Биоинспирированная нейросетевая архитектура аналоговых компьютеров общего назначения в задачах Wi-Fi-радиопланирования тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Нурутдинов Айрат Рафкатович

• Нурутдинов Айрат Рафкатович
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Нурутдинов Айрат Рафкатович

ВВЕДЕНИЕ

ГЛАВА I. БИОЛОГИЧЕСКИЙ И ИСКУССТВЕННЫЙ

ИНТЕЛЛЕКТ. ПОСТАНОВКА ЗАДАЧИ

1.1 Нейронная доктрина как краеугольный камень исследований

функций мозга

1.2 Нейрон - основная функциональная единица мозга

1.3 Имитационное моделирование интеллекта

1.4 Прорыв в области больших языковых моделей и их ограниченность

1.5 Проблемы в реализации ИИ на глубоких нейронных сетях

1.6 Неявные знания и формы проявления интеллекта

1.7 Биоинспирированные подходы в ИИ

1.8 Множественность видов интеллекта. Физический интеллект

1.9 Выводы по главе I. Постановка задач

ГЛАВА II. БИОИНСПИРИРОВАННАЯ АРХИТЕКТУРА

НЕЙРОННЫХ СЕТЕЙ

2.1 Цели исследования

2.2 Физический интеллект как система управления кинематическими цепями

2.3 Мозжечок и его функциональные модели

2.4 Мозжечок как ключ к пониманию принципов работы физического интеллекта

2.5 Важнейшие элементы коры мозжечка и их роль в предлагаемой модели

2.6 Применение биоинспирированных нейронных сетей для численного решения дифференциальных уравнений

2.7 Реализация алгоритмов нейронных сетей мозжечка в дискретной архитектуре фон Неймана

2.8 Методика построения моделей с использованием предложенной архитектуры нейронных сетей и примеры ее реализации

2.9 Аналоговые компьютеры общего назначения

2.10 Выводы по главе II

ГЛАВА III. ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ

МОДЕЛИРОВАНИЯ ВОЛНОВЫХ ПРОЦЕССОВ И ИХ

ПРОГРАММНЫЕ РЕАЛИЗАЦИИ

3.1 Динамические модели и волновые процессы

3.2 Использование архитектуры нейронных сетей мозжечка для моделирования волновых процессов в одномерной неоднородной среде

3.3 Построение нейронной сети для динамического моделирования волновых процессов в неоднородной упругой двухмерной плоскости

3.4 Реализация предложенной модели нейронных сетей на языке

JavaScript, демонстрирующей свойства волн

3.5 Использование графического процессора для реализации предложенной модели нейронных сетей

3.6 Выводы по главе III

ГЛАВА IV. ИСПОЛЬЗОВАНИЕ ПРЕДЛОЖЕННОЙ АРХИТЕКТУРЫ

НЕЙРОННЫХ СЕТЕЙ ДЛЯ АНАЛИЗА ЗОНЫ ПОКРЫТИЯ

БЕСПРОВОДНОЙ СЕТЬЮ WI-FI

4.1 Значение беспроводной технологии Wi-Fi

4.2 Протоколы сети Wi-Fi и особенности функционирования

4.3 Радиочастотные помехи и каналы сети Wi-Fi

4.4 Анализ ситуации с клиентскими устройствами Wi-Fi на примере

ПАО «Таттелеком»

4.5 Программно-аппаратные средства Wi-Fi-планирования

4.6 Использование предложенной архитектуры нейронной сети для моделирования уровня покрытия сигналом Wi-Fi

4.7 Проведение замеров в тестовом помещении с использованием профессионального программно-аппаратного комплекса

4.8 Использование нейросетевой модели в разработке мобильного приложения, используемого сервисными инженерами

4.9. Выводы по главе IV

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

1. Справка о внедрении результатов диссертационной работы

2. Протокол обследования Wi-Fi-покрытия помещения

3. Свидетельство о государственной регистрации программы для ЭВМ 172 «Приложение для радиопланирования Wi-Fi WiTuner»

Введение диссертации (часть автореферата) на тему «Биоинспирированная нейросетевая архитектура аналоговых компьютеров общего назначения в задачах Wi-Fi-радиопланирования»

ВВЕДЕНИЕ

Актуальность темы исследования и степень ее разработанности

Мозг относят к самой сложной организации материи в известной Вселенной и самому совершенному органу, созданному природой в процессе эволюции. Столь высокая сложность порождает большие трудности в комплексном понимании принципов работы нервной системы организмов. Для упрощения задачи изучения такого рода объектов нейронауки ее делят на иерархические и функциональные структуры следующих пяти уровней: молекулярный, клеточный, системный, поведенческий и когнитивный [1].

В начале XX века была сформулирована концепция нейронной доктрины [2]. Последующие достижения в нейрогистологии позволили досконально исследовать первые два уровня, показанные на рисунке 1, и получить глубокое понимание принципов работы отдельных нейронов.

Рисунок 1: а) нейроны, окрашенные методом Гольджи; б) внешняя структура нейрона; в) внутреннее строение типичного нейрона [1]

На сегодняшний день достигнут значительный прогресс в изучении структуры и функционирования нейронов. Детально исследованы морфология тела нейрона (сомы), дендритов и аксонов, а также механизмы передачи и обработки сигналов в нейронных сетях. Современные исследования раскрыли сложность процессов синаптической передачи, включая химические и электрические синапсы, а также роль различных нейромедиаторов и нейромодуляторов. Особое внимание уделяется изучению синаптической пластичности и ее роли в обучении и памяти. Также достигнут прогресс в создании математических моделей

спайковых нейронных сетей - третьего поколения искусственных нейронных сетей, являющихся самыми достоверными.

Однако более высокие уровни функциональных структур нервной системы, к которым относят:

третий - системный (соединение нейронов в группы, выполняющие общие функции, такие как произвольные движения или зрение);

четвертый - поведенческий (отвечающий на вопрос: каким образом системы нейронов работают вместе, формируя интегрированное поведение?);

пятый - когнитивный (понимание причин образования сознания в процессе деятельности мозга).

Несмотря на прилагаемые огромные усилия, эти уровни во многом относятся к terra incognita нейронауки [1].

По всей видимости, одна из причин затруднений в понимании третьего и четвертого уровней - это недостаточно глубокое представление о принципах формирования нейронных сетей, как в части архитектуры, так и в ее настройке для управления сложными динамическими системами. В этом вопросе существенным подспорьем является глубокое обучение (deep learning) [3].

Глубокое обучение обеспечило значительные достижения в сфере искусственного интеллекта (ИИ, англ. AI) и машинного обучения, особенно в области больших языковых моделей (LLM). Исследователи из Microsoft Research пришли к выводам, что GPT-4 можно рассматривать как раннюю версию системы общего искусственного интеллекта (AGI). В то же время, несмотря на существенные возможности, LLM имеет такие принципиальные ограничения и недостатки, как спонтанная недостоверность (hallucinates) в фактах и суждениях; допущение простых ошибок, диссонирующих с высокой компетентностью в целом; легковерие, проявляющееся в готовности принимать за истину заведомо ложные утверждения пользователя; а также отсутствие сведений о событиях, произошедших после завершения обучения. Однако названные и часто упоминаемые недостатки не так фундаментальны, как следующие ограничения: необходимость для обучения LLM чрезвычайных вычислительных мощностей и огромных объемов качественных текстовых данных, лимиты наличия которых

ограничены; неспособность к непрерывному обучению на своем опыте и отсутствие ключевых неявных знаний. И если первые из указанных ограничений и недостатков могут быть преодолены за счет существенных инвестиций, то последние требуют концептуальных изменений в существующих подходах. В частности, гораздо большим ограничением является проблема неявных знаний -знаний, которые мы используем интуитивно и не можем объяснить или формализовать. Такие знания включают интуитивные навыки и опыт, которые сложно передать ИИ. В первую очередь, это физические и интерактивные возможности, то есть те навыки, которые формируются у человека в силу его биологических особенностей или в первые годы жизни, плохо или совсем не осознаются им. В результате, не обладая истинным пониманием мира, LLM, несмотря на способность генерировать правдоподобные тексты, могут спонтанно давать нелогичные или бессмысленные ответы в случае выхода за пределы приобретенных знаний. Еще более значимой с точки зрения тематики диссертационного исследования является неспособность LLM управлять в режиме реального времени кибернетическими механическими системами, интегрированными в физический мир.

