91��ý

Радиобайланыс жүйелері бүгінгі цифрлық өркениеттің тірегі. Ұялы байланыстан бастап интернет заттарына дейін, зымырансыз деректер берудің барлық формалары бір іргелі техникалық мәселені шешуге тәуелді: шуылдан толы ортада сигналды дұрыс тануға және өңдеуге. Осы өзекті мәселені шешу мақсатында отандық зерттеуші «Нейрондық желілерді пайдалана отырып, түрлі платформаларда радиожүйелердегі сигналдарды сүзудің және жіктеудің бейімделгіш алгоритмдерін әзірлеу» атты ғылыми жобаны іске асыруда. Жоба «Озық өндіріс, цифрлық және ғарыш технологиялары» басымдық бағыты бойынша «Телекоммуникациялық технологиялар және заттар интернеті» мамандандырылған бағытында орындалады. 

Радиожүйелердегі сигналды сүзу мен жіктеу сигнал/шу деңгейі (SNR) төмен болғанда және есептеу ресурстары шектеулі болғанда күрт күрделенеді. Дәстүрлі алгоритмдер мұндай жағдайларда тиімділігін жоғалтады: олар сигнал түрлерінің алуан түрлілігіне, радиоортаның өзгергіштігіне және шуылдың динамикасына бейімделе алмайды.

O'Shea және West сияқты ғалымдардың зерттеулері сигналдарды автоматты жіктеу үшін терең нейрондық желілерді пайдалану мүмкіндігін дәлелдеді. Алайда бұл шешімдер SNR жоғары болғанда ғана жоғары дәлдік көрсетеді. SNR деңгейі төмендеген сайын жіктеу дәлдігі күрт нашарлайды. Бұл шектеулік жаңа шешімдер іздеуді талап ететін ашық ғылыми мәселе болып қала берді.

Қазақстанда осы бағытта іргелі зерттеулер жеткіліксіз. Бұл, бір жағынан, проблема болса, екінші жағынан — жаңа отандық ғылыми нәтижелер алуға мүмкіндік беретін перспективалы бос кеңістік.

Жобаның ғылыми жаңашылдығы — сигналдарды тек жіктеп қана қоймай, берілу жағдайларын нақты уақытта ескере отырып өз параметрлерін өзгертетін бейімделгіш алгоритмдер жасап шығару. Яғни жүйе «үйренеді» — радиоортаның өзгерісіне жауап ретінде жұмыс режимін бейімдейді.

Осы мақсатқа жету үшін екі тәсілдің үйлесімі қолданылады. Бірінші тәсіл — Андерсон-Дарлинг тесті сияқты үлестіру тесттерін және жоғары реттік кумулянттарды (HOC) пайдалануға негізделген сигналдарды сүзу алгоритмдері. Бұл статистикалық әдістер сигналдың статистикалық ерекшеліктерін анықтауға мүмкіндік береді. Екінші тәсіл — CNN (конволюциялық нейрондық желілер) мен RNN (рекуррентті нейрондық желілер) сияқты заманауи нейрондық желі архитектураларын пайдалануға негізделген жіктеу модельдері. Бұл архитектуралар өзгермелі радиоорта жағдайларында модуляция түрлерін ажырата алатындай болып үйретіледі.

Жобаның маңызды техникалық ерекшелігі — алгоритмдердің Intel Xeon Gold 5218R сияқты жоғары өнімді процессорлары бар платформалардан бастап IoT құрылғылары мен ұшқышсыз авиациялық аппараттар сияқты ресурстары шектеулі жүйелерге дейін жұмыс жасай алуына жобалануы. Бұл нәтижені практикалық қолдануда әлдеқайда кең қолданысқа мүмкіндік береді.

Жобаның басты мақсаты — нейрондық желілерді пайдалана отырып, берілу жағдайлары мен кедергілерге бейімделетін радиожүйелердегі сигналдарды сүзудің және жіктеудің бейімделгіш алгоритмдерін әзірлеу. Соңғы нәтиже — сигналдарды автоматты өңдеуге арналған, түрлі платформаларда деректерді өңдеу дәлдігін арттыратын бағдарламалық кешен.

