А.А. Петров1, О.В. Дружинина2, О.Н. Масина3

1,3 Елецкий государственный университет им. И.А. Бунина (г. Елец, Россия)

2 ФИЦ «Информатика и управление» РАН (Москва, Россия)

Постановка проблемы. Исследование характеристик распространения электромагнитных волн является одним из актуальных научных направлений. В круг важных проблем входит моделирование механизма распространения радиоволн Wi-Fi-диапазона в неоднородных средах. Разработка подхода к решению указанной задачи на основе построении и реализации искусственной нейронной сети является перспективной и позволит учитывать данные натурных экспериментов при наличии неопределенностей.

Цель работы. Обосновать выбор архитектуры нейронной сети для моделирования процесса распространения электромагнитных волн в неоднородных средах, а также разработать алгоритмы подготовки данных для нейросетевого моделирования и алгоритм машинного обучения.

Результаты. Проведено моделирование процесса распространения электромагнитных волн. В качестве примера рассмотрен процесс распространения радиоволн Wi-Fi диапазона. Реализованы алгоритмы подготовки данных для нейросетевого моделирования. Разработан алгоритм машинного обучения. Создано специализированное программное обеспечение. Выполнена серия вычислительных экспериментов и приведена их интерпретация.

Практическая значимость. Предложенные модели и полученные результаты могут найти применение в задачах интеллектного прогнозирования и мониторинга распространения электромагнитных волн при совершенствовании цифровых средств связи.

Петров А.А., Дружинина О.В., Масина О.Н. Подход к нейросетевому моделированию процесса распространения электромагнитных волн // Электромагнитные волны и электронные системы. 2022. Т. 27. № 6. С. 53−58. DOI: https://doi.org/10.18127/j15604128-202206-07

1. Perez Fontan F. Modeling the wireless propagation channel: a simulation approach with MATLAB. Wiley. 2008.
2. Утц В.Л. Исследование потерь при распространении радиосигнала сотовой связи на основе статистических моделей // Вестник Балтийского Федерального университета им. И. Канта. 2011. № 5. С. 44−49.
3. Милютин Е.Р., Василенко Г.О., Сиверс М.А. и др. Методы расчета поля в системах связи дециметрового диапазона. СПб.: Триада. 2003.
4. Hata M. Empirical formula for propagation loss in land mobile radio services // IEEE Transactions on Vehicular Technology.1980. V. VT-29. № 3. P. 317−325.
5. Гришко А.К., Горячев Н.В., Трусов В.А. и др. Анализ математических моделей для расчета параметров радиотрасс // Труды Междунар. симпозиума «Надежность и качество». 2018. Т. 2. С. 361−363.
6. Панченко В.Е., Ерохин Г.А., Гайнутдинов Т.А. и др. Сочетание статистических и детерминистских методов расчета радиополя в городских условиях // Электросвязь. 1998. № 4. С. 31−33.
7. Молчанов С.В., Захаров А.И. Применение искусственных нейронных сетей с целью прогнозирования характеристик распространения радиосигнала // Вестник Балтийского Федерального университета им. И. Канта. 2014. № 4. С. 100−105.
8. Wilson H. Artificial intelligence. Grey House Publishing. 2018.
9. Николенко С.И., Кадурин А.А., Архангельская Е.В. Глубокое обучение. СПб.: Питер. 2018.
10. Петров А.А. Структура программного комплекса для моделирования технических систем в условиях переключения режимов работы // Электромагнитные волны и электронные системы. 2018. Т. 23. № 4. С. 61−64.
11. Петров А.А., Дружинина О.В., Масина О.Н. Развитие алгоритмического обеспечения для моделирования нелинейных управляемых систем с переключениями // Нелинейный мир. 2022. Т. 20. № 1. С. 5−13.
12. Черномордов С.В., Дружинина О.В., Масина О.Н., Петров А.А. Применение методов машинного обучения в задачах нейросетевого моделирования управляемых технических систем // Нейрокомпьютеры: разработка, применение. 2022. Т. 24. № 1. С. 25−35.
13. Roth Scott D. Ray Casting for Modeling Solids // Computer Graphics and Image Processing. 1982. V. 18. P. 109−144.