Для преодоления указанных выше ограничений современных систем искусственного интеллекта в настоящей диссертации предложен новый подход, основанный на биоинспирированной архитектуре нейронных сетей и концепции воплощенного интеллекта, способного к усвоению неявных знаний через взаимодействие с физическим миром. Ключевым источником вдохновения для разработки такой архитектуры послужил мозжечок - эволюционно древняя структура мозга, содержащая, как известно, 80% всех нейронов и ответственная за координацию движений и поддержку равновесия. Уникальная организация нейронных сетей мозжечка, характеризующаяся простой повторяющейся структурой и способностью управлять сложными динамическими процессами, открывает перспективы для создания адаптивных нейронных сетей, способных к непрерывному обучению и эффективному моделированию комплексных физических систем реального мира. Этот подход потенциально может позволить преодолеть фундаментальные ограничения существующих языковых моделей и

приблизиться к созданию систем общего искусственного интеллекта, обладающих истинным пониманием окружающей действительности и способностью к автономной адаптации. Изложенные в работе математические интерпретации и программные приложения, разработанные на базе предложенной нейросетевой архитектуры, дают возможность моделировать сложные физико-механические процессы, описываемые системами дифференциальных уравнений, что значительно расширяет возможности AI в моделировании динамических систем, таких как модели физических систем, финансовые рынки и биологические процессы.

Для демонстрации практического использования предложенной архитектуры разработаны методики нейросетевого представления, а также программные реализации следующих физических систем: системы трех тел, цепи колебательных элементов, распространения упругих и электромагнитных колебаний в неоднородных средах. Все представленные модели визуализированы.

С целью практической апробации предложенной нейросетевой архитектуры разработано мобильное приложение для радиопланирования Wi-Fi, позволяющее решить проблемы, связанные с высокой стоимостью и сложностью существующих решений, а также повысить точность и наглядность результатов проектирования беспроводных сетей. Это приложение предоставляет высокоуровневый интерфейс, позволяющий в интерактивном режиме различными способами визуализировать радиопокрытие, подбирать оптимальное размещение роутеров непосредственно на месте и включает типовые планировки помещений.

В первой главе работы представлен экспресс-анализ развития концепций и технологий в области искусственного интеллекта и нейронных сетей, а также обоснована необходимость преодоления ряда имеющихся ограничений современных языковых моделей путем моделирования сложных физических систем реального мира и усвоения неявных знаний через интерактивное взаимодействие с окружающей средой.

Во второй, ключевой главе на основе анализа исследований эволюции многоклеточных организмов рассмотрены модели нервных систем и обоснована

необходимость их обобщения для определения унифицированной архитектуры нейронной сети, отвечающей за физическую активность организма.

В третьей главе исследовано применение биоинспирированной нейросетевой архитектуры, основанной на структурно-функциональных принципах организации мозжечка, для моделирования динамических систем в различных областях науки. Глава фокусируется на демонстрации эффективности предложенной методологии в решении систем дифференциальных уравнений, описывающих распространение упругих и электромагнитных волн в одномерных и двумерных средах.

Автор последовательно рассматривает физические модели, их математическое представление, биоинспирированные нейросетевые аналоги и алгоритмические реализации для упругих колебаний (метод конечных элементов) и электромагнитных колебаний (метод конечных разностей во временной области). Глава завершается описанием практической реализации модели с использованием современных технологий веб-разработки и GPU-ускорения, демонстрируя способность разработанной архитектуры эффективно решать и визуализировать системы из миллиона дифференциальных уравнений в реальном времени на стандартных компьютерах.

В четвертой, завершающей главе описаны разработка и применение нейросетевой модели для прогнозирования распространения сигнала Wi-Fi в помещениях. Модель основана на методе конечных разностей во временной области (FDTD) и демонстрирует высокую точность прогнозирования даже при калибровке по одной контрольной точке. Для визуализации работы модели был создан программный стенд, позволяющий динамически отображать процесс распространения сигнала и генерировать тепловые карты покрытия. Сравнительный анализ с профессиональным ПО Ekahau подтвердил эффективность предложенной модели.

На основе разработанной модели было создано мобильное приложение, предназначенное для сервисных инженеров. Приложение включает библиотеку типовых планировок жилых помещений и инструменты визуализации для оптимизации размещения Wi-Fi-роутеров. Оно позволяет наглядно демонстрировать клиентам особенности распространения сигнала и

аргументировать необходимость использования дополнительного оборудования. Разработанные приложения на базе предложенной нейросетевой архитектуры успешно решают задачи радиочастотного планирования для широкого круга лиц, не предъявляя повышенных требований к уровню их ИТ-квалификации, что особенно ценно в условиях импортозамещения.

Таким образом, работа включает три цели исследования:

1. Разработка биоинспирированной нейросетевой архитектуры, соответствующей принципам функционирования аналоговых компьютеров общего назначения, моделирующих физические процессы.

2. Создание метода интерпретации предложенной нейросетевой архитектуры в форме программных приложений, позволяющих осуществлять моделирование физических процессов.

3. Изучение, демонстрация возможности практического использования предложенной архитектуры на примере моделей распространения упругих и электромагнитных волн в неоднородных средах.

Для достижения поставленных целей необходимо было решить следующие задачи:

1. Идентифицировать и формализовать ключевые функциональные структуры цитоархитектуры мозжечка - отдела головного мозга, отвечающего за проявления физической формы интеллекта.

2. Представить с функциональной точки зрения предложенную нейросетевую архитектуру в форме аналогового компьютера общего назначения в рамках концепции К. Шеннона.

3. Разработать методологию создания цифровых моделей на базе предложенной нейросетевой архитектуры.

4. Верифицировать результаты на моделях физических систем, описываемых системами дифференциальных уравнений.

5. Разработать комплекс программных средств для динамического моделирования процессов распространения упругих и электромагнитных волн в неоднородных средах, включая специализированные модули для

радиопланирования Wi-Fi-сетей в типовых помещениях, на основе моделей, построенных в рамках предложенной методологии;

6. Верифицировать результаты в тестовых испытаниях на сертифицированном оборудовании радиопланирования Wi-Fi-сетей.

Положения, выносимые на защиту:

1. Соответствие предложенной биоинспирированной нейросетевой архитектуры концепции универсального аналогового компьютера общего назначения К. Шеннона, способного моделировать любые физические процессы, описываемые системами дифференциальных уравнений.

2. Разработанная методика позволяет создавать сложные цифровые модели реальных физических процессов на базе предложенной биоинспирированной архитектуры.

3. Разработанный комплекс программных средств обеспечивает моделирование волновых процессов в неоднородных средах, а также позволяет массово использовать данное решение в задачах проектирования и оптимизации сетей Wi -Fi.

