О.Н. Чирков1, С.Ю. Белецкая2

1,2 ФГБОУ ВО «Воронежский государственный технический университет» (г. Воронеж, Россия)

1 chir_oleg@mail.ru; 2 omrt0705@mail.ru

Постановка проблемы. В настоящее время активно развивающиеся методы глубокого обучения находят широкое применение в различных областях народного хозяйства, включая беспроводную связь [1–4]. Использование машинного обучения при обработке данных на физическом уровне дает возможность улучшить производительность радиосвязи. Как показали проведенные исследования, разработка приемника с глубокой нейронной сетью может повысить производительность беспроводных систем связи. При эффективном проектировании архитектуры нейронной сети и ее входных данных можно добиться еще бо́льшего увеличения производительности.

Цель. Рассмотреть возможность повышения точности оценки канала связи и производительности приемника сигналов с ортогональным частотным мультиплексированием (OFDM) на основе сверточных нейронных сетей (CNN).

Результаты. Предложена архитектура OFDM-приемника на основе CNN, позволяющего улучшить оценки канала связи и повысить эффективность передачи данных. Выполнена оценка производительности предложенного решения с применением в качестве модели канала восходящей линии связи стандарта 5G с различными параметрами распространения. Проведено сравнение представленного OFDM-приемника с такими классическими методами оценки канала, как LS и LMMSE.

Практическая значимость. Результаты проведенного исследования подчеркивают потенциал нейронных сетей в управлении сложными системами связи, открывая путь к созданию интеллектуальных приемников и алгоритмов адаптации к меняющимся условиям окружающей среды. Предложенная архитектура OFDM-приемника на основе CNN существенно улучшает точность оценки канала и снижает частоту битовых ошибок по сравнению с традиционными методами.

Чирков О.Н., Белецкая С.Ю. Повышение производительности приемника OFDM на основе сверточных нейронных сетей // Радиотехника. 2025. Т. 89. № 7. С. 73-77. DOI: https://doi.org/10.18127/j00338486-202507-14

1. Zhang C., Patras P., Haddadi H. Deep learning in mobile and wireless networking: a survey // IEEE Communications Surveys Tutorials. 2019. V. 21. № 3. Р. 2224–2287.
2. Чирков О.Н., Антиликаторов А.Б., Шкаровский К.М., Тамбовцев М.Н. Оптимизации оценки качества полупроводниковых пластин с помощью нейротехнологий CNN // Вестник Воронежского гос. технич. ун-та. 2025. Т. 21. № 1. С. 81-87. DOI: 10.36622/1729-6501.2025.21.1.012.
3. Свидетельство о государственной регистрации программы для ЭВМ № 2024661883 (РФ). Применение нейронных сетей глубокого обучения для повышения качества связи беспроводных каналов связи с OFDM модуляцией: № 2024661190. / Чирков О.Н., Тамбовцев М. Н. Заявл. 21.05.2024; опубл. 22.05.2024.
4. 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.
5. Свиридова И.В., Остроумов И.В., Чирков О.Н. LDPC-декодер на базе ПЛИС со сверхдлинными кодами // Вестник Воронежского гос. технич. ун-та. 2025. Т. 21. № 1. С. 121-126. DOI: 10.36622/1729-6501.2025.21.1.018.
6. 3rd Generation Partnership Project; Technical Specification Group Radio Access Network; Study on channel model for frequencies from 0.5 to 100 GHz (3GPP TR 38.901 version 16.0.0 Release 16) // ETSI, Sophia Antipolis Cedex. France. Oct. 2019.
7. You Y., Li J., Reddi S., Hseu J., Kumar S., Bhojanapalli S., Song X., Demmel J., Keutzer K., Hsieh C.-J. Large batch optimization for deep learning: Training BERT in 76 minutes // in International Conference on Learning Representations. 2020.
8. 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.