Опубликована: 2024-02-16
Выпуск
Раздел
ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И ИНФОРМАТИКА
Аннотация
Развит подход к синтезу специальной рекуррентной нейронной сети для задачи прогнозирования полосы когерентности трансионосферных радиоканалов. Создан алгоритм подготовки данных и обучения нейронной сети. Валидация разработанной нейросети выполнена на данных натурных экспериментов, проведённых с помощью пассивных радиосенсоров глобальных навигационных спутниковых систем при использовании фазовых и кодовых измерений. Экспериментально показана достигаемая высокая точность прогноза.
Литература
1. Искусственный интеллект в сетях связи пятого и последующих поколений / А. С. Бородин, А. Н. Волков, А. С. А. Мутханна и др. // Электросвязь. 2021. № 1. С. 17-22. DOI: 10.34832/ELSV.20¬21.14.1.001; EDN: JDHISS
2. Обухов С. А., Елагин В. С. Модели распределенного искусственного интеллекта в перспективных сетях связи // Инфокоммуникационные технологии. 2023. Т. 21, № 1. С. 63-73. DOI: 10.18469/ikt.2023.21.1.08; EDN: WIIETC
3. Обеспечение предельной широкополосности систем спутниковой радиосвязи в условиях внутримодовой дисперсии трансионосферных радиоканалов / Д. В. Иванов, В. А. Иванов, Н. В. Рябова и др. // Радиотехника и электроника. 2023. Т. 68, № 6. С. 571-578. DOI: 10.31857/S0033¬849423060049; EDN: XLUNDS
4. Деконволюция широкополосного КВ-сигнала, искажённого поляризационной и частотной внутримодовой дисперсией / Д. В. Иванов, В. А. Иванов, Н. В. Рябова и др. // Вестник Поволжского государственного технологического университета. Серия: Радиотехнические и инфокоммуникационные системы. 2021. № 1(49). С. 6-19. DOI: 10.25686/2306-2819.2021.1.6; EDN: IFUDLS
5. Furman W., Nieto J., Koski E. Interference Environment and Wideband Channel Availability // Proc. HF 13. The 10th Nordic Conference on HF Communications. At Fårö. 2013. Рp. 4.2.1-4.2.10.
6. Адаптивное управление предельной полосой частот систем спутниковой связи в трансионосферных радиоканалах в условиях частотной дисперсии среды / Д. В. Иванов, В. А. Иванов, А. А. Кислицын и др. // Вестник Поволжского государственного технологического университета. Серия: Радиотехнические и инфокоммуникационные системы. 2021. № 3(51). С. 14-30. DOI: 10.25686/2306-2819.2021.3.14. EDN: UQKLTO
7. Иванов К. О. Классификация фрагментов электроэнцефалограммы по степени патологической значимости с помощью последовательных нейронных сетей // Вестник Поволжского государственного технологического университета. Серия: Радиотехнические и инфокоммуникационные системы. 2022. № 4(56). С. 24-37. DOI: 10.25686/2306-2819.2022.4.24; EDN: ZIUKVO
8. Gábor Petneházi, József Gál. Exploring the predictability of range‐based volatility estimatorsusing recurrent neural networks // Intelligent Systems in Accounting, Finance and Management. 2019. Vol. 26, Iss. 3. Pp. 107-149. doi: 10.1002/isaf.1455
9. Исследование LSTM-нейросетевого подхода при моделировании временных рядов / Г. Г. Рапаков, В. А. Горбунов, С. А. Дианов и др. // Вестник Череповецкого государственного университета. 2023. № 3. С. 47 – 54.
