Использование искусственных нейронных сетей для их применения в существующих и перспективных радиосистемах: тематическое исследование



В статье в общем виде рассмотрена проблема применения искусственных нейронных сетей для обеспечения необходимого качества работы различных радиосистем и/или их совокупностей, включая их электромагнитную совместимость (ЭМС). Актуальность данного исследования обусловлена, в частности, быстро возрастающим количеством радиоэлектронных средств (РЭС), что влечёт за собой интенсификацию использования радиочастотного ресурса и ростом связанных с этим проблем. Одним из перспективных путей решения задач, связанных с управлением радиочастотным ресурсом , используемым различными радиослужбами, является использование искусственных нейронных сетей .

Ключевые слова : искусственные нейронные сети, нечёткая логика, интеллектуальный анализ .

Введение

Стремительно увеличивающееся количество радиоэлектронных средств (далее РЭС) и разнообразия радиосистем вызывает усложнение проблемы обеспечения требуемого качества их работы.

Для надёжной передачи информации в радиосетях и быстрого развития новых технологий необходимо обеспечивать оперативное решение множества задач, включая распределение радиочастотного ресурса, анализ нагрузок в мобильных сетях, прогнозирование потоков трафика данных, обеспечение электромагнитной совместимости (ЭМС), различных радиосистем в динамическом режиме.

Одним из возможных решений данной проблемы является использование искусственных нейронных сетей (англ. Artificial Neural Networks), которые благодаря своей способности к обучению и самообучению позволяют решать широкий спектр задач.

Краткие сведения о развитии искусственных нейронных сетей.

Искусственная нейронная сеть (далее по тексту ИНС) представляет собой совокупность линейных или нелинейных искусственных нейронов, соединённых между собой посредством весовых коэффициентов.

По определению, данному одним из пионеров использования ИНС Саймоном Хайкиным, нейронная сеть представляет собой «громандый распределительный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и предоставляющих их для последующей обработки». [1]. В качестве видов обрабатываемой информации могут использоваться речь, изображение, радиосигналы и пр.

Основными элементами ИНС являются искусственные нейроны, представляющие собой имитационную модель биологических нейронов и так же состоящие из групп синапсов — входных связей,

Математически искусственный описывается взвешенной суммой входных значений обрабатываемых величин (ячейка нейрона):

(1)

где

ϕ — функция активации,

x _i — сигналы на входе,

w _i — веса этих сигналов (синапсы).

Суть функции активации заключается в сравнении входного сигнала с заданным порогом. Простейшая функция активации — т.н. функция единичного скачка или функция Хевисайда, описываемая следующим выражением:

(2)

В зависимости от поставленной задачи, при построении ИНС могут использоваться различные функции активации, расширяющие возможности применения ИНС в инфокоммуникационных технологиях.

Рис. 1. Модель искусственного нейрона

Искусственные нейронные сети получили своё применение в начале 21 века как одного из перспективных методов обработки видео и фото данных. Технология нейросетевого моделирования также используется и для позиционирования беспилотных летательных аппаратов (БПЛА), беспилотных автомобилей, а также в целях повышения безопасности в местах массового скопления людей (аэропорты, метрополитен и т. д.).

Прорывом в развитии моделирования ИНС послужила статья американского математика Л. Заде. Так в своей статье 1973г. он предложил новое направление в математической логике — нечёткую логику, при помощи которой можно решать широкий спектр задач, не привязанных к традиционной «жёсткой» математике [2].

В теории нечётких множеств принадлежность элемента x к некоторому множеству A описывается характеристической функцией [3]:

(2)

где μ _A (x) — характеристическая функция принадлежности числа x множества A пространства R.

Графическое изображение функции принадлежности изображено на рисунке 2.

Рис. 2. Изображение функции принадлежности в теории чётких множеств

Для теории нечётких множеств условие принадлежности числа x множества A приобретает вид: [3]

(3), где

μ _A (x) — одномерная функция принадлежности

Графически, функция принадлежности чисел x ₁ и x ₂ для нечётких множеств изображается следующим образом:

Рис. 3. Изображение функции принадлежности в нечётких множествах

Далее, исходя из теории нечётких множеств, делается вывод о степени принадлежности чисел. Т. е. x ₁ полностью принадлежит множеству А, x _{2 —} частично, с весом 0.8

Л. Заде ввёл новый вид переменной — лингвистическую, которую можно описать при помощи нечётких множеств. В качестве примера функции активации лингвистической переменной можно привести значение возраста человека: «старый», «молодой». Тот же самый подход можно применить и касательно влияния помехового сигнала на полезный: уровень помехи может быть определён как «высокий», «средний» и «низкий».

