К.К. Фам1, Е.И. Глушанков2, В.А. Сороцкий3

1, 2 Санкт-Петербургский государственный университет телекоммуникаций имени проф. М.А. Бонч-Бруевича (Санкт-Петербург, Россия) 3 Санкт-Петербургский политехнический университет Петра Великого (Санкт-Петербург, Россия)

1 fam.kk@sut.ru; 2 glushankov@.sut.ru; 3 sorotsky@spbstu.ru

Постановка проблемы. Кубическая вычислительная сложность операции обращения корреляционной матрицы канала в линейных эквалайзерах, оптимальных по критерию минимума среднеквадратической ошибки, является основным ограничивающим фактором при реализации энергоэффективных приемников в многоканальных системах с несколькими входами и выходами (Multiple-Input Multiple-Output, MIMO) с квазиортогональным пространственно-временны́м блочным кодированием, особенно в условиях аппаратных ограничений интернета вещей и сетей 5G/6G.

Цель. Синтезировать вычислительно эффективные гибридные архитектуры детектирования, интегрирующие итерационные численные методы с проактивным управлением на базе глубоких нейронных сетей для минимизации числа операций с плавающей запятой без деградации помехоустойчивости.

Результаты. Представлена гибридная архитектура детектора сигналов для MIMO-систем, позволяющая перейти от традиционных реактивных стратегий адаптации к предиктивному управлению на основе глубокого обучения. Предложены гибридные алгоритмы, ориентированные на аппаратную реализацию в MIMO-системах Massive, особенно для сценариев сверхнадежной связи с низкой задержкой. Показано, что за счет снижения вычислительной нагрузки эти алгоритмы позволяют использовать менее мощные, энергоэффективные процессоры в терминалах интернета вещей и базовых станциях при обработке сигналов в реальном времени. Проведено имитационное моделирование предложенных гибридных алгоритмов детектирования в среде MATLAB, результаты которого подтвердили, что интеграция легковесных нейронных сетей с численными методами обеспечивает не только уровень помехоустойчивости, эквивалентный точным методам полного обращения матрицы, но и динамически уменьшает вычислительные затраты с кубических до линейных О(М) в зависимости от состояния канала. Показана масштабируемость подхода для антенных решеток большой размерности.

Практическая значимость. Разработанная гибридная архитектура детектирования благодаря отказу от ресурсоемких процедур факторизации матрицы наиболее эффективна в условиях быстроменяющихся каналов, когда амортизация накладных расходов классических прямых методов невозможна.

Фам К.К., Глушанков Е.И., Сороцкий В.А. Гибридные MIMO-детекторы с квазиортогональным пространственно- временным блочным кодированием и адаптивным управлением сложностью на осн ове глубокого обучения // Радиотехника. 2026. Т. 90. № 3. С. 53−65. DOI: https://doi.org/10.18127/j00338486-202603-05

1. Фам К.К., Глушанков Е.И. Исследование и разработка алгоритмов обработки сигналов в сис темах MIMO с применением пространственно-временных кодо в // Труды учебных заведений связ и. 2025. Т. 11. № 3. С. 59 −70. DOI: 10.31854/1813324X-2025-11-3-59-70.
2. Бакулин М.Г., Крейнделин В.Б., Панкратов Д.Ю., Степанова А.Г. Анализ помехоустойчивост и алгоритмов демодуляции в Massive MIMO, использующих негауссовскую аппроксимацию // Информационные процессы. 2025. Т. 25. № 1. С. 62−77.
3. Albreem M.A., Juntti M., Shahabuddin S. Massive MIMO detection techni ques: a survey // IEEE Communica tions Surveys & Tutorials. 2019. V. 21. № 4. P. 3109−3132. DOI: 10.1109/COMST.2019.2935810.
4. Liu Q. Iterative algorithms and archi tectures in massive MIMO detect ion // Applied and Computational Engineering. 2023. V. 6. P. 1143−1150. DOI: 10.54254/2755-2721/6/20230491.
5. Seema S.A.M.K., Reddy B. Data detection in large MIMO system with reduced computational complexity for QOSTBC transmission // 2023 3rd International Conferen ce on Advancemen t in Electron ics & Communication Engineering (AECE). Ghaziabad. India. 2023. P. 46-50. DOI: 10.1109/AECE59614.2023.10428602.
6. Wu C., Yang S., Xiao Y., Xiao M. Quasi-orthogonal space-time bl ock coded spatial modulation // IEEE Transactions on Communications. 2022. V. 70. № 12. P. 7872−7885. DOI: 10.1109/TCOMM.2022.3216805.
7. Фам К.К., Глушанков Е.И. Исследование методов разнесенно го приема в радиоканалах с зам ираниями // Моделирование, оптимизация и информационные технологии. 2025. Т. 13. № 3. URL: https://moitvivt.ru/ru/journal/pdf?id=1944. DOI: 10.26102/2310-6018/2025.50.3.002.
8. Zhang X., Zeng H., Ji B., Zhang G. Low-complexity implicit detect ion for massive MIMO using neum ann series // IEEE Transactions on Vehicular Technology. 2022. V. 71. № 8. P. 9044−9049. DOI: 10.1109/TVT.2022.3172950.
9. Глушанков Е.И., Фам К.К. Адаптивный алгоритм выбора режимов пространственного разнесения и мультиплексирования в системах MIMO-OFDM // Электросвязь. 2025. № 9. С. 91−102. DOI: 10.34832/ELSV.2025.71.9.009. 1
10. Olutayo T., Champagne B. Dynamic conjugate gradient unfolding for symbol detection in time-varying massive MIMO // IEEE Open Journal of Vehicular Technology. 2024. V. 5. P. 792−806. DOI: 10.1109/OJVT.2024.3410834. 1
11. Yin B., Wu M., Cavallaro J.R., Studer C. Conjugate gradient-based soft-output detection and precoding in massive MIMO systems // 2014 IEEE Global Communications Conference. Austin. USA. 2014. P. 3696−3701. DOI: 10.1109/GLOCOM.2014.7037382. 1
12. Bacci G., D'Amico A.A., Sanguinetti L. MMSE channel estimation in large-scale MIMO: improved robustn ess with reduced complexity // IEEE Transactions on Wireless Communications. 202 4. V. 23. № 12. P. 18563 −18575. DOI: 10.1109/TWC.2024.3470124. 1
13. Bobrov E., Kropotov D., Lu H., Zaev D. Massive MIMO adaptive modulatio n and coding using online deep learning algorithm // IEEE Communications Letters. 2022. V. 26. № 4. P. 818−822. DOI: 10.1109/LCOMM.2021.3132947. 1
14. Hunger R. Floating point operations in matrix-vector calculus. Tech. Rep. v. 1.
15. Munich: Munich University of Technology. 2007. 1
16. Guo J., Wen C.-K., Jin S., Li G.Y. Overview of deep learning-base d CSI feedback in massive MIMO systems // IEEE Transactions on Communications. 2022. V. 70. № 12. P. 8017−8045. DOI: 10.1109/TCOMM.2022.3217777.