Л.И. Аверина1, Н.Е. Гутерман2, Д.Ю. Чаркин3

1-3 АО «Концерн «Созвездие» (г. Воронеж, Россия)

1 averina@phys.vsu.ru; 2 n.guterman@internet.ru; 3 d.yu.charkin@sozvezdie.su

Постановка проблемы. Многоканальные устройства с адаптивным диаграммообразованием находят широкое применение в системах беспроводной связи СВЧ-диапазона. Для снижения сложности их схемотехнической и технологической реализации диаграммообразование все чаще осуществляют с помощью фазовращателей, работающих в аналоговой области. Однако при этом значительно усложняется процесс поиска оптимального решения для весовых коэффициентов, порождая NP-трудную задачу оптимизации.

Цель. Предложить эффективные и практически реализуемые алгоритмы обработки сигнала на основе глубокого обучения с подкреплением, повышающие помехоустойчивость беспроводной многоканальной системы связи с аналоговым диаграммообразованием в отсутствии и при наличии помех.

Результаты. Предложен нейросетевой подход на основе алгоритма «субъект - критик», обладающий преимуществом для решения задачи адаптивного аналогового диаграммообразования приемных многоканальных систем СВЧ-диапазона, с применением нейронных сетей для аппроксимации стратегии агента. Показано, что данный подход позволяет исключить оценку канала. Проведено имитационное моделирование, результаты которого подтвердили эффективность предложенных решений, продемонстрировав усиление антенной решетки, близкое к оптимальному как в отсутствие источников помех, так и при их наличии. Выполнен сравнительный анализ предложенного нейросетевого подхода с подходами на основе кодовых книг и с применением оценки канальной матрицы с точки зрения максимизации отношения сигнал/шум.

Практическая значимость. Представленные решения позволяют повысить помехоустойчивость приемных многоканальных систем радиосвязи СВЧ-диапазона с адаптивным аналоговым диаграммообразованием без значительного уменьшения пропускной способности.  

Аверина Л.И., Гутерман Н.Е., Чаркин Д.Ю. Нейросетевой подход для адаптивного аналогового диаграммообразования приемной многоканальной системы СВЧ-диапазона // Радиотехника. 2025. Т. 89. № 9. С. 133-144. DOI: https://doi.org/10.18127/j00338486-202509-14

