ДЕМОДУЛЯЦИЯ СИГНАЛА С ПОМОЩЬЮ КЛАССИЧЕСКИХ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ МОДЕЛИ ВАТТЕРСОНА
Аннотация
Исследуется возможность применения классических алгоритмов машинного обучения для демодуляции сигналов в коротковолновом канале связи, описываемом моделью Ваттерсона. Актуальность задачи обусловлена необходимостью повышения помехоустойчивости при широкополосной передаче данных в условиях многолучевого распространения и доплеровских искажений. В качестве классификаторов используются алгоритмы Random Forest, Decision Tree и KNN (k-ближайших соседей). Обучение моделей производится на синтезированных данных, полученных в среде MATLAB Simulink, где варьировались временные задержки лучей (0–4 мс) и доплеровский сдвиг (0–10 Гц). Входными признаками служат координаты сигнальных созвездий, а также предыстория принимаемых символов, поскольку межсимвольная интерференция оказывает существенное влияние на положение текущей точки. Проведенные эксперименты выявили критическую особенность: алгоритмы демодуляции обладают высокой чувствительностью к изменениям доплеровского сдвига. Отклонение параметра всего на 0.1 Гц от обучающей выборки приводит к изменению структуры сигнального созвездия и росту вероятности ошибки (BER) до 0.5. При совпадении доплеровских параметров с обучающей сеткой наилучшие результаты показывает алгоритм Random Forest, обеспечивая BER <0.01 на полном объеме данных. Для решения проблемы чувствительности предложен метод локального обучения с уменьшенным шагом дискретизации доплеровского сдвига (до 0.1 Гц), что позволяет добиться BER ≤0.01 для Random Forest. В связи с экспоненциальным ростом объема обучающей выборки (до 1000 Гб) разработаны методы её сокращения: исключение временных параметров и семплирование данных с учетом возможных комбинаций предшествующих битов. Это позволило уменьшить объем данных в 31.5 раза, сохранив BER <10% для Random Forest при шаге обучения 0.2 Гц. В работе делается вывод о целесообразности использования Random Forest Classifier для демодуляции в КВ-каналах и необходимости адаптации шага обучения под требуемую точность доплеровского сдвига.
Список литературы
1. Watterson C.C., Juroshek J.R., Bensema W.D. Experimental confirmation of an HF channel model, IEEE(R) Trans. commun. Technol., 1970, No. Dec. 6, Vol. COM-18, pp. 792-803.
2. O’shea T., Hoydis J. An introduction to deep learning for the physical layer, IEEE Transactions on Cognitive Communications and Networking, 2017, Vol. 3, No. 4, pp. 563-575.
3. Song M., Song X., Qin K. Signal Detection and Demodulation Algorithm Based on Deep Learning in Communication Network, 2024 3rd International Conference on Artificial Intelligence and Autonomous Robot Systems (AIARS), IEEE, 2024, pp. 461-466.
4. Fang L., Wu L. Deep learning detection method for signal demodulation in short range multipath channe, 2017 IEEE 2nd International Conference on Opto-Electronic Information Processing (ICOIP). IEEE, 2017, pp. 16-20.
5. Erokhin S.D., Chadov T.A., Zhuravlev A.P. Osobennosti formirovaniya obuchayushchey i testovoy vyborok dlya algoritmov mashinnogo obucheniya, ispol'zuemykh pri optimizatsii raboty priemnykh ustroystv [Features of the formation of training and test samples for machine learning algorithms used in optimizing the operation of receiving devices], DSPA: Voprosy primeneniya tsifrovoy obrabotki signalov [DSPA: Application Issues of Digital Signal Processing], 2020, Vol. 10, No. 1, pp. 9-14.
6. Malygin I.V. i dr. Primenenie metodov mashinnogo obucheniya dlya klassifikatsii radiosignalov [Appli-cation of machine learning methods for classification of radio signals], Tr. MAI [Proceedings of MAI], 2017, No. 96, pp. 15.
7. Chirkov O.N., Pirogov A.A. Primenenie algoritmov mashinnogo obucheniya v zadache otsenki be-sprovodnogo kanala svyazi s OFDM [Application of machine learning algorithms in the problem of as-sessing a wireless communication channel with OFDM], Vestnik Voronezhskogo gosudarstvennogo tekhnicheskogo universiteta [Bulletin of the Voronezh State Technical University], 2023, Vol. 19,
No. 6, pp. 164-169.
