Оптимизация пропускной способности беспроводного канала связи с использованием алгоритмов машинного обучения

В решениях, традиционно применяющихся для физического канала систем беспроводной связи, зачастую используются теоретически обоснованные оптимальные математические модели. При этом на практике такие решения могут иметь различные нелинейные свойства и быть подвержены ограничениями, связанным с оборудованием (например, нелинейность характеристик усилителей мощности). Таким образом, подходы, опирающиеся на традиционные архитектуры, могут не обеспечивать оптимальный результат, поскольку аналитические модели могут только в приближенной форме иметь дело с возникающими техническими ограничениями. Другими словами, их жесткая аналитичность может снижать адаптивность систем беспроводной связи, эффективность функционирования которых может изменяться во времени. Так, например, производительность может снижаться в случае использования квадратурной амплитудной модуляции (КАМ) с более высоким числом передаваемых битов информации (например, 64-позиционная или 256-позиционная КАМ). Именно для таких случаев могут быть использованы системы связи со сквозным обучением, которые могут помочь решить задачу сквозной оптимизации производительности. В данном контексте могут применяться автоэнкодеры на основе глубоких нейронных сетей, позволяющие реализовывать обучаемые сигнальные созвездия и нейросетевые демодуляторы со сквозным обучением всей системы. Таким образом могут быть получены геометрически оптимизированные сигнальные созвездия, адаптированные к каналам беспроводной связи, имеющим более высокую скорость передачи данных. В настоящей выпускной квалификационной работе (ВКР) оценивается производительность четырех архитектур, выполненных с применением автоэнкодеров, в рамках которых реализованы обучаемые сигнальные созвездия и нейросетевые демодуляторы. Указанные архитектуры сравниваются с референтной (Baseline) моделью, которая представлена традиционным (не обучаемым) сигнальным созвездием 64-позиционной КАМ, а также традиционным демодулятором с max-log алгоритмом декодирования. Кроме того, для обеспечения более широкого сопоставительного контекста дополнительно рассмотрена традиционная аналитическая модель, выполненная на основе традиционного сигнального созвездия 64-позиционной КАМ и аналитического демодулятора. По итогам проведенных численных экспериментов архитектуры на основе автоэнкодеров продемонстрировали более высокую производительность по отношению как к референтной, так и к аналитической модели для случая применения 64-позиционной КАМ. В частности, применительно к соотношению сигнал-шум автоэнкодеры опередили традиционные модели на 0,5 дБ и обеспечили снижение частоты блоковых ошибок (Block Error Rate) до 80% относительно рассматриваемых референтной (Baseline) и аналитической моделей.