Детальная информация

Целью данной работы является оценка эффективности применения методов глубокого обучения для приема SEFDM сигналов и сравнительный анализ различных нейросетевых архитектур. Работа основана на базе теоретических исследований и анализе уже существующих исследований по использованию методов глубокого обучения для обработки SEFDM сигналов. Рассмотрены архитектуры различных нейросетевых приёмников, а также выполнен их сравнительный анализ. Были проанализированы следующие архитектуры: полносвязные сети, глубокие комплекснозначные сверточные сети (ГКСНС), На основании проведенного анализа видно, что нейросетевые подходы к обработке сигналов обладают потенциалом к повышению спектральной эффективности и устойчивости к шуму. Особо выделяются методы на базе ГКСНС, которые продемонстрировали лучшие характеристики по качеству приёма. Результаты показывают, что исследованные подходы можно эффективно использовать для применения в различных системах связи, в условиях ограниченного спектра и нестабильных каналов передачи.

The objective of this work is to evaluate the effectiveness of deep learning methods for SEFDM signals reception and to conduct comparative analysis of various neural network architectures. The work is based on theoretical research and analysis of existing publications on the application of deep learning methods for SEFDM signal processing. Various neural network receiver architectures were reviewed and compared, including fully connected networks, deep complex-valued convolutional networks (DCCNN). The analysis showed that neural network approaches have significant potential for improving spectral efficiency and noise robustness. DCCNN methods demonstrated the best performance in terms of reception quality. The results support the recommendation of these approaches for use in next-generation communication systems, including 6G networks and the Internet of Things (IoT).

• Министерство науки и высшего образования российской федерации
• список аббревиатур, сокращений и обозначений
• Введение
• Глава 1. особенности Демодуляции SEFdm сигналов
• 1.1 . Проблематика SEFDM
• 1.2. Традиционные методы демодуляции
• 1.3. Преимущества нейросетевых методов демодуляции
• 1.4. Выводы
• Глава 2. Применение методов глубокого обучения для демодуляции SEFDM сигналов
• 2.1. Метод с использованием полносвязных нейронных сетей
• 2.2. Метод глубоких комплекснозначных сверточных сетей (ГКСНС)
• 2.3. Выводы
• Глава 3. СРАВНИТЕЛЬНЫЙ АНАЛИз методов глубокого обучения
• 3.1. Результаты моделирования
• 3.2. Сравнение архитектур нейронных сетей
• 3.3. Сравнение спектральной эффективности, устойчивости к шуму и вычислительной сложности
• 3.4. Выводы
• Заключение
• Список использованных источников