Н.М. Рябков – науч. сотрудник,

АО «Концерн «Созвездие» (г. Воронеж)

E-mail: n.m.ryabkov@sozvezdie.su

А.Н. Голубинский – д.т.н., доцент, зам. науч. руководителя,

АО «Концерн «Созвездие» (г. Воронеж)

E-mail: a.n.golubinskiy@ sozvezdie.su

Постановка проблемы. Развитие технологий беспроводной связи закономерно приводит к увеличению спроса на частотный ресурс. Как следствие, существующего частотного ресурса становится недостаточно для обеспечения надежной и бесперебойной связью. Исходя из указанной проблемы, одним из перспективных направлений исследований в области беспроводных сетей связи является задача распределения частотных ресурсов, которая в настоящее время может решаться технологией когнитивного радио. Согласно система когнитивного радио – это радиосистема, использующая технологию, позволяющую этой системе получать знания о своей среде эксплуатации и географической среде, об установившихся правилах и о своем внутреннем состоянии, динамически и автономно корректировать свои эксплуатационные параметры и протоколы согласно полученным знаниям для достижения заранее поставленных целей и учиться на основе полученных результатов. Функционирование указанных систем основывается на мониторинге радиочастотного спектра с целью идентификации и дальнейшего использования свободных полос частот. Решение указанной задачи зачастую связано с необходимостью обработки больших объемов разнородной слабоформализованной информации с нелинейными зависимостями в данных. В таких условиях классические подходы не всегда позволяют получить приемлемый на практике результат.

Цель. Показать применение аппарата искусственных нейронных сетей для определения рейтинга частотных каналов с целью правильной идентифицикации наиболее пригодного для обеспечения связи частотного диапазона.

Результаты. Приведено решение задачи формирования рейтинга частотных каналов с использованием аппарата искусственных нейронных сетей для применения в когнитивной системе связи. Предложен способ решения задачи с помощью нейроклассификатора на основе многослойного персептрона, проведено соответствующее моделирование. Получены графики изменения относительной ошибки от эпохи обучения, определена наиболее эффективная архитектура искусственной нейронной сети. Отмечено, что результаты могут быть применены в перспективных системах связи и управления.

Практическая значимость. Предложенный способ позволяет получить на выходе обученной искусственной нейронной  сети значения рейтингов частотных каналов для входных значений отношения сигнал/шум и идентифицировать наиболее подходящий для обеспечения связи частотный канал.

1. Михалев О.А., Аванесов М.Ю., Сорокин К.Н. Управление радиочастотным спектром в когнитивной сети радиосвязи //  Информация и космос. 2017. № 1. С. 57–66.
2. Отчет (Сектора связи Международного союза электросвязи) МСЭ-R SM.2152 (09/2009) «Определения системы радиосвязи с программируемыми параметрами (SDR) и системы когнитивного радио (CRS)» («Definitions of Software Defined Radio (SDR) and Cognitive Radio System (CRS)»).
3. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. М.: Горячая линияТелеком. 2003.
4. Указ Президента Российской Федерации о развитии искусственного интеллекта в Российской Федерации № 490 от 10.10.2019. Национальная стратегия развития искусственного интеллекта на период до 2030 г. http://static.kremlin.ru/media/events/files/ru/AH4x6HgKWANwVtMOfPDhcbRpvd1HCCsv.pdf. Дата обращения: 05.11.2019.
5. Рутковская Д., Пильминьский М., Рутковский А. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия-Телеком. 2006.
6. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. М.: Дмк-Пресс. 2017.