8. Kolesnikov A.A. i dr. Ispol'zovanie tekhnologiy mashinnogo obucheniya pri reshenii geoinfor-matsionnykh zadach [Using machine learning technologies in solving geoinformation problems], Inter-Karto. InterGis [InterCarto. InterGis], 2018, Vol. 24, No. 2, pp. 371-384.
9. Sinyutin S.A., Sinyutin E.S., Yartsev A.V. Issledovanie ustoychivosti modeli mashinnogo obucheniya dlya obrabotki signala pribora orientatsii po Zemle [Study of the stability of a machine learning model for processing the signal of an Earth orientation device], Matematicheskoe modelirovanie [Mathematical Modeling], 2023, Vol. 35, No. 6, pp. 3-13.
10. Bulat I.V. i dr. Sovremennoe sostoyanie metodov mashinnogo obucheniya v prilozheniyakh obrabotki odnomernykh signalov [Current state of machine learning methods in one-dimensional signal processing applications], Elektronika, fotonika i kiberfizicheskie sistemy [Electronics, Photonics and Cyber-Physical Systems], 2022, Vol. 2, No. 3, pp. 86-95.
11. Ivanov D.V. i dr. Novye vozmozhnosti sistem shirokopolosnoy kognitivnoy svyazi, rabotayushchikh v ionosfernykh KV-radiokanalakh s vnutrimodovoy dispersiey [New capabilities of broadband cognitive communication systems operating in ionospheric HF radio channels with intramode dispersion], Radio-tekhnika [Radio Engineering], 2022, Vol. 86, No. 11, pp. 162-177.
12. Konkin N.A. Metodika i algoritm opredeleniya periodov operativnogo prognozirovaniya dinamiki maksimal'no primenimykh chastot KV-svyazi na osnove algoritma mashinnogo obucheniya XGBoost [Methodology and algorithm for determining the periods of operational forecasting of the dynamics of the maximum applicable frequencies of HF communication based on the XGBoost machine learning al-gorithm], Vestnik Povolzhskogo gosudarstvennogo tekhnologicheskogo universiteta. Seriya: radio-tekhnicheskie i infokommunikatsionnye sistemy [Bulletin of the Volga Region State Technological Uni-versity. Series: Radio Engineering and Infocommunication Systems], 2022, No. 3, pp. 6-16.
13. Ivanov D.V. i dr. Obespechenie predel'noy shirokopolosnosti sistem kognitivnoy nazemnoy i trasion-osfernoy radiosvyazi, rabotayushchikh v usloviyakh dispersionnykh iskazheniy [Ensuring the maximum bandwidth of cognitive terrestrial and transionospheric radio communication systems operating under conditions of dispersion distortions], Rasprostranenie radiovoln [Radio Wave Propagation], 2023, pp. 5-13.
14. Kazantseva A.A. Primenenie metodov glubokogo mashinnogo obucheniya dlya prognozirovaniya dostupnosti radiokanalov KV-svyazi [Application of deep machine learning methods for predicting the availability of HF radio channels], Sb. dokladov I Vserossiyskoy molodezhnoy nauchnoy shkoly-konferentsii [Collection of reports of the 1st All-Russian Youth Scientific School-Conference], 2024, pp. 107-110.
15. Kirillov A.S. Algoritmy demodulyatsii dlya kanala svyazi Vattersona s izvestnymi parametrami [Demod-ulation algorithms for the Watterson communication channel with known parameters], Radiotekhnika [Radio Engineering], 2025, Vol. 89, No. 4. pp. 43-50.
16. Kirillov A.S. Machine Learning Algorithms for Signal Demodulation and Determination of HF Commu-nication Channel Parameters, IEEE Radiation and Scattering of Electromagnetic Waves (RSEMW), 2023, pp. 268-271.
17. Kirillov A.S. Opredelenie parametrov modeli Vattersona s pomoshch'yu adaptivnykh fil'trov [Determin-ing the parameters of the Watterson model using adaptive filters], Radiotekhnika [Radio Engineering], 2024, No. 10, pp. 5-13.
18. Kirillov A.S. Algoritmy mashinnogo obucheniya priem signala tsifrovykh radioliniy [Machine learning algorithms for receiving digital radio lines], Radiolokatsiya i radiosvyaz' [Radar and Radio Communica-tions], 2022, No. 15, pp. 265.
19. Recommendation ITU-R F.1487, Testing of HF modems with bandwidths of up to about 12 kHz using ionospheric channel simulators, 2000.
20. Recommendation ITU-R F.520, Use of high frequency ionospheric channel simulators, 1992.
