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.
