. DOI: 10.3182/20080706-5-KR-1001.01768
20. Ma Ch., Wu B., Poslad S., Selviah D. R. Wi-Fi RTT Ranging Performance Characterization and Positioning System Design // IEEE Transactions on Mobile Computing. 2020. Vol. 21. Iss. 2. PP. 740–756. DOI: 10.1109/tmc.2020.3012563. EDN: CKFRXR
21. Mendoza-Silva G. M., Matey-Sanz M., Torres-Sospedra J., Huerta J. BLE RSS Measurements Dataset for Research on Accurate Indoor Positioning // Data. 2019. Vol. 4. Iss. 1. P. 12. DOI: 10.3390/data4010012
22. Dabove P., Di Pietra V., Piras M., Jabbar A. A., Kazimet S. A. Indoor Posi-tioning Using Ultra-Wide Band (UWB) Technologies: Positioning Accuracies and Sensors’ Performances // IEEE / ION Position, Location and Navigation Symposium (PLANS, 23–26 April 2018, Monterey, USA). IEEE, 2018. PP. 175–184. DOI: 10.1109/PLANS.2018.8373379
23. Zhang Y., Li X., Amin M. Principles and Techniques of RFID Position-ing // RFID Systems: Research Trends and Challenges. 2010. PP. 389–415. DOI: 10.1002/9780470665251.ch15
24. Sivers M., Fokin G., Dmitriev P., Kireev A., Volgushev D. et al. Indoor Positioning in WiFi and NanoLOC Networks // Internet of Things, Smart Spaces, and Next Generation Networks and Systems: Proceedings of the 16th International Con-ference NEW2AN 2016, and 9th Conference ruSMART (26–28 September 2016, St. Petersburg, Russia). Springer International Publishing, 2016. PP. 465–476. DOI: 10.1007/978-3-319-46301-8_39. EDN: WLOHZP
25. Sivers M., Fokin G., Dmitriev P., Kireev A., Volgushev D. et al. Wi-Fi Based Indoor Positioning System Using Inertial Measurements // Internet of Things, Smart Spaces, and Next Generation Networks and Systems: Proceedings of the 17th International Conference NEW2AN 2017, 10th Conference ruSMART 2017, Third Workshop NsCC 2017 (28–30 August 2017, St. Petersburg, Russia). Springer Inter-national Publishing, 2017. PP. 734–744. DOI: 10.1007/978-3-319-67380-6_69. EDN: ZHVVMD
26. Цех И. О. Высокоточное позиционирование людей в режиме реально-го времени: научный доклад об основных результатах подготовленной научно-квалификационной работы (диссертации) по направлению подготовки: 01.06. 01 ‒ Математика и механика. Томск, 2021. URL: https://vital.lib.tsu.ru/ vital/access/services/Download/vital:15633/SOURCE01?view=true (дата обращения 11.04.2025)
|
|
|
Статья
Метаданные статьи распространяются по лицензии