4. Точность прогнозных моделей Wi-Fi-покрытия, построенных на предложенной нейросетевой архитектуре и используемых в разработанных приложениях, коррелируется с эмпирическими данными.

Научная новизна диссертационной работы заключается в следующем:

1. Предложена биоинспирированная архитектура интерпретации нейросети мозжечка, позволяющая строить модели любых физических систем в рамках концепции универсального аналогового компьютера общего назначения К. Шеннона.

2. Представлена оригинальная методика построения цифровых моделей многокомпонентных систем на основе предложенной биоинспирированной нейросетевой архитектуры, позволяющая моделировать физические процессы, описываемые системами дифференциальных уравнений.

3. Разработан и практически реализован комплекс кросс-платформенных решений на базе моделей, использующих предложенную нейросетевую архитектуру, который обеспечивает импортозамещение в задачах проектирования

и оптимизации сетей Wi-Fi для широкого спектра услуг различным категориям пользователей.

4. Предложен подход интеграции метода конечных разностей во временной области (FDTD) в биоинспирированную нейросеть, что позволяет создавать визуально информативные модели радиочастотного планирования, точность которых коррелирует с эмпирическими данными.

Методы исследования. В проведенном диссертационном исследовании использованы и развиты следующие методы.

Биоинспирированный метод - при разработке архитектуры искусственных нейросетей использованы структурно-функциональные принципы построения, аналогичные тем, что выявлены в нейроанатомии мозжечка.

Математическое моделирование - использованы математические методы и теории для описания и анализа многокомпонентных систем через представление физико-механических процессов системами дифференциальных уравнений.

Компьютерное моделирование - на основе проведенного анализа предложены цифровые модели элементов мозжечка для имитации функций биологического аналогового компьютера,

Имитационное моделирование - продемонстрированы возможности использования нейросетевой архитектуры для динамического моделирования процесса распространения упругих и электромагнитных волн в неоднородной среде.

Экспериментальное тестирование - проведены эксперименты с использованием специализированного и сертифицированного оборудования для проверки и подтверждения работоспособности и точности разработанных моделей.

Степень достоверности результатов, полученных в диссертационной работе, обеспечена применением научной методологии разработки, использованием системного подхода к построению программного комплекса и результатами его практического внедрения в деятельность телекоммуникационной компании. Достоверность построенных моделей установлена путем сравнения значений,

определяемых их использованием, с показаниями профессиональных сертифицированных приборов Wi-Fi-радиопланирования (Ekahau AI Pro).

Внедрение полученных результатов. Результаты исследования послужили основой для разработки автором комплекса специализированных программных приложений, которые были успешно интегрированы в образовательные и производственные процессы ПАО «Таттелеком» (г. Казань), о чем свидетельствует представленная в диссертации справка.

Соответствие результатов работы паспорту специальности. Результаты, полученные в диссертационном исследовании, соответствуют следующим разделам паспорта специальности 2.3.8 «Информатика и информационные процессы»: «1. Разработка компьютерных методов и моделей описания, оценки и оптимизации информационных процессов и ресурсов, а также средств анализа и выявления закономерностей на основе обмена информацией пользователями и возможностей используемого программно-аппаратного обеспечения»; «8. Разработка систем принятия решения на основе баз данных и знаний, реализующих имитационные модели прогнозирования изменения материальных процессов и событий»; «10. Исследования и разработка требований к программно-техническим средствам современных телекоммуникационных систем на базе вычислительной техники».

Апробация работы. Основные результаты диссертационной работы были представлены и обсуждены на научных конференциях и семинарах:

• 2023 International Conference on Intelligent and Innovative Technologies in Computing, Electrical and Electronics (IITCEE, Индия, online), 27-28 января 2023, название доклада «Cerebellum-Inspired Artificial Neural Networks Architecture»;

• 46th International Conference on Telecommunications and Signal Processing (TSP, Чехия, online) (IEEE Conference Record #59544), 12-14 июля 2023, название доклада и статьи «Bioinspired Neural Network for Simulation of Wave Propagation in Nonhomogeneous Media»;

• The 31st International Conference on Software, Telecommunications and Computer Networks (SoftCOM 2023, Хорватия), 21-23 сентября 2023, название

доклада и статьи «Dynamically Predicting Wi-Fi Coverage Mapping Using Bioinspired Neural Networks»;

• Семинар кафедры системного анализа и информационных технологий ФГАОУ ВО КФУ с приглашением специалистов в области дифференциальных уравнений и вычислительной математики (21 марта 2024 года);

• Пленарное заседание форума Kazan Digital Week 2024 (10 сентября 2024 года);

• Семинар «Вычислительные среды» Московского института электроники и математики им. А.Н. Тихонова Национального исследовательского университет «Высшая школа экономики» (17 сентября 2024 года).

Публикации по теме диссертации. Результаты диссертации опубликованы в семи работах, из них четыре - в изданиях, рекомендованных ВАК РФ; пять работ проиндексированы в международных наукометрических базах данных Scopus и Web of Science.

Личный вклад. Автором сформулированы задачи научного исследования и проведен анализ истории становления имитационного моделирования нейронных сетей. На основе цитоархитектуры мозжечка разработана нейросетевая архитектура универсального аналогового компьютера. Создана методика построения моделей с использованием предложенной нейросетевой архитектуры, приведены примеры моделирования различных физических многокомпонентных систем. Исследованы недостатки сетей Wi-Fi и разработаны приложения для анализа и радиопланирования Wi-Fi-сетей, доступные для широкого использования.

Автором выполнена обработка экспериментальных данных, полученных на сертифицированном оборудовании, проведены обобщение и интерпретация экспериментальных и теоретических результатов. Подготовлены и опубликованы научные статьи. Разработаны программные реализации предложенной нейросетевой архитектуры, что подтверждается свидетельством о государственной регистрации программы для ЭВМ «Приложение для радиопланирования Wi-Fi WiTuner» № 2024683816.

Структура работы. Диссертация имеет объем 172 страницы, содержит следующие части: введение, четыре главы, справку о внедрении результатов диссертационной работы и протокол замеров. Диссертационная работа иллюстрирована 65 рисунками и 11 таблицами. Библиографический список содержит 201 литературную ссылку, в том числе 182 на иностранных языках. Исходные коды и примеры реализации моделей размещены на сервисе https://github.com/airatn, а также в веб-блоге автора https://minfo.ru/.

Автор работы благодарит научного руководителя Рустама Хафизовича Латыпова, сотрудников ООО «ТТК Диджитал», ПАО «Таттелеком» и ООО «Твои мобильные технологии» за помощь при проведении исследований и содействие во внедрении технологии в производственные процессы.

ГЛАВА I. БИОЛОГИЧЕСКИЙ И ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ.

ПОСТАНОВКА ЗАДАЧИ

Краткое содержание

В первой главе представлен анализ развития концепций и технологий в области имитационного моделирования нейронных сетей. Особое внимание уделено ключевым событиям последних пятнадцати лет, которые привели к значительному прогрессу в разработке крупномасштабных языковых и мультимодальных моделей. Проведен критический обзор основных проблем и ограничений современных решений в сфере искусственного интеллекта, подчеркивающий необходимость преодоления существующих барьеров.

В контексте проведенного анализа обоснована важность применения биоинспирированных подходов, более точно моделирующих функционирование нервных систем живых организмов. Представлена классификация видов интеллекта с их соотнесением к группам занятости на рынке труда. Особый акцент сделан на необходимости исследования категории воплощенного физического интеллекта. Аргументирована потребность в моделировании сложных физических систем реального мира и усвоении неявных знаний через интерактивное взаимодействие с окружающей средой как ключевых факторов для преодоления ограничений современных языковых моделей и дальнейшего развития искусственного интеллекта.