В итоге благодаря Заде был создан абсолютно новый аппарат, при помощи которого можно было описать взаимодействие между искусственными нейронами, включая нечёткость и неопределённость выражений.

Немаловажный вклад в развитие нечёткой логики и теории нейросетей внесли американский математик и логик Р. Смаллиан, описавший в своей монографии 1961 г. «Теория формальных систем» метод решения задачи Гёделя, расширивший использование формальной логики [4], а также создавший множество логических загадок и парадоксов, многие из которых могут использоваться в качестве обучения ИНС и ИИ.

Развитию ИНС в СССР и РФ посвятили советские и российские учёные А. И. Галушкин [5], написавший многотомный труд о нейрокомпьютерах, и В. В. Круглов [6].

К более поздним исследованиям, посвящённым использованию нейросетей в различных областях промышленности, можно отнести работы американского профессора в области компьютерной инженерии Дональда Вунша, а также работы японского учёного и специалиста по нейросетям Кунихико Фукушимы [7]. Так основным вкладом японского специалиста в развитии нейросетей можно считать создание неокогнетрона — иерархического многослойного нейрона для распознавания образов, получившего наибольшее применение в качестве метода по распознаванию почерка.

Использование нейросетей в качестве метода для обеспечения и управления ЭМС впервые начало рассматриваться в начале 2000х. Так в статье Дональда Вунша и Хюсейна Гюксу 2001 года, описывалась нейросеть для интеллектуального анализа и предсказания обеспечения ЭМС на основе метода конечных разностей во временной области (англ. FDTD) [8].

Нелинейные искусственные нейроны, составляющие основу любой ИНС, являются важнейшим аспектом — в особенности для моделирований нелинейных процессов (голос, передача радиосигнала и т. д.)

Искусственные нейросети имеют способность к обучению и самообучению, что может найти своё применение для работы в нестационарных процессах, для которых необходимо создавать «нейронные сети, изменяющие синаптические веса в реальном времени» [1]. Пример такого использования системы связи между беспилотными машинами V2V (от англ. Vehicle-to-vehicle) и между абонентскими устройствами — D2D (от анг. Device-to-device), которые являются одними из ключевых технологий в системах связи 5-го и последующих поколений [9].

Современные исследования в области ИНС

Рис. 4. Инфраструктура инфокоммуникаций 5-го поколения (5G) [9]

Основным импульсом к развитию ИНС в сфере инфокоммуникаций послужило создание нового стандарта пятого поколения (5G). В 2015 году МСЭ разработал план научно-исследовательских работ по развитию инфокоммуникационных технологий и создание новой инфраструктуры, получивший название «IMT-2020» или 5G (Рисунок 4). В том же году фокус-группа консорциума 3GPP определила следующие ключевые направления технологического развития систем связи пятого поколения [10]:

— новый радиоинтерфейс New Radio (5GNR) c радиочастотным диапазоном до 100 ГГц;

— использование многоэлементных фазированных антенных решёток (от 125 до 256 элементов), получившее своё название Massive-MIMO;

— использование неортогональной модуляции сигнала (N-OFDM)

— использование сверхшироконаправленных антенн (ELAA).

По оценкам исследователей [11], система связи пятого поколения будет включать в себя набор из существующих технологий (OFDM, QAM, MIMO и др.), так и добавлением новых технологических решения для повышения качества передаваемых сигналов (Massive-MIMO, Multi-user MIMO), повышения помехоустойчивости и улучшения доступности предоставляемой информации пользователям (D2D, V2V и пр.).

Развитие новых технологий неизбежно сталкивается с проблемами их реализации, т. к. при развёртывании новых радиосистем и сетей связи необходимо учитывать электромагнитную совместимость с уже существующими инфокоммуникационными технологиями. Так, к примеру, при развёртывании новой сети подвижной связи необходимо спрогнозировать необходимое количество и конфигурацию совокупности базовых станций. Для оптимизации решения данной задачи возможно использование ИНС.

Нейронные сети находят своё применение и в беспроводных сетях радиодоступа высокой плотности таких как Wi-Fi, WLAN, VLAN. Так, например, сети радиодоступа Wi-Fi требуют в современных реалиях особым образом построенной инфраструктуры, приводящей к возрастанию усложнения распределения радиоресурса. Применению ИНС в системах радиодоступа посвящена статья О. Ю. Казьмина и О. А. Симониной [12]. В ней авторы предлагают алгоритм интеллектуального управления ЭМО для сетей радиодоступа Wi-Fi, основанный на нечёткой логике.

