91��ý

Радиосвязь — основа цифровой цивилизации. От мобильных сетей до интернета вещей, все формы беспроводной передачи данных зависят от решения одной фундаментальной технической проблемы: точного распознавания и обработки сигналов в условиях шума. Для решения этой задачи молодой учёный реализует проект «Разработка адаптивных алгоритмов фильтрации и классификации сигналов в радиосистемах с использованием нейронных сетей на различных платформах». Проект реализуется в рамках приоритетного направления «Передовое производство, цифровые и космические технологии» по специализированному направлению «Телекоммуникационные технологии и интернет вещей». 

Фильтрация и классификация сигналов в радиосистемах резко усложняются при низком отношении сигнал/шум (SNR) и ограниченных вычислительных ресурсах. Традиционные алгоритмы теряют эффективность в таких условиях: они не способны адаптироваться к разнообразию типов сигналов, изменчивости радиосреды и динамике шумов.

Исследования учёных, в частности O'Shea и West, убедительно показали перспективность глубоких нейронных сетей для автоматической классификации сигналов. Однако эти решения демонстрируют высокую точность лишь при высоком уровне SNR. При его снижении точность классификации существенно падает — и эта зависимость остаётся открытой научной проблемой. В Казахстане системные исследования в данном направлении немногочисленны, что создаёт возможность для принципиальных научных достижений.

Научная новизна состоит в создании алгоритмов, которые не просто классифицируют сигналы, но изменяют собственные параметры в реальном времени, учитывая условия передачи. Система «учится» — адаптирует режим работы в ответ на изменения радиосреды.

Для достижения этой цели применяется сочетание двух подходов. Первый — алгоритмы фильтрации на основе статистических методов: распределительных тестов, в частности теста Андерсона-Дарлинга, и кумулянтов высокого порядка (HOC). Эти методы позволяют выявлять статистические особенности сигнала. Второй — модели классификации, основанные на архитектурах современных нейронных сетей: CNN (сверточные нейронные сети) и RNN (рекуррентные нейронные сети). Эти модели обучаются различать типы модуляции и адаптироваться к меняющимся условиям радиосреды.

Важная техническая особенность проекта состоит в том, что алгоритмы проектируются для работы на широком спектре платформ — от высокопроизводительных серверов с процессорами Intel Xeon Gold 5218R до IoT-устройств и бортовых систем беспилотных летательных аппаратов с ограниченными ресурсами. Это существенно расширяет практическую применимость результатов.

Основная цель — разработка адаптивных алгоритмов фильтрации и классификации сигналов в радиосистемах с использованием нейронных сетей, адаптирующихся к условиям передачи и помехам, с конечным результатом в виде программного комплекса для автоматической обработки сигналов.

Четыре взаимосвязанные задачи определяют структуру работы. Первая — создание библиотеки данных сигналов для обучения и тестирования моделей, включая сбор данных с реальных радиосистем и их адаптацию для нейросетевых моделей. Вторая — разработка и внедрение адаптивных фильтров для обработки сигналов с различными уровнями помех с последующей оптимизацией. Третья — создание моделей классификации сигналов на основе нейронных сетей CNN и RNN, обучаемых на реальных данных и способных адаптировать параметры к условиям передачи. Четвёртая — тестирование разработанных решений на реальных радиосистемах, интеграция алгоритмов и оптимизация по результатам полевых испытаний.

Основным источником первичных данных служат реальные радиосигналы, собранные с оборудования NI PXIe-1065 — многофункционального комплекса для генерации и цифровой обработки сигналов с различными типами модуляции. MATLAB применяется для первичной обработки и моделирования сигналов, TensorFlow и PyTorch — для разработки и тестирования нейросетевых моделей. Высокопроизводительные серверы с GPU-ускорителями NVIDIA обеспечивают необходимые вычислительные мощности для обучения нейронных сетей.

Достоверность результатов обеспечивается методами статистического анализа и кросс-валидации, а также тестированием алгоритмов на независимых наборах данных. Все этапы исследования документируются в соответствии с требованиями воспроизводимости научных результатов.

В 2025 году с января по март проводится исследование существующих методов и обзор литературы с целью выявления проблем и возможностей для улучшения. С апреля по август разрабатывается базовая версия алгоритмов фильтрации и классификации. С сентября по декабрь базовые алгоритмы тестируются на синтетических данных с различными типами радиосигналов.

В 2026 году первое полугодие посвящено оптимизации алгоритмов для работы с низким SNR и сложными радиосистемами. С июля по октябрь алгоритмы интегрируются на платформы с ограниченными ресурсами, в первую очередь IoT-устройства. В ноябре-декабре проводится тестирование в реальных условиях радиосистем.

В 2027 году с января по май разрабатывается финальная версия алгоритмов с оптимизацией для промышленного применения. С июня по декабрь публикуются научные статьи и рассматривается возможность патентования разработанных решений.

Практический результат проекта — программный комплекс адаптивных алгоритмов, работающих с высокой точностью при низком SNR и в сложной радиосреде, а также техническая документация для их внедрения в промышленные радиосистемы и IoT-устройства.

Области применения охватывают системы беспроводной связи, где требуется высокая точность обработки сигналов; военные и гражданские системы, работающие в условиях высокой помеховой нагрузки; IoT-устройства, где критична экономия вычислительных ресурсов. Разработанные алгоритмы могут быть лицензированы для коммерческого использования телекоммуникационными компаниями и производителями радиосистем.

Научные результаты публикуются не менее чем в двух статьях в журналах первых трёх квартилей по импакт-фактору в базе Web of Science или с процентилем CiteScore в Scopus не менее 50, в частности в таких изданиях, как IEEE Transactions on Signal Processing и Signal Processing.