Использование методов машинного обучения для снижения частоты ошибок в системах цифровой связи

Проблемой, на решение которой направлен проект, является оптимизация сочетания классических и обучаемых алгоритмов в современных системах цифровой связи. Такое сочетание позволит улучшить показатели качества работы систем связи, сделать их более робастными к меняющимся в широких пределах условиям функционирования, что обуславливает актуальность проекта. В рамках проекта предполагается решать две основные задачи: 1. Информационно-аналитическая задача: анализ и систематизация литературных источников для поиска ниши, в которой научный коллектив мог бы продолжить исследования наиболее эффективно — с учетом как перспектив различных направлений развития, так и имеющегося у коллектива опыта в разработке алгоритмов обработки сигналов в системах цифровой связи. 2. Прикладная задача: исследование возможностей использования искусственных нейронных сетей для оптимизации сигнально-кодовых конструкций и алгоритмов их приема, включая совместную оценку состояния канала связи и переданных данных, в системе связи с ортогональным частотным мультиплексированием (Orthogonal Frequency Division Multiplexing, OFDM). При выполнении проекта планируется систематизированным образом проанализировать возможности использования искусственных нейронных сетей для приема OFDM-сигналов, используя следующие подходы: • Постепенный переход от классической к нейросетевой структуре путем поочередной замены отдельных классических элементов на обучаемые блоки. • Пост-оптимизация полученных нейросетей. • Анализ влияния гиперпараметров нейросети на получаемые результаты. В качестве моделей каналов связи планируется использовать как классические статистические модели из стандартов систем мобильной связи четвертого (LTE) и пятого (New Radio) поколений, так и более реалистичную модель, основанную на статистической трассировке лучей (Quasi Deterministic Radio channel Generator, QuaDRiGa). Научная новизна исследований заключается в том, что в результате решения сформулированной выше прикладной задачи будут получены новые знания о методах объединения классических и обучаемых алгоритмов и о выборе гиперпараметров обучаемых структур с опорой на математический аппарат статистической радиотехники