1.1. Нейронная доктрина как краеугольный камень исследований функций мозга

Идея о том, что клеточная теория распространяется на нейроны, известна как нейронная доктрина. Несмотря на то, что Гольджи и Кахаль в 1906 году разделили Нобелевскую премию за описание структуры нервной системы, они продолжали отстаивать противоположные точки зрения [4]:

- Гольджи считал, что отростки различных нейронов сливаются, образуя непрерывную сеть, подобно артериям и венам кровеносной системы;

- Кахаль отстаивал мнение, что отростки различных нейронов связываются друг с другом с помощью контактов, а не непрерывно.

Практические исследования укрепили нейронную доктрину, но окончательное доказательство пришло с изобретением электронного микроскопа в 1950-х годах. С улучшением разрешающей способности электронных и лазерных микроскопов было доказано (рисунок 2), что отростки различных нейронов не являются одним целым. Поэтому исходной точкой исследования мозга должен быть отдельный нейрон.

Рисунок 2: а) лазерный микроскоп; б) аксон (желтый) находится в контакте с дендритом (синий) [1]

Сегодня благодаря работам Т. Шванна, М.Д. Шлейдена, К. Гольджи, С. Рамон-и-Кахаля, А.Г. Фореля, В. Гиса, В. фон Вальдейера сформировалась клеточная теория строения нервной системы, которая определяется следующими эмпирически полученными постулатами:

- нейрон является дискретной структурной единицей нервной ткани;

- нейрон является функциональной единицей нервной ткани;

- между нейронами существуют специализированные контакты;

- нейрон имеет несколько протоплазматических выростов (дендриты) и одно волокно, или осевой цилиндр (аксон), который на конце разветвляется на коллатерали;

- коллатерали аксона контактируют с другими нервными клетками;

- нервная система состоит из популяции нейронов, организованных в функциональные системы;

- основной принцип функционирования нервных связей подчиняется закону динамической поляризации, сформулированному С. Рамон-и-Кахалем, согласно которому потенциалы действия или возбуждение идут в одном направлении - в

основном от рецептивной поверхности дендритов по телу и от тела на аксон - и завершаются на разветвлениях, контактирующих с другими нейронами;

- в рамках информационной парадигмы нейрон является основной единицей обработки информации.

1.2. Нейрон - основная функциональная единица мозга По различным оценкам, мозг человека состоит из 86,1 ± 8,1 млрд нейронов (рисунок 3), каждый из которых, в свою очередь, связан с десятками или даже сотнями тысяч других нейронов через синапсы [5]. Объединение нейронов в сеть образует базовые блоки, позволяющие живым организмам обрабатывать информацию и принимать решения. Нейроны соединяются друг с другом через электрохимические связи, которые называют синапсами. Синапсы собирают входные данные от соседних нейронов через дендриты [6].

Рисунок 3 - Типичный миелинизированный нейрон позвоночных Входы кодируются как электрические импульсы, которые первоначально передаются от дендрита к телу клетки. Ходжкин (Hodgkin, 1948), основоположник бифуркаций в нейронной динамике, стимулировал аксон кальмара импульсами различной амплитуды, установил, что в ответ на непрерывные возбуждающие

импульсы, превышающие порог мембранного потенциала нейрона (около -65 мВ), нейрон демонстрирует быстрое изменение потенциала (длительностью около 1 мс), во время которого напряжение резко возрастает (деполяризация от -70 мВ до +50 мВ), а затем резко снижается (реполяризация). Такая операция называется потенциалом действия (спайк) и представляет классическую модель «накопления и сброса» [7, 8].

Затем сигнал переносится от тела клетки с помощью аксона через активируемые напряжением ионные каналы, где нейрон соединяется через синапсы с дендритами соседних нейронов. Потенциал действия запускает терминалы на аксонах пресинаптических нейронов (нейроны на передающей стороне), чтобы выпустить химические вещества, называемые нейромедиаторами, в синапс. Эти нейротрансмиттеры связываются с рецепторами на дендритах постсинаптических нейронов (на принимающей стороне), где они преобразуются во входные возбуждающие или тормозные сигналы, позволяя циклу продолжаться на постсинаптическом нейроне. Нейроны рассматриваются как устройства, выполняющие нелинейные передаточные функции между входом и выходом, выполняя обработку сигналов и одновременно распространяя информацию через мозг [9].

Список литературы диссертационного исследования кандидат наук Нурутдинов Айрат Рафкатович, 2024 год

Источник

Лебедь А, один из самых мощных радиоисточников в наблюдаемом космосе

Общая выходная мощность Солнца Самая мощная РЛС в мире AN/FPS-85

Типичная мощность передатчика FM- радиостанции с радиусом действия 50 километров

Мощность микроволновой печи

Типичная максимальная выходная мощность гражданской радиостанции (27 МГц) во многих странах

Максимальная мощность мобильного телефона UMTS/3G

Мобильный телефон DCS или GSM 1800/1900 МГц Типичная мощность передатчика сотового телефона

24 dBm 25l x lo-3 Вт EIRP для беспроводной локальной сети IEEE 802.11a (каналы шириной 20 МГц) в поддиапазоне 5 ГГц

20 dBm loo x lo-3 Вт EIRP для каналов беспроводной локальной сети IEEE 802.11b/g шириной 20 МГц в диапазоне Wi-Fi / ISM 2,4 ГГц (5 мВт/МГц)

15 dBm 32 x lo-3 Вт Типичная мощность передачи данных по беспроводной локальной сети в ноутбуках

4 dBm 2,5 x 10-3 Вт Радио Bluetooth класса 2, радиус действия 10 м

Стандартное радио Bluetooth (класс 3), радиус 0 dBm 1 x 10-3 Вт действия 1 м

Максимальная мощность принимаемого сигнала -10 dBm 100 х 10-6 Вт беспроводной сети (варианты 802.11)

-30 dBm -60 dBm (1 мкВт) 10-6 Вт (1 нВт) 10-9 Вт 125

-70 dBm 0.1 х 10-9 Вт Обычные пороговые значения RSSI (received signal strength indicator), требуемые вендорами для высокой скорости передачи данных [A5, p. 571]

-77 dBm 20 х 10-12 Вт Рекомендуемый [207, p. 573] уровень для сети VoWiFi 2,4 ГГц для скорости 24 Mbps (SNR - 12dB)

-94 dBm 0.4 х 10-12 Вт Рекомендуемый [207, p.573] уровень для сети VoWiFi 2,4 ГГц для скорости 1 Mbps (SNR - 4dB)

-100 dBm 0,1 х 10-12 Вт Минимальная мощность принимаемого сигнала беспроводной сети (варианты 802.11)

-ro dBm 0 Вт Нулевая мощность не вполне интуитивно выражается в dBm

Во время обследования объекта проводятся следующие измерения границ ячейки:

• уровень принимаемого сигнала (dBm), также известный как received signal level (RSL);

• уровень шума (dB);

• отношение сигнал/шум или Signal-to-noise ratio (SNR).

В таблице 9 указаны рекомендуемый минимум принимаемого сигнала и минимальное отношение сигнал/шум для сети передачи данных WLAN [196].

Таблица 9 - Зависимость скорости передачи от RSL и SNR.