10. Nayana Shenvi, Hassanali Virani. Forecasting of Ionospheric Total Electron Content Data Using Multivariate Deep LSTM Model for Different Latitudes and Solar Activity // Journal of Electrical and Computer Engineering. 2023. Vol. 2023. Pp. 1-13. Doi: https://doi.org/10.1155/2023/2855762
11. Implementation of Hybrid Deep Learning Model (LSTM-CNN) for Ionospheric TEC Forecasting Using GPS Data / A. Ruwali, A. J. S. Kumar, K. B. Prakash et al. // IEEE Geoscience and Remote Sensing Letters. 2021. Vol. 18, no. 6. Pp. 1004-1008. doi: 10.1109/LGRS.2020.2992633
12. Обрубов М. О., Кириллова С. Ю. Применение LSTM-сети в решении задачи прогнозирования многомерных временных рядов // Национальная Ассоциация Ученых. 2021. № 68. С. 43 – 48.
13. Васяева Т. А., Мартыненко Т. В., Суббота Н. С. Прогнозирование финансовых временных рядов с помощью нейронных сетей с использованием библиотеки Keras в Python // Информатика и кибернетика. 2019. № 2 (16). С. 41-50.
14. Petneházi, Gábor. Recurrent Neural Networks for Time Series Forecasting // Machine Learning. 2019. Pp. 1-22. https://doi.org/10.48550/arXiv.1901.00069
15. Бычков А. Г., Киселева Т. В., Маслова Е. В. Методика оптимизации элементов нейронной сети на примере перцептрона // Системы управления и информационные технологии. 2022. № 1(87). С. 4-8. DOI: 10.36622/VSTU.2022.87.1.001; EDN: GAIYGX
16. Keras tuner / Tom O’Malley, Elie Bursztein, James Long et al. // Retrieved May. 2019. Vol. 21. Pp. 2020.
17. Активный сенсор с дистанционным управлением для диагностики широкополосных ионосферных радиоканалов OFDM-BPSK-сигналами / Д. В. Иванов, В. А. Иванов, Н. В. Рябова и др. // Радиотехника. 2022. Т. 86, № 12. С. 90-104. DOI: 10.18127/j00338486-202212-08; EDN: XTZPMV
18. Активно-пассивный радиосенсор для повышения эффективности КВ-связи / Д. В. Иванов, В. А. Иванов, Н. В. Рябова и др. // Электроника, фотоника и киберфизические системы. 2023. Т. 3, № 1. С. 7-12. EDN KXGTVL
19. Кислицын А. А. Комплексный подход к адаптивной компенсации дисперсионных искажений системных характеристик широкополосных трансионосферных радиоканалов // Вестник Поволжского государственного технологического университета. Серия: Радиотехнические и инфокоммуникационные системы. 2019. № 3(43). С. 6-21. DOI 10.25686/2306-2819.2019.3.6; EDN: YCFLSY
2. Обухов С. А., Елагин В. С. Модели распределенного искусственного интеллекта в перспективных сетях связи // Инфокоммуникационные технологии. 2023. Т. 21, № 1. С. 63-73. DOI: 10.18469/ikt.2023.21.1.08; EDN: WIIETC
3. Обеспечение предельной широкополосности систем спутниковой радиосвязи в условиях внутримодовой дисперсии трансионосферных радиоканалов / Д. В. Иванов, В. А. Иванов, Н. В. Рябова и др. // Радиотехника и электроника. 2023. Т. 68, № 6. С. 571-578. DOI: 10.31857/S0033¬849423060049; EDN: XLUNDS
4. Деконволюция широкополосного КВ-сигнала, искажённого поляризационной и частотной внутримодовой дисперсией / Д. В. Иванов, В. А. Иванов, Н. В. Рябова и др. // Вестник Поволжского государственного технологического университета. Серия: Радиотехнические и инфокоммуникационные системы. 2021. № 1(49). С. 6-19. DOI: 10.25686/2306-2819.2021.1.6; EDN: IFUDLS
5. Furman W., Nieto J., Koski E. Interference Environment and Wideband Channel Availability // Proc. HF 13. The 10th Nordic Conference on HF Communications. At Fårö. 2013. Рp. 4.2.1-4.2.10.