Осы мақсатқа жету үшін төрт міндет белгіленген. Бірінші міндет — модельдерді оқыту және тестілеу үшін сигналдар деректер кітапханасын жасау. Бұл кезеңде түрлі модуляция түрлері бар кедергілерді қамтитын нақты радиожүйелерден деректер жиналады және нейрондық желі модельдерінде пайдалануға бейімделеді. Екінші міндет — сигналдарды өңдеуге арналған бейімделгіш сүзгілерді әзірлеу және енгізу. Үлестіру тесттері мен жоғары реттік кумулянттар әдістеріне негізделген сүзу алгоритмдері жасалып, жиналған деректерде тестіленеді және оңтайландырылады. Үшінші міндет — нейрондық желілерді пайдалана отырып сигналдарды жіктеу модельдерін жасау. CNN мен RNN нейрондық желілері жиналған деректерде оқытылып, тестіленеді; сигнал берілуінің жағдайларына байланысты параметрлерін өзгерте алатын бейімделгіш жіктеу модельдері енгізіледі. Төртінші міндет — жасалған шешімдерді нақты радиожүйелерде тестілеу, алгоритмдердің нақты жүйелерге интеграциясы, тиімділікті бағалау және нәтижелер бойынша оңтайландыру.

Зерттеу стратегиясы бірнеше өзара байланысты бағытты қамтиды.

Бейімделгіш сүзгілерді жасау мен тестілеу машиналық оқыту әдістері арқылы жүзеге асырылады. Алгоритмдер SNR-дің әртүрлі деңгейлері мен күрделі радиожүйелерден алынған нақты деректерде тестіленеді. Нейрондық желі модельдері CNN мен RNN архитектуралары негізінде нақты берілу жағдайлары бар деректерде оқытылады. Бұл модельдер модуляция түрлерін ажырата алып, радиоортасының өзгерісіне бейімделе алатын болады. Ресурстары шектеулі платформаларға арналған оңтайландыру IoT құрылғылары немесе ұшқышсыз авиациялық аппараттар жүйелері үшін алгоритмдердің арнайы нұсқаларын жасауды қамтиды. Бастапқы деректер NI PXIe-1065 жабдығынан жиналған нақты радиосигналдар болып табылады. MATLAB бастапқы деректерді өңдеу мен сигналдарды модельдеу үшін, TensorFlow мен PyTorch — машиналық оқыту модельдерін жасау мен тестілеу үшін пайдаланылады. Нәтижелердің сенімділігі статистикалық талдау мен кросс-валидация арқылы, сондай-ақ тәуелсіз деректер жиындарында тексеру арқылы қамтамасыз етіледі.

Бірінші жылы, 2025 жылы, қаңтардан наурызға дейін бар сүзу мен жіктеу әдістерін зерттеу, әдебиеттерге шолу жасалады. Сәуірден тамызға дейін алгоритмдердің базалық нұсқасы жасалады. Қыркүйектен желтоқсанға дейін базалық алгоритмдер түрлі радиосигнал түрлерін қамтитын синтетикалық деректерде тестіленеді.

Екінші жылы, 2026 жылы, алгоритмдер SNR-дің төмен деңгейлері мен күрделі радиожүйелерге арналған оңтайландырылады. Шілдеден қазанға дейін алгоритмдер IoT және ресурстары шектеулі басқа платформаларға интеграцияланады. Қарашада нақты радиожүйелердің жағдайларында тестілеу жүргізіледі.

Үшінші жылы, 2027 жылы, алгоритмдердің түпкілікті нұсқасы жасалып, өнеркәсіптік қолдануға арналған оңтайландырылады. Маусымнан желтоқсанға дейін ғылыми мақалалар жарияланады, жасалған шешімдерді патенттеу мүмкіндігі қарастырылады.

Жоба бірнеше маңызды ғылыми және практикалық нәтиже береді. SNR деңгейі төмен және радиоортасы күрделі жағдайларда жоғары дәлдікпен жұмыс жасайтын бейімделгіш алгоритмдер кешені жасалады. Алгоритмдерді өнеркәсіптік радиожүйелер мен IoT құрылғыларына енгізуге арналған техникалық құжаттама әзірленеді.

Практикалық тұрғыдан жасалған шешімдер үш негізгі бағытта қолданылады: SNR төмен болғанда сигналдарды өңдеу дәлдігі жоғары талап етілетін сымсыз байланыс жүйелерінде; жоғары кедергі жүктемесі жағдайында сигналдарды сенімді жіктеу қажет әскери және азаматтық байланыс жүйелерінде; есептеу ресурстарын үнемдеу мен деректерді нақты өңдеу маңызды IoT құрылғыларында.

Нәтижелер IEEE Transactions on Signal Processing және Signal Processing сияқты беделді халықаралық журналдарда кемінде екі мақала ретінде жарияланады. Жасалған алгоритмдер телекоммуникациялық компаниялар мен радиожүйе өндірушілеріне лицензиялау арқылы коммерцияландырылуы мүмкін.