Скорость передачи (data rate) Минимальный уровень сигнала (RSL) Соотношение сигнал/шум (SNR)

54 Мбит/с - 71 dBm 25 dB

36 Мбит/с -73 dBm 18 dB

24 Мбит/с -77 dBm 12 dB

12/11 Мбит/с -82 dBm 10 dB

6/5,5 Мбит/с -89 dBm 8 dB

2 Мбит/с -91 dBm 6 dB

1 Мбит/с -94 dBm 4 dB

Анализ жалоб клиентов показал, что причиной большинства случаев обращений, не связанных с локальными аварийными ситуациями, является недостаточно качественное покрытие радиосигналом и/или наличие источников помех. При этом чаще всего клиентам при обращении в контакт-центр провайдера рекомендуется перезагрузить роутер, что приводит к автоматической перенастройке каналов и в ряде случае на время улучшает ситуацию, но в целом не решает проблему.

4.5. Программно-аппаратные средства Wi-Fi-планирования

Исследование покрытия проводят с использованием соответствующих программно-аппаратных средств Wi-Fi-планирования, предназначенных для проектирования, анализа и оптимизации беспроводных сетей Wi-Fi. Они позволяют и специалистам IT создавать эффективные и надежные сети Wi-Fi, учитывая различные факторы, такие как покрытие, производительность, безопасность и совместимость с существующим оборудованием.

Ключевыми возможностями программно-аппаратных средств Wi-Fi планирования являются:

1. Анализ и проектирование сети

Симуляция Wi-Fi-покрытия. Используется для моделирования радиочастотного покрытия в различных условиях и средах, включая офисы, производственные помещения, склады и открытые пространства. Это позволяет определить оптимальные места для установки роутеров, чтобы обеспечить наилучшее покрытие и производительность.

Анализ помех и коэксистенции. Помогает оценить влияние помех от других устройств и сетей, работающих в том же или смежных диапазонах частот, а также разработать стратегии для минимизации их воздействия.

2. Выбор оборудования

Подбор точек доступа и антенн. В зависимости от требований к покрытию, пропускной способности и других параметров сети инструменты позволяют выбрать наиболее подходящие модели роутеров, а также их количество и конфигурацию.

3. Тестирование и оптимизация (аппаратная часть)

Сбор и анализ данных о производительности. После установки сети проводится сбор данных о ее реальной производительности, включая скорость передачи данных, задержки, потери пакетов и другие ключевые показатели. Эти данные используются для дальнейшей оптимизации сети.

Оптимизация конфигурации. На основе собранных данных могут быть внесены корректировки в настройки сети, включая изменение каналов, мощности передачи и расположения роутеров, для улучшения покрытия и производительности.

4. Обслуживание и мониторинг

Мониторинг состояния сети. Программные решения для мониторинга позволяют в режиме реального времени отслеживать состояние сети, выявлять и устранять проблемы, предотвращая простои и снижение качества связи.

Планирование расширения. Инструменты планирования могут использоваться для моделирования расширения существующих сетей, помогая определить наиболее эффективные способы их масштабирования.

Для этих целей в коммерческом доступе представлено множество программных и аппаратных инструментов Wi-Fi-планирования, в частности: RingMaster from Trapeze Networks, Cisco Wireless Control System from Cisco, AirMagnet Planner from AirMagnet and Cindoor, Acrylic Suite, D-Link Wi-Fi Planner PRO, TamoGraph® Site Survey, NetSpot, Ekahau Connect и другие. Необходимо отметить высокую стоимость данных специализированных продуктов, например Acrylic Wi-Fi Heatmaps (Perpetual License) стоит $2 199. А часто используемый в России комплект Ekahau Wi-Fi, включающий в себя программное обеспечение Ekahau AI Pro с подпиской на год и прибор для тестирования и диагностики Ekahau Sidekick 2, предлагается по цене $12 985.

В базовом варианте все инструменты планирования WLAN подразумевают проведение работ в два этапа [197]:

I этап - формирование плана помещений, обозначение зон покрытия беспроводной сети, разметка препятствий, стен и дверей. При этом различные инструменты требуют того или иного уровня детализации - от общего описания

окружения до определения свойств материалов, из которых изготовлен каждый из вводимых объектов и его геометрических параметров.

В случаях подключения физических лиц этот этап вызывает обоснованные затруднения, например, отсутствует доступ к чертежам квартиры, не всегда имеется возможность осмотра и тем более замеров параметров комнат и помещений, оценки материалов стен и перегородок. Развитию интерфейса могли бы способствовать использование готовых типовых библиотек квартир с возможностью корректировки или наброски, эскизы плана квартиры вручную.

II этап включает в себя проработку возможных мест размещения, определения конкретных моделей и необходимого количества Wi-Fi-роутеров с использованием инструментов измерения уровня сигнала и моделирования распространения электромагнитных волн с учетом преодолеваемых препятствий. Инструменты RF planning, по итогам расчетов, отображают двухмерную цветовую карту (тепловую карту), наглядно демонстрирующую теоретический уровень покрытия беспроводной сетью помещений. Далее осуществляется итерационная корректировка параметров Wi-Fi-роутеров с целью получения оптимального соотношения «затраты / качество покрытия».

Анализ текущей ситуации в области Wi-Fi-планирования выявил три ключевых фактора, ограничивающих эффективность существующих подходов: применение методов моделирования распространения радиосигнала, не учитывающих современные технологические реалии; сложность процесса создания релевантной модели помещения, требующая значительных ресурсов и специализированных компетенций; недостаточная интерактивность визуализации результатов моделирования, ограничивающая возможности оперативного анализа и корректировки проектных решений [198]. Совокупность этих факторов формирует существенные барьеры для широкомасштабного внедрения эффективных методов Wi-Fi-планирования в массовом сегменте пользователей.

В эмпирических моделях широко используются следующие подходы [194, 197, 199]:

- one-slope model (1SM), предполагающая линейную зависимость между затуханием на дистанции (в дБ) и логарифмом расстояния: ,

где Lü - затухание дистанции в 1 метр, n - показатель затухания мощности, d -расстояние между передатчиком и приемником в метрах;

L = L0 + 10п • log10 (d) - multi-wall model (MWM), которая вычисляет затухание как сумму затуханий в свободном пространстве и потерь, возникающих на этапе прохождения сигнала через преграды (стены, двери, перекрытия).

Детерминированные модели физического распространения радиоволн позволяют более точно учитывать влияние окружающей среды на параметры распространения по сравнению с эмпирическими моделями. Внутри помещений используются два основных подхода: геометрическая оптика (GO) и метод конечных разностей во временной области (FDTD). Модель COST 231, разработанная в рамках исследовательской инициативы Европейского Союза, основное внимание уделяет геометрической оптике, как менее требовательной к объемам вычислений. В ней применяются два базовых метода:

- метод запуска лучей (Ray Launching Model, RLM), который осуществляет выпуск определенного числа лучей от передающей антенны в заданных направлениях; для каждого луча определяется точка пересечения со стеной, после чего луч делится на проникающий и отраженный лучи: каждый из них отслеживается до следующего пересечения, и так далее;

- метод изображений (Image Approach Method, IAM), использующий зеркальные изображения передающей антенны относительно всех поверхностей окружающей среды. Вычисляются координаты всех изображений, и лучи отслеживаются по заданному направлению, без необходимости посылать их во все стороны.

Рекомендации Международного союза электросвязи (ITU) опираются на относительно простые модели распространения радиоволн, такие как MWM, по ряду существенных причин [201]. Эти модели обеспечивают универсальность применения, вычислительную эффективность и достаточную точность для большинства практических сценариев планирования Wi-Fi-сетей внутри помещений.