Описывая перспективы применения алгоритма, авторы формируют задачу обеспечения ЭМС, в виде поиска оптимальных режимов работы устройств сети радиодоступа: [12]

P = K _D ∩ K _F ∩ K _T (4), где

P — критерий обеспечения ЭМС, представляющие собой наилучший режим работы устройства

K _{D —} подмножество критериев эффективной работы устройств в пространстве;

K _{F —} подмножество критериев эффективной работы устройств по частоте;

K _{T —} подмножество критериев эффективной работы устройств во временной области.

Первый этап алгоритма осуществляет опрос всех точек радиодоступа (англ. Access Point, AP) с целью определения индикатора мощности принятого сигнала (англ. Recieved Signal Strength Indicator, RSSI). При выявлении низкой мощности передаваемого сигнала на AP _k запускается процедура повышения мощности соответствующего сигнала и далее следует повторный опрос всех абонентских терминалов.

Второй этап алгоритма формирует базу данных для обучения нейронной сети. Сама база данных представляет собой показатели используемого трафика каждого абонентского устройства, далее происходит процесс обучения ИНС.

Завершающий этап работы алгоритма использует полученные данные после обучения ИНС для управления показателями мощности сигнала на каждой точке доступа, а также обеспечения необходимых показателей RSSI абонентских устройств.

Как отмечают авторы, данный алгоритм позволяет учитывать как взаимное влияние всех точек радиодоступа друг на друга, так и производить измерения качества связи на абонентских терминалах.

Немаловажной задачей в инфокоммуникациях является обеспечение маршрутизации в сетях связи различного назначения, относящейся к классу комбинаторно-оптимизационных задач [12]. Решение задач выбора оптимального маршрута, разработки плана работы сети, разработки алгоритмов оптимального приёма также возможно с применением ИНС. Возрастающее количество абонентских устройств, которым необходимо обеспечивать надёжную передачу данных обуславливает необходимость использования ИНС при построении различных сетей связи. Первой попыткой использовать ИНС Хопфилда для снижения временных затрат на поиск оптимального маршрута получила свое название «Задача о коммивояжере» [13].

В качестве возможного алгоритма прогнозирования маршрутизации в [14] приведён пример использования нейронной сети Хэмминга, являющейся сравнительно простой в реализации и позволяющей использовать её в задачах нахождении кратчайшего расстояния для быстрой передачи мобильного траффика.

Суть работы ИНС заключается в нахождении расстояния Хэмминга — минимальной разницы между двумя битовыми последовательностями (бинарными векторами). ИНС состоит из двух слоёв каждый из которых имеет по m нейронов. Нейроны первого слоя включают в себя n синапсов, соединённых со входами самой сети и образующими таким образом фиктивный нулевой слой. Связи нейронов второго слоя представляют собой ингибиторные (отрицательно обратные) синаптические связи. Единственный синапс с положительной обратной связью соединён с его же собственным аксоном. Далее сеть после её обучения сравнивает входной сигнал с полученным минимальным расстоянием Хэмминга и, как итог, принимает решение об активизации выходного сигнала, соответствующего выбранному образцу. Изображение ИНС Хэмминга представлено на Рисунке 5 [13, 14].

Рис. 5. Нейронная сеть Хэмминга

Модель управления сетью передачи трафика данных, базируемая на основе ИНС Хэмминга, представленная в [14] может позволить более точно проводить прогнозы перемещения абонентов мобильных сетей, а также производить точные расчёты мощности сигналов.

Использование ИНС находит своё применение и в системах когнитивного радио. Важной особенностью системы когнитивного радио является интеллектуальное определение видов модуляции обрабатываемых сигналов. Для решения этой задачи может быть использован многослойный перцептрон при использовании. Так, в работе [15] описано применение ИНС на основе радиально-базисных функций (РБФ-сети), в основе которых лежит использование положения Байесовской теории вероятностей -- «для каждого источника радиосигнала можно принять решение на основе наиболее вероятного класса источников из тех, к которым мог бы принадлежать этот источник». В качестве функции активации у РБФ-сетей выступают радиально-базисные функции, такие, как, например:

(4),

где x — некоторый признак исследуемого объекта/класса либо набор признаков;

σ — параметр, задающий ширину базисной функции.

Главное достоинством РБФ-сетей заключается в их вычислительной мощности, которая, в свою очередь, линейно зависима по отношению к размерности признаков исследуемых радиосигналов, равно как и по отношению к числу образцовых сигналов в обучении.

Возможности использования ИНС в задачах обеспечения ЭМС.

