Д. Л. Мясников1
1 Поволжский государственный университет телекоммуникаций и информатики (г. Самара, Россия)

1 myasnikov.danil@internet.ru

Постановка проблемы. Современные нейронные сети требуют значительных вычислительных ресурсов, что затрудняет их интеграцию в системы реального времени, такие как RFID-технологии, где важна высокая скорость обработки данных.

Цель. Оптимизировать архитектуру нейронной сети путем сокращения числа полносвязных слоев и изменения ряда важных параметров, сохранив качество распознавания и функциональность модели.

Результаты. Показано, что удалось уменьшить число полносвязных слоев и оптимизировать ключевые параметры нейронной сети, обеспечив значительное повышение ее производительности без ухудшения точности классификаций.

Практическая значимость. Полученная оптимизированная архитектура позволяет успешно интегрировать нейронную сеть в реальные системы RFID, повышая эффективность процессов идентификации объектов и снижая затраты на вычислительные мощности.

Мясников Д.Л. Оптимизация архитектуры сверточной нейронной сети для повышения помехоустойчивости комплекса ретрансляции RFID сигналов // Антенны. 2026. № 3. С. 86–93. DOI: https://doi.org/10.18127/j03209601-202603-08

1. Zakaria R., Abdelmajid H., Dya Z. et al. CXAI: Explaining convolutional neural networks for medical imaging diagnostic // Electronic Devices and Systems for Biomedical Applications. 2022 [Электронный ресурс] / URL: https://doi.org/10.3390/electronics11111775.
2. Kim D.-Y., Yook J.-G., Yoon H.-G. et al. Interference analysis of UHF RFID systems // Progress In Electromagnetics Research B. 2008. V. 4. P. 115–126.
3. Мясников Д.Л., Ложкин Л.Д., Соколова Ю.В. Определение влияния помех на изображения разных цветов посредством ПО // Физика волновых процессов и радиотехнические системы. 2023. Т. 26. № 1. С. 116–122.
4. Python [Электронный ресурс] / URL: https://www.python.org.
5. Tensorflow [Электронный ресурс] / URL: https://www.tensorflow.org.
6. Клюев Д.С., Мясников Д.Л. Создание нейронной сети для классификации зашумленных сигналов радиочастотной идентификации // Сб. трудов XXXI Междунар. науч.-технич. конф. «Радиолокация, навигация, связь». 2025. Т. 5. С. 292–297.
7. Новомейский Д.Н., Пиганов М.Н., Лупцов А.А. и др. Методика синтеза топологии платы узла радиочастотного тракта // Физика волновых процессов и радиотехнические системы. 2025. Т. 28. № 3. С. 49–55.
8. Sharifrazi D., Khozeimeha F., Izadic N.H. et al. CNN AE: Convolution neural network combined with autoencoder approach to detect survival chance of COVID 19 patients. 2021.
9. Мишин Д.В., Гладких А.А., Кутузов В.И. и др. Исследование процессов когнитивной обработки данных в системах радиосвязи с перестановочным декодированием // Физика волновых процессов и радиотехнические системы. 2024. Т. 27. № 1. С. 103–112.