Модель трассировки луча основана на расчете затуханий тысяч лучей и суммирования их значений в каждой точке тепловой карты. Вычисление величины

сигнала в конкретной точке осуществляется исходя из следующей формулы, определяющей величину затухания сигнала в децибелах (ослабление при распространении) [194]:

где, X - коэффициент ослабления, равный 1 для открытого пространства, в, -расстояние от точки передачи, / - частота сигнала, с - скорость света.

При этом также требуется учет геометрической схемы затухания при прохождении Wi-Fi-сигнала через препятствия, отображенной на рисунке 53 [194].

Рисунок 53 - Сегменты затухания при прохождении волны через препятствие. • А-31 - затухание, вызванное прохождением участка открытого пространства ¿>1;

Am -

т - затухание, вызванное отражением части волны от границы двух сред, где

- отраженная волна от внешней поверхности; • А-в - затухание, вызванное прохождением участка стены длиной В;

• л-т - затухание, вызванное отражением части волны от границы двух сред, где

АР2-

Я2- отраженная волна от внутренней поверхности; • Ль'2 - затухание, вызванное прохождением участка открытого пространства #2.

Конечный расчет включает в себя учет угла падения, а также множественность преодолеваемых препятствий, что крайне увеличивает сложность расчетов.

По этой причине в работе A. McGibney, M. Klepal, D. Pesch [197] исследовано несколько моделей с целью установления наиболее подходящей. По результатам было определено, что Motif Model [199] в большей мере соответствует требованиям систем расчета покрытия WLAN. По мнению авторов статьи, Motif Model эффективнее, чем другие модели на основе лучевой оптики, потому что использует простое рисование линий методом разделения описания окружающей среды на

сетки при сохранении точности оптического подхода. Алгоритм метода представлен на рисунке 54 [199].

Рисунок 54 - Концепция алгоритма Motif Model..

Данный алгоритм основан на обсчете траекторий лучей, имеет ограниченную точность и способен воспроизвести только часть волновых эффектов. Использование существенно более точного метода FDTD требует гораздо больших вычислительных ресурсов и по этой причине не находило широкого применения.

Моделирование процессов производится в горизонтальной плоскости помещений, что соответствует характеру распространения электромагнитных волн для типовых Wi-Fi-антенн, используемых в корпоративном и бытовом сегментах и устанавливаемых вертикально. Доминирующее излучение в этом случае будет исключительно в горизонтальной плоскости. Для примера на рисунке 55, согласно техническим характеристикам производителя [200], приведена диаграмма направленности промышленной Wi-Fi-антенны «Триада-2420», представляющей собой вертикальную 11-элементную коллинеарную решетку.

В настоящее время все большее распространение находят бытовые роутеры с фиксированными внутри корпуса антеннами, расположенными со смещением относительно вертикали, что формирует диаграмму направленности, приближенную к сферической. С точки зрения использования предложенной модели радиопокрытия это означает необходимость предварительного получения нескольких сечений помещений наклонными плоскостями и осуществления моделирования в них с последующим сложением уровней сигнала.

Рисунок 55 - Диаграмма направленности типовой Wi-Fi-антенны «Триада-2420».

4.6. Использование предложенной архитектуры нейронной сети для моделирования уровня покрытия сигналом Wi-Fi

В предыдущих главах была рассмотрена модель нейронных сетей, способная в реальном времени моделировать распространение волн в неоднородной среде. Учитывая волновую природу электромагнитных колебаний, предложенную архитектуру нейронной сети можно применять как альтернативное представление метода FDTD, в том числе в решении задачи анализа и планирования зон покрытия Wi-Fi. Кроме того, как было показано выше, нейронную сеть представляющую неоднородное пространство распространения волн, можно легко запрограммировать под конкретное помещение.

Ниже представлена реализация механизма проектирования с использованием нейронной сети на примере конкретной квартиры:

I этап. В данном случае квартира имеет прямоугольную форму. Для экономии вычислительных ресурсов следует сформировать фазовое пространство с параметрами 5 x 120 x 90. С точки зрения нейробиологии это нейронно -коммутативная сеть, состоящая из 54 тыс. нейронов и параллельных волокон.

Первые три параметра из пяти - это три компоненты фазового пространства: Zx,iп и %х,у - величина, скорость и ускорение возмущения в данном сегменте, а оставшиеся две - тх.у, сх.у _ масса и коэффициент затухания для соответствующего сегмента. Настройка модели под конкретное помещение - это присвоение тх,у> сх,у необходимых значений, которые, в отличие от первых трех, не будут меняться во времени, по сути, с точки зрения нейробиологии это долговременная память.

Для программирования сети необходимо загрузить план квартиры и трансформировать его из цветного изображения в изображение с оттенками серого, используя библиотеку преобразования яркости ITU-R 601-2. Здесь будет использоваться сглаживание Floyd-Steinberg для аппроксимации уровней яркости исходного изображения.

Далее изображение разобьем на сетку сегментов размерностью 100 x 70, где величина оттенка серого будет задавать значение тх,у> сх,у^ и вставим в матрицу 120 х 90, как показано на рисунке 56.

Рисунок 56 - Программирование нейронной сети, отображающей неоднородную

среду.

II этап. Запуск модели. Следующий код с точки зрения нейробиологии является представлением 3 х 118 х 88 = 31 152 клеток Гольджи, ответственные за расчет последующих во времени состояний фазового состояния для гх:уч гх,у1 гх,у_ Указанный код использует коэффициенты затухания, индивидуальные для каждого сегмента пространства:

for y in range(Ny-2): # without edge operations

for x in range(Nx-2):

cen = PFz[x+1,y+1]

PFaz[x+1,y+1] = (PFz[x+1,y]-cen + PFz[x+1,y+2]-cen + PFz[x,y+1]-cen + PFz[x+2,y+1]-cen + \

PFz[x,y]-cen + PFz[x+2,y+2]-cen + PFz[x,y+2]-cen + PFz[x+2,y]-cen - \

PFvz[x+1,y+1] - PFvz[x+1,y+1]*PFc[x+1,y+1])/ PFm[x+1,y+1]

PFvz[x+1,y+1] += PFaz[x+1,y+1]*TS

PFz += PFvz*TS

III этап. Размещение точек излучения колебаний, то есть сегментов, являющихся автоколебательными контурами, часто именуемыми пейсмейкером (pacemaker), задающими ритмы, способные генерировать и поддерживать колебания. На рисунке 57 отражена работа трех моделей в реальном времени для разного количества источников сигнала. Стоит подчеркнуть, что плохое покрытие

легко определить визуально по отсутствию волновых явлений и слабому цветному фону, для рассматриваемого случая такие комнаты обозначены знаком вопроса. Рисунок 57 - Распространение Wi-Fi-сигнала для разного количества источников Видеозапись, демонстрирующая нейросетевое моделирование процессов распространения Wi-Fi-сигнала, представлена на веб-ресурсе по ссылке: https://youtu.be/CpX62H-BFWw.

С целью дальнейшего развития проекта использования нейронной сети при

моделировании качества покрытия Wi-Fi и проверки возможности массового практического применения для подготовки специалистов организован демонстрационный стенд (рисунок 58), содержащий:

- планировку типовой трехкомнатной квартиры и преднастроенную нейросетевую модель;

- тепловую карту уровня сигнала;

- прогнозный уровень сигнала в центре каждой из комнат;

- шкалу соотношений площадей по уровню сигнала;

- возможность установки от одного до трех роутеров и очистку модели;

- шкалу процесса прогресса в обсчете распространения волны.

Рисунок 58 - Демонстрационный стенд, анализирующий покрытие Wi-Fi в

типовой трехкомнатной квартире.