1. Askarov S., Kizilirmak R.C., Ukaegbu I.A. Path loss analysis and system coverage for 28 GHz, 60 GHz and 73 GHz band wireless communication systems // Proc. 2023 Int. Conf. on Application of Information and Communication Technologies (Baku. Azerbaijan). N.Y.: IEEE. 2023.
2. Zhang W., Xia X., Fu Y., Bao X. Hybrid and full-digital beamforming in mm wave massive MIMO systems: a comparison considering low-resolution ADCs // China Communications. June 2019. V. 16. № 6. Р. 91.
3. Shehata M., Mokh A., Crussiere M., et al. On the equivalence between hybrid and full digital beamforming in mm wave communications // Proc. 2019 26th Int. Conf. on Telecommunications (Hanoi. Vietnam). N.Y.: IEEE. 2019. Р. 391.
4. Sohrabi F., Yu W. Hybrid digital and analog beamforming design for large-scale MIMO systems // 2015 IEEE Int. Conf. on Acoustics, Speech and Signal Processing (South Brisbane. QLD. Australia). N.Y.: IEEE. 2015. Р. 2929.
5. Ahmed I., Khammari H., Shahid A. A survey on hybrid beamforming techniques in 5G: architecture and system model perspectives // IEEE Communications Surveys & Tutorials. 2018. V. 20. № 4. Р. 3060.
6. Mabrouki S., Dayoub I., Li Q., Berbineau M. Codebook designs for millimeter-wave communication systems in both low- and high-mobility: achievements and challenges // IEEE Access. 2022. V. 10. Р. 25786.
7. Eldar Y.C., Goldsmith A., Gunduz D., Poor H.V. Machine learning and wireless communications. Cambridge: Cambridge University Press. 2022.
8. Luo F.-L. Machine learning for future wireless communications. N.-Y.: Wiley IEEE-Press. 2020.
9. Luong N.C., Hoang D.T., Gong S., et al. Applications of deep reinforcement learning in communications and networking: a survey // IEEE Communications Surveys & Tutorials. 2019. V. 21. № 4. Р. 3133.
10. Mao Q., Hu F., Hao Q. Deep learning for intelligent wireless networks: a comprehensive survey // IEEE Communications Surveys & Tutorials. 2018. V. 20. № 4. Р. 2595.
11. El Halawany B.M., Hashima S., Hatano K., et al. Leveraging machine learning for millimeter wave beamforming in beyond 5G networks // IEEE Systems Journal. 2022. V. 16. № 2. Р. 1739.
12. Wu W., Cheng N., Zhang N., et al. Fast mmwave beam alignment via correlated bandit learning // IEEE Transactions on Wireless Communications. 2019. V. 18. № 12. Р. 5894.
13. Zhang J., Huang Y., Wang J., et al. Intelligent interactive beam training for millimeter wave communications // IEEE Transactions on Wireless Communications. 2021. V. 20. № 3. Р. 2034-2048.
14. Chu M., Liu A., Lau V.K.N., et al. Deep reinforcement learning based end-to-end multiuser channel prediction and beamforming // IEEE Transactions on Wireless Communications. 2022. V. 21. № 12. Р. 10271-10285.
15. Lizarraga E.M., Maggio G.N., Dowhuszko A.A. Hybrid beamforming algorithm using reinforcement learning for millimeter wave wireless systems // 2019 XVIII Workshop on Information Processing and Control (Salvador, Brazil). N.-Y.: IEEE. 2019. Р. 253.
16. Le Magoarou L., Yassine T., Paquelet S., Crussiere M. Deep learning for location based beamforming with Nlos channels // 2022 IEEE Int. Conf. on Acoustics, Speech and Signal Processing (Singapore. Singapore). N.-Y.: IEEE. 2022. Р. 8812.
17. Wang L., Ai B., Niu Y., et al. Adaptive beam alignment based on deep reinforcement learning for high speed railways // 2022 IEEE 95th Vehicular Technology Conf. (Helsinki. Finland). N.-Y.: IEEE. 2022. Р. 1.
18. Dmitriyev E., Rogozhnikov E., Duplishcheva N., Novichkov S. Calculating beamforming vectors for 5G system applications // Symmetry. 2021. V. 13. № 12. Р. 2423.
19. Love D.J., Heath R.W. Equal gain transmission in multiple-input multiple-output wireless systems // IEEE Transactions on Com-munications. 2003. V. 51. № 7. Р. 1102-1110.
20. Liu X., Zhang J., Tang P., et al. Channel sparsity variation and model-based analysis on 6, 26, and 132 GHz measurements // https://arxiv.org/abs/2302.08772.
21. Gao Z., Hu C., Dai L., Wang Z. Channel estimation for millimeter-wave massive MIMO with hybrid precoding over frequency-selective fading channels // IEEE Communications Letters. 2016. V. 20. № 6. Р. 1259-1262.
22. Zhang Y., Alrabeiah M., Alkhateeb A. Reinforcement learning for beam pattern design in millimeter wave and massive MIMO systems // 2020 54th Asilomar Conf. on Signals, Systems and Computers (Pacific Grove. CA., USA). N.-Y.: IEEE. 2020. Р. 445.
23. Zhang Y., Alkhateeb A. Online beam learning for interference nulling in hardware-constrained mm wave MIMO systems // 2022 56th Asilomar Conf. on Signals, Systems and Computers (Pacific Grove. CA. USA). N.-Y.: IEEE. 2022. Р. 200.
24. Graesser L., Keng W.L. Foundations of deep reinforcement learning. Theory and Practice in Python. Boston: Addison-Wesley Prof. 2019.
25. Sutton R.S., Barto A.G. Reinforcement learning: an introduction. Boston: MIT Press. 2018.