eng
Выпуск #8/2025
С.Л.Портной, А.М.Ефремов, А.Д.Волошин
Применение ML в целях повышения помехоустойчивости сигналов
Применение ML в целях повышения помехоустойчивости сигналов
Просмотры: 53
DOI: 10.22184/2070-8963.2025.132.8.20.28
Выполнен комплексный обзор методов машинного обучения (ML), применяемых для повышения устойчивости сигнала к помехам в каналах связи. Бурное развитие поколений беспроводной связи, активная разработка концепции 6G предъявляют высокие требования к задержке, скорости и надежности передачи данных. Традиционные подходы к защите от помех, основанные на строгих аналитических моделях, зачастую не справляются с хаотичной природой плотных гетерогенных сетей и использованием сложных схем модуляции. ML предлагает парадигмальный сдвиг, позволяя создавать интеллектуальные, адаптивные и самооптимизирующиеся системы связи, которые обучаются на данных и эффективно противодействуют помехам в реальном времени. Проанализированы последние достижения в области машинного обучения, сфокусированные на трех ключевых направлениях: в проектировании помехоустойчивых кодов, в помехоустойчивом кодировании/декодировании, в оценке состояния канала связи.
Теги: channel state assessment forward error correction machine learning neural networks wireless networks беспроводные сети связи машинное обучение нейронные сети оценка состояния канала помехоустойчивое кодирование
Подпишитесь на журнал, чтобы прочитать полную версию статьи.
Выполнен комплексный обзор методов машинного обучения (ML), применяемых для повышения устойчивости сигнала к помехам в каналах связи. Бурное развитие поколений беспроводной связи, активная разработка концепции 6G предъявляют высокие требования к задержке, скорости и надежности передачи данных. Традиционные подходы к защите от помех, основанные на строгих аналитических моделях, зачастую не справляются с хаотичной природой плотных гетерогенных сетей и использованием сложных схем модуляции. ML предлагает парадигмальный сдвиг, позволяя создавать интеллектуальные, адаптивные и самооптимизирующиеся системы связи, которые обучаются на данных и эффективно противодействуют помехам в реальном времени. Проанализированы последние достижения в области машинного обучения, сфокусированные на трех ключевых направлениях: в проектировании помехоустойчивых кодов, в помехоустойчивом кодировании/декодировании, в оценке состояния канала связи.
Теги: channel state assessment forward error correction machine learning neural networks wireless networks беспроводные сети связи машинное обучение нейронные сети оценка состояния канала помехоустойчивое кодирование
Подпишитесь на журнал, чтобы прочитать полную версию статьи.
Отзывы читателей