В процессе моделирования распространения волн в области планировки

квартиры происходит динамическая визуализация волновых эффектов в реальном времени, а в других сегментах экрана - изменение параметров по мере прогресса обсчета. Модель хорошо демонстрирует такие эффекты, как дифракция, интерференция, отражение и затухание.

Код программы стенда написан на JavаScript, что позволяет исполнять программу в любом браузере, без предварительной установки, и исполнять код не только на персональных компьютерах или ноутбуках, но и на современных смартфонах. Реализация демостенда, видеоинструкции и краткое описание представлены на веб-блоге автора данной исследовательской работы: https://minfo.ru/.

4.7 Проведение замеров в тестовом помещении с использованием профессионального программно-аппаратного комплекса

Для тестового измерения использовалось профессиональное измерительное устройство радиообследования Wi-Fi и анализа спектра Ekahau Sidekick (рисунок 59), поддерживающее все стандарты Wi-Fi, в том числе новый 802.11ax (Wi-Fi 6).

Рисунок 59 - Ekahau Sidekick™.

Ekahau Sidekick создан специально для совместной работы с программным обеспечением Ekahau Pro и является отраслевым стандартом для проектирования, анализа, оптимизации и устранения неисправностей сетей Wi-Fi. Для обработки использовалась версия 11.1.2.381 Ekahau Pro.

С целью практической демонстрации и последующей экспериментальной проверки выдвигаемых доводов использовано тестовое помещение компании «Таттелеком», изолированное от посторонних электромагнитных помех. На рисунке 60 приведены его планировка и фотографии интерьера.

Рисунок 60 - Тестовое помещение для проведения замеров и экспериментов.

Зелеными точками на плане помещения обозначены места измерения уровней сигналов. Ближе к правому верхнему углу расположен стол, на котором размещен наиболее массовый в сети провайдера «Таттелеком» кастомизированный двухдиапазонный (dual band 2.4/5.0 GHz) роутер Rotek RX-22200, поддерживающий Wi-Fi 802.11b/g/n/ac 2 x 2 (рисунок 61).

Рисунок 61 - Wi-Fi-роутер Rotek RX-22200

Ниже, на рисунке 62, показан скриншот из программы Ekahau Pro с введенными сведениями о расположении и материалах стен, размещении роутера и координатах точек измерения уровня сигналов.

Рисунок 62 - Скриншот из программы Ekahau Pro с введенными параметрами

тестового помещения. C помощью специализированного профессионального сканера Ekahau Sidekick проведены замеры уровней мощности сигналов в диапазоне 5 ГГЦ в координатах контрольных точек (таблица 10):

Таблица 10 - Мощность сигнала в контрольных точках в dBm.

#1 #2 #3 #4 #5 #6 #7 #8 #9 #10 #11

- 27 -25 -35 -60 -42 -51 -51 -57 -63 -59 -68

Замеры проводились несколько раз с целью достижения максимальной достоверности.

Полученные данные были использованы для проверки корректности работы предложенной нейросетевой модели распространения электромагнитных колебаний Wi-Fi в неоднородной среде. Нейросеть была запрограммирована на пространственные параметры тестового помещения ранее описанным способом, а по двум замерам (#2, #7) были определены параметры:

- осциллятора для установления мощности сигнала излучения;

- степени затухания для открытых пространств с целью учета размера помещения.

Для большей наглядности по аналогии собран программный стенд (рисунок 63), демонстрирующий работу модели, полученные прогнозы уровней, детальную тепловую карту, и позволяющий наглядно сравнить итоговые результаты.

Рисунок 63 - Сравнение реальных замеров уровней (слева) и прогнозных (справа), получаемых в результате работы нейросетевой модели.

В стенде два режима работы: шк - отображение процесса распространения

волны и В - формирование тепловой карты с цветовой легендой, отображенной в

верхней части. Кнопка В позволяет повторно перезапустить прогнозную модель. Дискретность волновой поверхности 517 х 477, то есть нейросетевая модель описывает систему, включающую почти четверть миллиона дифференциальных уравнений второго порядка, каждое из которых связано со значениями восьми других уравнений.

Кроме того, с целью сравнения точности в прогнозных моделях в Ekahau Pro была введена модель того же тестового помещения и источника сигнала, по итогам работы которой также были получены альтернативные результаты.

Сравнение качества построения прогнозных тепловых карт для двух моделей представлено на рисунке 64.

А - процент отклонения значения от реальных показаний в контрольной точке. Рисунок 64 - Сопоставление тепловых карт и реальных замеров двух прогнозных моделей: Ekahau Pro (слева) и нейросети (справа).

Также полученные данные представлены в таблице 11.

Таблица 11 - Сопоставление замеров и результатов двух прогнозных моделей: Ekahau Pro и нейросеть (на рисунке 64 слева и справа соответственно).

№ #1 #2 #3 #4 #5 #6 #7 #8 #9 #10 #11

замеры (dBm) -27 -25 -35 -60 -42 -51 -51 -57 -63 -59 -68

модель Ekahau (dBm) -44 -39 -51 -56 -50 -58 -55 -61 -66 -65 -70

отклонение Ekahau 63,0% 56,0% 45,7% -6,7% 19,0% 13,7% 7,8% 7,0% 4,8% 10,2% 2,9%

нейромодель (dBm) -25 -24 -37 -54 -40 -48 -50 -54 -61 -66 -70

отклонение нейромодели -7,4% -4,0% 5,7% -10% -4,8% -5,9% -2,0% -5,3% -3,2% 11,9% 2,9%

Очевидно, что точность прогнозной нейросетевой модели выше профессионального решения Ека^Ьаи и имеет отклонение от реальных значений в 2-12 % в dBm, что для данного вида задач вполне соответствует потребностям специалистов. При этом точность может быть улучшена в случае более детального ввода параметров помещений. Кроме того, нейросетевое решение позволяет

строить гораздо более детализированные тепловые карты, а также отображать динамическую визуализацию, существенно более наглядную для рядового клиента, что представляет важную маркетинговую ценность.

4.8 Использование нейросетевой модели в разработке мобильного приложения, используемого сервисными инженерами

Предложенная модель нейронной сети послужила основой для разработки в ПАО «Таттелеком» мобильного приложения для Android (рисунок 65) в целях применения сервисными инженерами компании при радиопланировании.

Выберите количество комнат

1 - комнатная >

2 - комнатная

3 - комнатная >

4 - комнатная

1. Выбор кол-ва 2. Выбор типовой 3. Размещение 4. Динамическая 5. Тепловая карта

комнат планировки роутера визуализация радиопокрытия

Рисунок 65 - Рабочие экраны мобильного приложения. Особенностями данного технического решения является: База типовых планировок квартир - проанализированы наиболее популярные серии жилых домов в Республике Татарстан. На основании полученных данных создана библиотека из 26 планировок типовых квартир, содержащая детальную информацию, включая точные размеры и характеристики. Загрузка планировок осуществляется с сервера, что позволяет постоянно актуализировать информацию;

Эффективные средства визуализации - целью приложения является подбор, совместно с клиентом наиболее эффективное место размещения роутера или наглядно продемонстрировать необходимость mesh-системы . Таким образом, помимо построения классической тепловой карты покрытия, реализована

динамическая визуализация замедленного процесса распространения электромагнитных волн.

Возможность принятия решения совместно с клиентом имеет существенное значение, так как позволяет учитывать расположение электропитания, мебели и особенности отделки. В качестве прогнозной системы используется предложенная нейросетевая архитектура. Его использование позволяет проводить массовый анализ с минимальными финансовыми издержками на рядовых пользовательских устройствах.

