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

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

2 Федеральный исследовательский центр «Информатика и управление» РАН (Москва, Россия)

1 xeal91@yandex.ru, 2 ovdruzh@mail.ru, 3 olga121@inbox.ru

Постановка проблемы. Моделирование распространения радиоволн в сложных нелинейных средах относится к числу актуальных научных задач. Существенное значение имеет создание эффективных инструментов для прогнозирования характеристик сигналов Wi-Fi диапазона с учетом сложных геометрических характеристик ограждающих конструкций. Разработка нейросетевых алгоритмов, опирающихся на синтетические данные, направлена на преодоление ограничений, связанных с трудоемкостью натурных измерений.

Цель. Разработать алгоритмическое и программное обеспечение для моделирования процесса распространения электромагнитных волн с использованием нейронных сетей, а также проанализировать результаты вычислительных экспериментов и оценить эффективность интеллектуальных алгоритмов на основе стандартных метрик.

Результаты. Разработана имитационная модель с функцией процедурной генерации планировок для создания репрезентативного синтетического датасета. Предложена и реализована специализированная архитектура нейронной сети MLP–Wi-Fi RW (Multilayer Perceptron – Wi-Fi Radio Waves). Проведено обучение варианта указанной нейросети на сгенерированных данных, выполнена оценка эффективности разработанных алгоритмов на основе метода кросс-валидации. Создано проблемно-ориентированное программное обеспечение на языках программирования Python и Julia, а также выполнена интерпретация полученных результатов.

Практическая значимость. Полученные результаты могут найти применение при решении задач построения цифровых двойников, применимых к анализу физических сред распространения коротковолновых радиосигналов. Рассмотренный подход к моделированию направлен на совершенствование систем цифровой связи и на развитие интеллектуальных методов анализа характеристик электромагнитных волн.

Петров А.А., Дружинина О.В., Масина О.Н. Разработка и реализация нейросетевого алгоритма для моделирования процесса распространения электромагнитных волн // Электромагнитные волны и электронные системы. 2026. Т. 31. № 4. С. 94−103. DOI: https://doi.org/10.18127/j15604128-202604-08

1. Hata M. Empirical formula for propagation loss in land mobile radio services // IEEE Transactions on Vehicular Technology. 1980. V. 29. № 3. P. 317–325. DOI 10.1109/T-VT.1980.23859.
2. Панченко В.Е., Ерохин Г.А., Гайнутдинов Т.А., Кочержевский В.Г., Шорин О.А. Сочетание статистических и детерминистских методов расчета радиополя в городских условиях // Электросвязь. 1998. № 4. С. 31–33.
3. Милютин Е.Р., Василенко Г.О., Сиверс М.А., Волков А.Н., Певцов Н.В. Методы расчета поля в системах связи дециметрового диапазона. СПб: Триада. 2003. 159 с.
4. Perez Fontan F., Mariño Espiñeira P. Modeling the wireless propagation channel: a simulation approach with MATLAB. Wiley. 2008. 268 p. DOI 10.1002/9780470751749.
5. Утц В.А. Исследование потерь при распространении радиосигнала сотовой связи на основе статистических моделей // Вестник Балтийского федерального университета им. И. Канта. 2011. № 4. С. 44–49.
6. 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.
7. Гришко А.К., Горячев Н.В., Трусов В.А., Подсякин А.С., Прошин А.А. Анализ математических моделей для расчета параметров радиотрасс // Труды Международного симпозиума «Надежность и качество». 2018. Т. 2. С. 361–363.
8. Wilson H. Artificial intelligence. Grey House Publishing. 2018. 200 p.
9. Николенко С.И., Кадурин А.А., Архангельская Е.В. Глубокое обучение. СПб.: Питер. 2018. 480 с.
10. Казьмин О.Ю., Симонина О.А. Использование нейронных сетей для решения задачи оптимизации электромагнитной обстановки в сетях радиодоступа // Труды учебных заведений связи. 2021. Т. 7. № 3. С. 25–37. DOI 10.31854/1813-324X-2021-7-3-25-37.
11. Бархатов Н.А., Ревунов С.Е., Урядов В.П. Технология искусственных нейронных сетей для прогнозирования критической частоты ионосферного слоя F2 // Известия высших учебных заведений. Радиофизика. 2005. Т. 48. № 1. С. 1–15.
12. Ромащенко М.А., Васильченко Д.В., Белецкая С.Ю. Использование искусственных нейронных сетей для оценки воздействия электромагнитных помех // Радиотехника. 2023. Т. 87. № 8. С. 21–27. DOI 10.18127/j00338486-202308-04.
13. Аджемов С.С., Кленов, Терешонок М.В., Чиров Д.С. Нейросетевой метод синтеза информативных признаков для классификации источников сигналов в системах когнитивного радио // Вестник Московского университета. Серия 3: Физика. Астрономия. 2016. № 2. С. 34–39.
14. Аджемов С.С., Терешонок М.В., Чиров Д.С. Распознавание видов цифровой модуляции радиосигналов с использованием нейронных сетей // Вестник Московского университета. Серия 3: Физика. Астрономия. 2015. № 1. С. 23–28.
15. 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.
16. 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. DOI 10.18127/j20700970-202201-01.
17. 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. T. 24. № 1. С. 25–35. DOI 10.18127/j19998554-202201-03.
18. 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 10.18127/j15604128-202206-07.
19. Gupta P., Bagchi A. Introduction to NumPy // Essentials of Python for Artificial Intelligence and Machine Learning. 2024. P. 127–159. DOI 10.1007/978-3-031-43725-0_4.
20. Bezanson J., Karpinski S., Shah V.B., Edelman A. Julia: A Fast Dynamic Language for Technical Computing // arXiv. 2012. arXiv:1209.5145v1 [cs.PL]. P. 1–27. DOI 10.48550/arXiv.1209.5145.
21. Innes M., Saba E., Fischer K., Gandhi D., Rudilosso M.C., Joy N.M., Karmali T., Pal A., Shah V. Fashionable Modelling with Flux // arXiv. 2012. arXiv:abs/1811.01457 [cs.PL]. P. 1–7. DOI 10.48550/arXiv.1811.01457.
22. Innes M. Flux: Elegant Machine Learning with Julia // Journal of Open Source Software. 2018. V. 3. № 25. P. 602. DOI 10.21105/ joss.00602.