6. Адаптивное управление предельной полосой частот систем спутниковой связи в трансионосферных радиоканалах в условиях частотной дисперсии среды / Д. В. Иванов, В. А. Иванов, А. А. Кислицын и др. // Вестник Поволжского государственного технологического университета. Серия: Радиотехнические и инфокоммуникационные системы. 2021. № 3(51). С. 14-30. DOI: 10.25686/2306-2819.2021.3.14. EDN: UQKLTO
7. Иванов К. О. Классификация фрагментов электроэнцефалограммы по степени патологической значимости с помощью последовательных нейронных сетей // Вестник Поволжского государственного технологического университета. Серия: Радиотехнические и инфокоммуникационные системы. 2022. № 4(56). С. 24-37. DOI: 10.25686/2306-2819.2022.4.24; EDN: ZIUKVO
8. Gábor Petneházi, József Gál. Exploring the predictability of range‐based volatility estimatorsusing recurrent neural networks // Intelligent Systems in Accounting, Finance and Management. 2019. Vol. 26, Iss. 3. Pp. 107-149. doi: 10.1002/isaf.1455
9. Исследование LSTM-нейросетевого подхода при моделировании временных рядов / Г. Г. Рапаков, В. А. Горбунов, С. А. Дианов и др. // Вестник Череповецкого государственного университета. 2023. № 3. С. 47 – 54.
10. Nayana Shenvi, Hassanali Virani. Forecasting of Ionospheric Total Electron Content Data Using Multivariate Deep LSTM Model for Different Latitudes and Solar Activity // Journal of Electrical and Computer Engineering. 2023. Vol. 2023. Pp. 1-13. Doi: https://doi.org/10.1155/2023/2855762
11. Implementation of Hybrid Deep Learning Model (LSTM-CNN) for Ionospheric TEC Forecasting Using GPS Data / A. Ruwali, A. J. S. Kumar, K. B. Prakash et al. // IEEE Geoscience and Remote Sensing Letters. 2021. Vol. 18, no. 6. Pp. 1004-1008. doi: 10.1109/LGRS.2020.2992633
12. Обрубов М. О., Кириллова С. Ю. Применение LSTM-сети в решении задачи прогнозирования многомерных временных рядов // Национальная Ассоциация Ученых. 2021. № 68. С. 43 – 48.
13. Васяева Т. А., Мартыненко Т. В., Суббота Н. С. Прогнозирование финансовых временных рядов с помощью нейронных сетей с использованием библиотеки Keras в Python // Информатика и кибернетика. 2019. № 2 (16). С. 41-50.
14. Petneházi, Gábor. Recurrent Neural Networks for Time Series Forecasting // Machine Learning. 2019. Pp. 1-22. https://doi.org/10.48550/arXiv.1901.00069
15. Бычков А. Г., Киселева Т. В., Маслова Е. В. Методика оптимизации элементов нейронной сети на примере перцептрона // Системы управления и информационные технологии. 2022. № 1(87). С. 4-8. DOI: 10.36622/VSTU.2022.87.1.001; EDN: GAIYGX
16. Keras tuner / Tom O’Malley, Elie Bursztein, James Long et al. // Retrieved May. 2019. Vol. 21. Pp. 2020.
17. Активный сенсор с дистанционным управлением для диагностики широкополосных ионосферных радиоканалов OFDM-BPSK-сигналами / Д. В. Иванов, В. А. Иванов, Н. В. Рябова и др. // Радиотехника. 2022. Т. 86, № 12. С. 90-104. DOI: 10.18127/j00338486-202212-08; EDN: XTZPMV
18. Активно-пассивный радиосенсор для повышения эффективности КВ-связи / Д. В. Иванов, В. А. Иванов, Н. В. Рябова и др. // Электроника, фотоника и киберфизические системы. 2023. Т. 3, № 1. С. 7-12. EDN KXGTVL
19. Кислицын А. А. Комплексный подход к адаптивной компенсации дисперсионных искажений системных характеристик широкополосных трансионосферных радиоканалов // Вестник Поволжского государственного технологического университета. Серия: Радиотехнические и инфокоммуникационные системы. 2019. № 3(43). С. 6-21. DOI 10.25686/2306-2819.2019.3.6; EDN: YCFLSY
