Е.И. Глушанков1, К.К. Фам2

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

1 glushankov.ei@sut.ru; 2 fam.kk@sut.ru

Постановка проблемы. В настоящее время снижение вычислительной сложности алгоритмов обработки сигналов в многопользовательских системах беспроводной связи с технологией «множественный вход - множественный выход» и ортогональным частотным разделением каналов (MU-MIMO-OFDM) является актуальной задачей. Это обусловлено тем, что высокие вычислительные затраты на выполнение операций обращения матриц канала высокой размерности, растущие пропорционально кубу с увеличением числа антенн и пользователей в каждом подканале OFDM, затрудняют практическую реализацию таких систем. Таким образом, требуется комплексный подход, обеспечивающий унифицированную замену ресурсоемкой операции обращения матриц на итерационный метод предобусловленного сопряженного градиента как при оценке канала, так и при расчете весовых коэффициентов прекодеров. Для этого необходимо разработать и применить предиктивную нейросетевую модель для определения оптимального числа итераций данного метода, позволяющую адаптивно настраивать данный параметр исходя из текущих канальных условий, чтобы отказаться от вычислительно затратных процедур поиска.

Цель. Представить метод снижения вычислительной сложности ключевых алгоритмов обработки сигнала в MU-MIMO-OFDM- системах путем адаптивного управления числом итераций метода предобусловленного сопряженного градиента с использованием нейросетевого предсказания.

Результаты. Рассмотрена задача снижения вычислительной сложности алгоритмов линейного прекодирования и LMMSE-оценки канала в MU-MIMO-OFDM-системах. Предложен и исследован унифицированный подход, заменяющий вычислительно-затратную операцию обращения матриц на адаптивную итерационную процедуру на основе метода сопряженных градиентов с предобуславливанием. Разработана и использована предиктивная нейросетевая модель для динамического управления числом итераций данного метода. Показано, что предложенный интеллектуальный механизм позволяет с высокой точностью определять минимально необходимое число итераций, исходя из текущего состояния канала, что обеспечивает достижение производительности на уровне классических методов, требующих прямого обращения матриц, но при значительно ме́ньших и динамически адаптируемых вычислительных затратах, а также поддерживает качество передачи, сопоставимое с классическими методами, использующими прямое обращение матриц, особенно в области средних и высоких отношений сигнал/шум.

Практическая значимость. Разработанный метод обеспечивает масштабируемость MU-MIMO-OFDM-систем, открывая возможность для их эффективной практической реализации в условиях большого числа пользователей и антенн. Замена детерминированной ресурсоемкой операции на адаптивный итерационный процесс с предсказываемым числом итераций является ключевым фактором для построения высоконагруженных систем связи нового поколения, требующих управления ресурсами в реальном времени.

Глушанков Е.И., Фам К.К. Исследование методов снижения сложности алгоритмов обработки сигнала в MU-MIMO-OFDM-системах на основе машинного обучения // Радиотехника. 2026. Т. 90. № 8. С. 69–81. DOI: https://doi.org/10.18127/j00338486-202608-07

