А.В. Епонешников1, А.И. Сулимов2

1,2 Казанский (Приволжский) федеральный университет», Институт физики (г. Казань, Россия)

1 sashah275@gmail.com; 2 asulimo@gmail.com

Постановка проблемы. Численная оценка временны́х положений парциальных компонент импульсной характеристики (ИХ) многолучевого радиоканала в условиях низкого отношения сигнал/шум (SNR) и динамической изменчивости объектов среды распространения необходима для адаптации современных систем беспроводной связи к характеристикам канала, а также для реализации перспективной технологии обеспечения защиты информации на физическом уровне. При этом наличие артефактов обработки и взаимного наложения соседних компонент ИХ во временно́й области требует одновременного обеспечения высокого временно́го разрешения, работоспособности в условиях низкого SNR, а также возможности отбраковывать ложные идентификации без строгих априорных предположений о структуре среды распространения.

Цель. Разработать метод распознавания парциальных компонент ИХ многолучевого радиоканала, обеспечивающий временно́е разрешение до 0,2 нс при SNR до –10 дБ без строгих априорных предположений о структуре канала для достижения универсальности технических решений.

Результаты. Предложен гибридный метод, комбинирующий корреляционную обработку зондирующих сигналов на основе кодов Голда, вейвлет-фильтрацию для подавления шума и классификацию на основе градиентного бустинга (XGBoost) с SHAP-анализом для разделения истинных компонент и артефактов. Показано, что данный метод обеспечивает временно́е разрешение 0,2 нс и корректно функционирует при SNR от -10 до +10 дБ в условиях среднеквадратичного рассеяния задержек 0,1...0,9 мкс. Установлено следующее: 1) при пороге классификации 0,5 обнаруженные компоненты составляют 90,5% суммарной мощности сигнала, а доля ложных срабатываний - 5,8% при SNR = –10 дБ; 2) при повышении порога до 0,95 доля ложных срабатываний уменьшается до 0,1% при сохранении 87,5% суммарной мощности в обнаруженных компонентах.

Практическая значимость. Разработанный метод обеспечивает надежную идентификацию энергетически значимых путей распространения сигнала в условиях низкого SNR без необходимости переобучения модели под различные типы каналов, что позволяет применять его для адаптивной настройки систем связи и генерации согласованных случайных последовательностей на физическом уровне в динамически изменяющихся условиях распространения.

Епонешников А.В., Сулимов А.И. Метод автоматического анализа парциальных компонент импульсной характеристики многолучевого радиоканала // Радиотехника. 2026. Т. 90. № 8. С. 118–130. DOI: https://doi.org/10.18127/j00338486-202608-11

1. Pérez Fontán F., Mariño Espiñeira P. Modeling the wireless propagation channel: a simulation approach with MATLAB®. Modeling the wireless propagation channel. Wiley. 2008.
2. Huang J., Jiang T. Secret key generation exploiting Ultra-wideband indoor wireless channel characteristics: UWB, secret key generation, multipath relative delay, reciprocity // Security and Communication Networks. 2015. V. 8. Secret key generation exploiting Ultra-wideband indoor wireless channel characteristics. № 13. P. 2329-2337.
3. Zhang J., Duong T.Q., Marshall A., Woods R. Key generation from wireless channels: a review // IEEE Access. 2016. V. 4. P. 614-626.
4. Sui Y., Gao H., He Y., Jiang G. Local predictability analysis-based significant multipath component identification for OFDM systems // IEEE Wireless Communications Letters. 2024. V. 13. № 9. C. 2482-2486.
5. Nam W., Kong S.-H. Least-squares-based iterative multipath super-resolution technique // IEEE Transactions on Signal Processing. 2013. V. 61. № 3. C. 519-529.
6. Aboaba O.A., Chung K. Pathlet: A new wavelet for resolving the constituent components in a multipath channel // 2006 Asia-Pacific Conference on Communications. 2006. Pathlet. P. 1-5.
7. Quinquis A., Boulinguez D. Multipath channel identification with wavelet packets // IEEE Journal of Oceanic Engineering. 1997. V. 22. № 2. P. 342-346.
8. Artai H.A., Bedi J.S. Determination of multipath channel parameters using wavelet decomposition // Integrated Computer-Aided Engineering. 2001. V. 8. № 2. P. 119-133.
9. Niitsoo A., Edelhäußer T., Eberlein E., Hadaschik N., Mutschler C. A deep learning approach to position estimation from channel impulse responses // Sensors. 2019. V. 19. № 5. P. 1064.
10. Lee G., An S., Jang B.-J., Lee S. Deep learning for counting people from UWB channel impulse response signals // Sensors. 2023. V. 23. № 16. P. 7093.
11. Wang K., Yang C. Analysis of machine learning-based NLOS signal identification algorithm for UWB indoor localization using CIR waveform features // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2024. V. XLVIII-4-2024. P. 705-710.
12. Li B., Zheng Q., Tian X., Yang M., Gui G., Jiang W., Lei H., Jiang J., Shu F., Elhanashi A., Saponara S. A survey of artificial intelligence enabled channel estimation methods: recent advance, performance, and outlook // Artificial Intelligence Review. 2025. V. 58. A Survey of Artificial Intelligence Enabled Channel Estimation Methods. № 6. P. 187.
13. Chen T., Guestrin C. XGBoost: a scalable tree boosting system // Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining. San Francisco California USA: ACM. 2016. XGBoost. P. 785-794.
14. Hamilton R.I., Papadopoulos P.N. Using SHAP values and machine learning to understand trends in the transient stability limit // IEEE Transactions on Power Systems. 2024. V. 39. № 1. P. 1384-1397.
15. Zhang C., Zou X., Lin C. Fusing XGBoost and SHAP models for maritime accident prediction and causality interpretability analysis // Journal of Marine Science and Engineering. 2022. V. 10. № 8. P. 1154.
16. Шатилов А.Ю. Характеристики радиосигналов глобальных спутниковых радионавигационных систем ГЛОНАСС, GPS, Galileo, Beidou и функциональных дополнений SBAS: учебное пособие для студентов, обучающихся по направлению «Радиоэлектронные системы и комплексы» [Электронный ресурс]. М.: МЭИ, 2016. 36 с.
17. Федорович Т.Е., Сергеевич Ф.В. Свойства кодов голда и неоднозначность в РСА // Радиотехнические и телекоммуникационные системы. 2023. № 4. C. 41-50.
18. TR 138 901-V16.1.0-5G; Study on channel model for frequencies from 0.5 to 100 GHz (3GPP TR38.901 version 16.1.0 Release 16).
19. Abedi O., Yagoub M.C.E. Performance comparison of UWB Pulse modulation schemes under white gaussian noise channels.
20. Fourati W., Bouhlel M. Visushrink pretreatment for image compression // International Journal of Computer Applications. 2011. V. 23.