А.В. Башкиров1, О.Н. Чирков2, А.С. Демихова3

1-3 ФГБОУ ВПО «Воронежский государственный технический университет» (г. Воронеж, Россия)

1 fabi7@mail.ru; 2 chir_oleg@mail.ru; 3 dem12.86@mail.ru

Постановка проблемы. Глубокое обучение (Deep Neural Networks, DNN) - перспективный инструмент для оценки канала и обнаружения сигнала в беспроводной OFDM-связи со сложными искажениями канала и помехами. В существующих OFDM-приемниках сначала оценивают информацию о состоянии канала (CSI), а затем обнаруживают/восстанавливают переданные символы, используя оцененный CSI. Традиционно для оценки информации о состоянии канала используют метод наименьших квадратов (LS), который не требует предварительной статистики канала, но имеет низкую эффективность, метод минимальной среднеквадратичной ошибки (MMSE) с более высокой эффективностью обнаружения за счет использования статистики каналов. Результаты проведенных исследований показали, что DNN могут быть применены во многих направлениях обработки сигналов и связи.

Цель. Рассмотреть возможность применения DNN для комплексной задачи оценки канала связи и обнаружения OFDM-символов.

Результаты. Предложен метод, основанный на DNN, позволяющий устранять искажения канала и обнаруживать передаваемые символы с производительностью, сравнимой с (MMSE). Показана его более высокая по сравнению с традиционными эффективность при отношении сигнал/шум (SNR), превышающем 10 дБ, когда используется меньшее число обучающих пилот-сигналов, отсутствует циклический префикс и существует нелинейный ограничивающий шум.

Практическая значимость. Представленный метод при реализации модели DNN из пяти уровней превосходит по производительности методы LS и MMSE.

Башкиров А.В., Чирков О.Н., Демихова А.С. Применение глубоких нейронных сетей для задачи оценки канала и обнаружения сигнала в системах с OFDM // Радиотехника. 2025. Т. 89. № 7. С. 10-14. DOI: https://doi.org/10.18127/j00338486-202507-02

1. Чирков О.Н., Ромащенко М.А., Чепелев М.Ю. Современные методы оценки канала радиосвязи в условиях многолучевости // Вестник Воронежского гос. технич. ун-та. 2019. Т. 15. № 3. С. 68-73. DOI: 10.25987/VSTU.2019.15.3.010.
2. Свидетельство о государственной регистрации программы для ЭВМ № 2023686640 (РФ). Программа моделирования оценки беспроводного канала связи с OFDM-модуляцией на машинном обучении: № 2023685331. / Чирков О.Н., Пирогов А.А.; заявл. 22.11.2023; опубл. 07.12.2023.
3. Чирков О.Н., Пирогов А.А. Применение алгоритмов машинного обучения в задаче оценки беспроводного канала связи с OFDM // Вестник Воронежского гос. технич. ун-та. 2023. Т. 19. № 6. С. 164-169. DOI: 10.36622/VSTU.2023.19.6.025.
4. Wang X., Gao L., Mao S., Pandey S. CSI-based fingerprinting for indoor localization: A deep learning approach // IEEE Trans. Veh. Technol. Jan. 2017. V. 66. № 1. Р. 763–776.
5. Nachmani E., Beery Y., Burshtein D. Learning to decode linear codes using deep learning // 54’th Annual Allerton Conf. on Commun. Control and Computing. Mouticello. IL. Sept. 2016.
6. Ромащенко М.А., Чирков О.Н., Чураков П.П. Эффективный алгоритм оценки канала радиосвязи с пространственной модуляцией // Радиотехника. 2021. Т. 85. № 6. С. 52-56. DOI: 10.18127/j00338486-202106-09.
7. Kyosti P. IST-4-027756 WINNER II D1.1.2 v.1.1 // WINNER II Channel Models. 2007.
8. Ромащенко М.А., Чирков О.Н., Чураков П.П. Усовершенствованный метод оценки канала с итерационным подавлением помех для многопользовательских систем MIMO-OFDM // Радиотехника. 2019. Т. 83. № 6(8). С. 150-155. DOI: 10.18127/j00338486-201906(8)-11.
9. Чирков О.Н., Башкиров А.В. Повышение эффективности оценки канала при высокоскоростной передаче данных в подводной акустической связи с OFDM // Радиотехника. 2024. Т. 88. № 7. С. 45-49. DOI: 10.18127/j00338486-202407-09.