М.В. Хорошайлова1, А.А. Пирогов2, А.В. Турецкий3, С.Ю. Белецкая4

1-4 ФГБОУ ВО «Воронежский государственный технический университет» (г. Воронеж, Россия)

1pmv2205@mail.ru; 2 pirogov.alx@gmail.com, 3 tav7@mail.ru; 4su_bel@mail.ru

Постановка проблемы. В системах связи, в том числе при эксплуатации беспилотных летательных аппаратов (БПЛА), радиоканал характеризуется тем, в полете могут существенно изменяться уровень сигнала, отношение сигнал/шум (ОСШ) и доплеровский сдвиг частоты. Традиционные декодеры, использующие фиксированную кодовую книгу, не способны оперативно подстраивать скорость передачи без переобучения или замены модели, что приводит или к потере пропускной способности, или к снижению помехоустойчивости. Хранение множества моделей для разных скоростей неприемлемо для бортовых систем БПЛА из-за ограничений по объему памяти, массогабаритным характеристикам и энергопотреблению. Следовательно, актуальной является задача создания единого нейросетевого канального декодера, обеспечивающего динамическую адаптацию кодовой книги по скорости передачи в реальном времени без переобучения модели.

Цель. Предложить нейросетевой канальный декодер с динамической адаптацией кодовой книги по скорости передачи в реальном времени без переобучения модели для применения в бортовых системах связи БПЛА и в системах связи с ограниченными вычислительными и энергетическими ресурсами.

Результаты. Разработан нейросетевой канальный декодер с адаптацией кодовой книги по скорости передачи, функционирующий в реальном времени без переобучения модели. Показано, что предложенная архитектура, основанная на глубоко развернутом алгоритме распространения доверия с обучаемыми весами и авторегрессионном модуле изменения размера кодовой книги, обеспечивает снижение требуемого объема памяти на 65–70%, вычислительное ускорение до 2,3 раза и сокращение энергопотребления до 40% за счет механизма раннего выхода по синдрому, а по вероятности битовой ошибки разработанный декодер уступает набору специализированных моделей фиксированной скорости не более чем на 0,5 дБ. Установлено, что данный метод устойчиво работает при увеличении размера кодовой книги до восьми раз и сохраняет работоспособность при ошибке оценки отношения сигнал/шум до ±3 дБ.

Практическая значимость. Предложенный нейросетевой канальный декодер обеспечивает адаптацию к изменяющемуся качеству радиоканала в реальном времени без перезапуска, что особенно важно в условиях быстро меняющейся помеховой обстановки и полетов с переменной скоростью.

Хорошайлова М.В., Пирогов А.А., Турецкий А.В., Белецкая С.Ю. Глубокое обучение для канального декодирования с адаптацией кодовой книги по скорости передачи // Радиотехника. 2026. Т. 90. № 7. С. 62-66. DOI: https://doi.org/10.18127/j00338486-202607-11

1. Max Cohen, Guillaume Quispe, Sylvain Le Corff, Charles Ollion, Eric Moulines. Diffusion bridges vector quantized variational autoencoders // In International Conference on Machine Learning. PMLR. 2022. Р. 4141–4156.
2. Elgendy I.A., Zhang W., Tian Y.-C., Li K. Resource allocation and computation offloading with data security for mobile edge computing // Future Generation Computer Systems. 2019. V. 100. Р. 531–541.
3. Хорошайлова М.В. Разработка и реализация симметричного самоорганизующегося нейросетевого декодера // Вестник Воронежского государственного технического университета. 2020. Т. 16. № 3. С. 60-64.
4. Башкиров А.В., Хорошайлова М.В., Демихова А.С. Оптимизация системы передачи информации от беспилотного летательного аппарата и повышение пропускной способности канала связи // Вестник Воронежского института МВД России. 2023. № 4. С. 140–148.
5. Башкиров А.В., Хорошайлова М.В. Алгоритмы низкой сложности декодирования и архитектура для недвоичных низкоплотностных кодов // Радиотехника. 2016. Т. 80. № 6. С. 10-14.