1. Kansal L., Berra S., Mounir M., Miglani R., Dinis R., Rabie K. Performance analysis of massive MIMO-OFDM system incorporated with various transforms for image communication in 5G systems // Electronics. 2022. V. 11. № 4. Art. no. 621. DOI: 10.3390/electronics11040621.
2. Крейнделин В.Б., Смирнов А.Э., Бен Режеб Т.Б.К. Эффективность методов обработки сигналов в системах MU-MIMO высоких порядков // T-Comm: Телекоммуникации и транспорт. 2016. Т. 10. № 12. С. 2430.
3. Fatema N., Hua G., Xiang Y., Peng D., Natgunanathan I. Massive MIMO linear precoding: a survey // IEEE Systems Journal. 2018. V. 12. № 4. Р. 39203931. DOI: 10.1109/JSYST.2017.2776401.
4. Albreem M.A. Efficient iterative massive MIMO detectors based on iterative matrix inversion methods // Design Methodologies and Tools for 5G Network Development and Application / Ed. by P. Suresh, G. Vairavel, U. Saravanakumar. Hershey: IGI Global. 2021. P. 175195. DOI: 10.4018/978-1-7998-4610-9.ch009.
5. Albreem M.A., Alsharif M.H., Kim S. A low complexity near-optimal iterative linear detector for massive MIMO in realistic radio channels of 5G communication systems // Entropy. 2020. V. 22. № 4. Art. no. 388. DOI: 10.3390/e22040388.
6. 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: 10.18127/j00338486-202603-05.
7. Аверина Л.И., Токарев П.А. Методы предварительного кодирования для систем связи с технологией massive MIMO // Вестник Воронежского гос. ун-та. Сер. Физика. Математика. 2021. № 3. С. 514.
8. Калачиков А.А. Анализ характеристик алгоритмов прекодирования сигналов в системе MU-MIMO с группированием абонентов // Труды учебных заведений связи. 2023. Т. 9. № 2. С. 6571. DOI: 10.31854/1813-324X-2023-9-2-65-71.
9. Subitha D., Vani R. Analysis of linear precoding techniques for massive MIMO-OFDM systems under various scenarios // IOP Conference Series: Materials Science and Engineering. 2021. V. 1084. Art. no. 012053. DOI: 10.1088/1757-899X/1084/1/012053.
10. Zu K., De Lamare R.C., Haardt M. Multi-branch tomlinson-harashima precoding design for MU-MIMO systems: theory and algorithms // IEEE Transactions on Communications. 2014. V. 62. № 3. P. 939951. DOI: 10.1109/TCOMM.2014.012514.130241.
11. Jiaxun L., Pingyi F. Precoding with adaptive subcarrier grouping in MIMO-OFDM systems // 2014 International Workshop on High Mobility Wireless Communications. Beijing. China. 2014. P. 103108. DOI: 10.1109/HMWC.2014.7000223.
12. Le H.A., Chien T.V., Nguyen T.H., Jeon G. Machine learning-based 5G-and-beyond channel estimation for MIMO-OFDM communication systems // Sensors. 2021. V. 21. № 14. Art. no. 4861. DOI: 10.3390/s21144861.
13. McNamara D.P., Beach M.A., Fletcher P.N. Spatial correlation in indoor MIMO channels // Proceedings of the 13th IEEE International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC). Lisbon: IEEE. 2002. V. 1. P. 290294. DOI: 10.1109/PIMRC.2002.1046707.
14. Ferreira A., Gaspar G., Carvalho P., Dinis R., Moghavvemi M. A low complexity channel estimation scheme for Massive MIMO systems // Proceedings of the 2017 13th International Wireless Communications and Mobile Computing Conference (IWCMC). Valencia: IEEE. 2017. P. 234239. DOI: 10.1109/IWCMC.2017.7986292.
15. Yue Y., Zhang C., Zhang S., You X. A fast-convergent pre-conditioned conjugate gradient detection for massive MIMO uplink // Proceedings of the 2016 IEEE International Conference on Digital Signal Processing (DSP). Beijing: IEEE. 2016. P. 331335. DOI: 10.1109/ICDSP.2016.7868573.
16. Schmid L., Sulz D., Schmalen L. Fast and Robust Expectation Propagation MIMO Detection via Preconditioned Conjugated Gradient // Proceedings of the 2024 58th Asilomar Conference on Signals, Systems, and Computers. IEEE. 2024. P. 16031608. DOI: 10.1109/IEEECONF60004.2024.10942808.
17. Zhou Z., Niu Y., Wan B., Zhou W. Anti-Jamming Communication Using Imitation Learning // Entropy. 2023. V. 25. № 11. Art. no. 1547. DOI: 10.3390/e25111547.
18. Gavenski N., Meneguzzi F., Luck M., Rodrigues O. A Survey of Imitation Learning Methods, Environments and Metrics // arXiv preprint. 2024. arXiv:2404.19456. DOI: 10.48550/arXiv.2404.19456.