Одной из ключевых задач обеспечения ЭМС является борьба с помехами, вызванными влиянием мешающего сигнала (либо их совокупности). Её решение возможно с использованием прогностических моделей на основе различных ИНС при статистическом анализе помех, описанном в [17]. На Рис. 6 представлена двумерная модель векторного анализа влияния помехи ξ на результирующий сигнал x .

Рис. 6. Двумерная модель положения векторов сигнала x и помехи ξ

Полезный сигнал s(t) представлен вектором в пространстве сигналов S, а помеха в виде случайного процесса ξ(t). Разбросанные случайным образом точки соответствуют различным реализациям конца вектора помехи ξ.

Другое возможное применение ИНС заключается в их использовании на этапе проектирования сетей подвижной радиосвязи [12]. Так, к примеру, прогностические модели на основе ИНС могут способствовать определению оптимального количества базовых станций (БС), необходимых для развёртывания сети, а также рассчитывать возможные зоны покрытия и прогнозировать количество отказов в обслуживании.

Применение ИНС для прогнозирования напряжённости поля в точке расположения заданной БС может способствовать устранению недостатков эмпирических формул, по которым производятся расчёты сегодня.

Вывод

Из проведенного обзора следует, что ИНС уже сегодня имеют перспективы применения для решения ряда задач. Благодаря своим преимуществам, в числе которых адаптивность и обучаемость, ИНС могут применяться в качестве моделей предсказания обеспечения электромагнитной совместимости, прогнозирования распределения количества базовых станций создания новых инфокоммуникационных радиосистем, обеспечения ЭМС радиосистем, а также для управления кластерами дронов и беспилотных автомобилей и в качестве регуляторов трафика данных в мобильных сетях.

Литература:

1. С. Хайкин. Нейронные сети: полный курс, 2-е издание.: пер. с англ. / М.: Издательский дом «Вильямс», 2006г.
2. L. Zadeh. A Fuzzy-Set-Theoretic Interpretation of Linguistic Hedges/ Journal of Cybernetics. Taylor & Francis. 2 (3): 4–34.
3. Демидова Г. Л. Лукичев Д. В. Регуляторы на основе нечеткой логики в системах управления техническими объектами. Учебное пособие / СПб: Университет ИТМО, 2017г.
4. R. Smullyan. Theory of Formal Systems. Prinston Univercity Press. Prinston. 1961
5. А. И. Галушкин. Нейронные сети: основы теории/ М.: Горячая-линия телеком, 2010. — 496с.
6. Круглов, М. И. Дли, Р. Ю. Голунов. Нечёткая логика и нейронные сети/ М.: Физматлит, 2001. — 22
7. K. Fukushima. Neocognitron. A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biological Cybernetics. 1980. — 36 (4): 193–202.
8. В. H. Göksu, D. C. Wunsch II. Neural networks applied to electromagnetic compatibility (EMC) simulations. Artificial Neural Networks and Neural Information Processing — ICANN/ICONIP 2003 pp 1057–1063
9. 5G Infrastructure. Электронный ресурс. Режим доступа: https://www.achronix.com/application/5g-infrastructure
10. МСЭ. Электронный ресурс. Режим доступа: https://www.itu.int/en/ITU-T/focusgroups/imt-2020/Pages/default.aspx
11. В. Г. Скрыыников, Д. А. Пальцин, Е. Е. Девяткин. Особенности оценки условий ЭМС для сетей 5G/IMT-2020. Электросвязь. Т.5, 2019г.
12. О. Ю. Казьмин, О. А. Симонина. Использование нейронных сетей для решения задачи оптимизации электромагнитной обстановки в сетях радиодоступа. Труды учебных заведений связи. Т.7, № 3, 2021г.
13. В. И. Комашинский, Д. А. Смирнов. Нейронные сети и их применение в системах управления и связи / М.: Горячая линия — Телеком, 2003. — 94 с.
14. С. Р. Романов. Концепция управления сетью передачи данных на основе самообучающихся систем. Труды научно-исследовательского института радио. № 1–2, 2020г.
15. С. С. Аджемов, Н. В. Кленов, М. В. Терешонок, Д. С. Чиров. Использование искусственных нейронных сетей для классификации источников сигналов в системах когнитивного радио. Программирование, № 3, 2016г., с 3–11.
16. С. С. Аджемов, М. В. Терешонок, Д. С. Чиров. Распознавание видов цифровой модуляции радиосигналов с использованием нейронных сетей. ВМУ. Серия 3. Физика. Астрономия. № 1 2015г.
17. А. А. Харкевич. Борьба с помехами / М.: Издательство «Наука». Главная редакция физико-математической литературы. 1965г. 276 с.