Детальная информация

В данной работе исследуются алгоритмы устранения межсимвольной интерференции в сигналах Faster-than-Nyquist на основе машинного обучения. В ходе работы были исследованы существующие подходы устранения межсимвольной интерференции. Были разработаны две нейронные сети с различными архитектурами: одна на основе свёрточного автоэнкодера, вторая – на архитектуре трансформера. Разработанные модели были обучены на различных наборах сигналов с оптимизацией Adam методом обратного распространения ошибки. Было проведено имитационное моделирование для оценки помехоустойчивости приёма при использовании нейронных сетей. Имитационное моделирование проводилось для модуляции 4-PSK и импульсов вида корень квадратный из приподнятого косинуса с различными коэффициентами скругления. Учтены терминологические особенности предметной области и применены программные средства для решения задач. Применено специализированное программно-математическое обеспечение Matlab.

This work investigates machine learning-based algorithms for eliminating inter-symbol interference in Faster-than-Nyquist signals. During the work, existing approaches to eliminating intersymbol interference were investigated. Two neural networks with different architectures were developed. One is based on a convolutional autoencoder, the second is based on a transformer architecture. The developed models were trained on various sets of signals with Adam optimization using the backpropagation method. Simulation modeling was carried out to assess the noise immunity of reception when using neural networks. Simulations were carried out for 4-PSK modulation and square root raised cosine pulses with different roll-off factors. Terminological features of the subject area are taken into account and software tools are used to solve problems. Specialized software and mathematics were used (Matlab).