4.9 Выводы по главе IV

В предыдущих главах была рассмотрена модель нейронных сетей, способная в реальном времени исследовать распространение волн в неоднородной среде. Учитывая волновую природу электромагнитных колебаний, предложенная архитектура нейронной сети может эффективно использоваться для решения задачи анализа и планирования зон покрытия Wi-Fi. Кроме того, как было показано выше, нейронная сеть может быть легко запрограммирована под конкретное помещение и способна учитывать все препятствия и неоднородность среды.

Предложенная модель, в отличие лучевых моделей массово используемых сегодня в области Wi-Fi-планирования, воспроизводит все волновые эффекты и при должной точности настройки среды способна с максимальным правдоподобием отобразить качество покрытия сигналом. Кроме того, у существующих решений визуализация качества покрытия радиосигналом ограничена слабодетализированной тепловой картой. В то же время нейросетевая архитектура предоставляет качественную и наглядную визуализацию и возможность работать на широком спектре устройств непосредственно в браузерах, включая мобильные устройства.

Обширный опыт работ интернет-провайдера, имеющего самую большую абонентскую базу в регионе, показал, что при подготовке проекта для корпоративного заказчика специалисты выбирают программное обеспечение исходя из его распространенности, доступности и ранее имевшегося успешного опыта. В случаях подключения физических лиц использование средств Wi-Fi-

планирования ранее в компании никогда не применялось по причине дороговизны решения, сложности в настройке и использовании.

Предлагаемое решение уже позволяет эффективно обучать сотни сервисных инженеров интернет-провайдера, а в последующем, с созданием базы типовых планировок квартир, предоставит возможность использовать веб-приложение и принимать решения непосредственно на объекте подключения.

Основной целевой аудиторией продукта являются линейные сервисные инженеры телеком-компаний и физические лица, владеющие помещениями с типовыми или близкими к типовым планировками, не имеющие дорогостоящего оборудования и не готовые оплачивать проведение классического RF-планирования. Наличие библиотеки типовых планировок существенно упрощает процесс Wi-Fi-планирования для данной категории пользователей, позволяя быстро и эффективно подобрать оптимальное решение для конкретного помещения без необходимости проведения дополнительных измерений или сложных расчетов.

Таким образом, в настоящая глава подтверждает третье положение, выносимое на защиту диссертации - предлагаемая нейросетевая архитектура позволяет интегрировать методы конечных разностей во временной области (FDTD) и конструировать высокоточные и визуально информативные модели радиочастотного планирования. Реализация этих решений в формате кросс-платформенных приложений обеспечивает масштабируемость и универсальность применения, что позволяет эффективно решать задачи оптимизации проектирования сетей Wi-Fi для широкого спектра пользователей.

ЗАКЛЮЧЕНИЕ

В ходе выполнения диссертационной работы получены следующие результаты:

1. На основе проведенного анализа проверена гипотеза о соответствии элементов цитоархитектуры мозжечка - отдела головного мозга всех позвоночных, ответственного за проявление физического воплощенного интеллекта, архитектуре аналоговых компьютеров общего назначения по К.Шеннона.

2. Показана возможность использования выявленной биоинспирированной нейросетевой архитектуры для численного решения сложных систем дифференциальных уравнений.

3. Разработан алгоритм построения программных динамических моделей систем, состоящих из множества физических тел, связанных между собой силами взаимодействия, с использованием биоинспирированной нейросетевой архитектуры, включая применение WebGPU для аппаратного ускорения вычислений. Возможности решения продемонстрированы на примерах четырех систем, включая модель распространения колебаний в упругой неоднородной среде.

4. Для решения задач радиочастотного планирования (RF-planning) определена методика настройки нейросетевой модели распространения волн в неоднородной среде с учетом параметров конкретных помещений и источников радиосигнала, а также разработаны алгоритмы динамической визуализации. С использованием полученных решений созданы браузерные программные продукты, используемые интернет-провайдером, имеющим крупнейшую Wi-Fi-сеть в регионе (более 640 тысяч роутеров), для обучения специалистов и определения оптимального размещения точек доступа в помещениях клиентов.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК Литература к главе 1

1. Беар Марк Ф., Коннорс Барри У., Парадизо Майкл А. (2022), Нейронауки. Исследования мозга в 3 томах. (Neuroscience. Exploring the Brain). 4-е издание. Издательство: Диалектика, ISBN: 978-5-907458-25-3.

2. Finger S. (2001), Origins of neuroscience: a history of explorations into brain function. Oxford University Press US. p. 48. ISBN 978-0-19-514694-3.

3. Da Silva I. N., Hernane Spatti D., Andrade Flauzino R., Liboni, L. H. B., dos Reis Alves, S. F., da Silva, I. N., ... & dos Reis Alves, S. F. (2017), Artificial neural network architectures and training processes, pp. 21-28. Springer International Publishing, https://doi.org/10.1007/978-3-319-43162-8_2.

4. Edward G. Jones (1999) Golgi, Cajal and the Neuron Doctrine, Journal of the History of the Neurosciences: Basic and Clinical Perspectives, 8:2, pp. 170-178, http://dx.doi.org/10.1076/jhin.8.2.170.1838

5. Azevedo, F. A., Carvalho, L. R., Grinberg, L. T., Farfel, J. M., Ferretti, R. E., Leite, R. E., ... & Herculano-Houzel, S. (2009), Equal numbers of neuronal and nonneuronal cells make the human brain an isometrically scaled-up primate brain. Journal of Comparative Neurology, 513(5), pp. 532-541. doi:10.1002/CNE.21974 (2009).

6. Pinel, J. P. (2009), Biopsychology. Pearson education.

7. Hodgkin, A. L. & Huxley, A. F. (1939), Action Potentials Recorded from Inside a Nerve Fibre. Nature 144, pp. 710-711. doi:10.1038/144710a0.

8. Hodgkin, A. L. & Huxley, A. F. (1952), A quantitative description of membrane current and its application to conduction and excitation in nerve. The Journal of Physiology 117, pp. 500-544.

9. Kendall, J., Pantone, R., Manickavasagam, K., Bengio, Y., & Scellier, B. (2020), Training end-to-end analog neural networks with equilibrium propagation, arXiv preprint arXiv:2006.01981.

10. Abbott, L. F. & Nelson, S. B. (2000), Synaptic plasticity: taming the beast. Nature neuroscience 3 Suppl, pp. 1178-1183, doi:10.1038/81453.

11. Deng, P. Y. & Klyachko, V. A. (2011), The diverse functions of short-term plasticity components in synaptic computations. Communicative & Integrative Biology 4, p. 543, doi:10.4161/cib.4.5.15870.

12. Lynch, M. A. (2004), Long-Term Potentiation and Memory. Physiological Reviews 84, pp. 87-136, doi: 10.1152/physrev.00014.2003 .

13. Lisman, J., Grace, A. A. & Duzel, E. (2011), A neoHebbian framework for episodic memory; role of dopamine-dependent late LTP. Trends in neurosciences 34, pp. 536-547, doi:10.1016/J.TINS.2011.07.006 .

14. Downing, K. L. (2015), Intelligence emerging: adaptivity and search in evolving neural systems. MIT Press.

15. Bullmore, E. & Sporns, O. (2009), Complex brain networks: Graph theoretical analysis of structural and functional systems. Nature Reviews Neuroscience 10, pp. 186198, doi: 10.1038/nrn2575.

16. Pascual-García, A. (2016), A topological approach to the problem of emergence in complex system,. arXiv preprint arXiv:1610.02448.

17. Barrett, H. C. & Kurzban, R. (2006), Modularity in cognition: framing the debate. Psychological review 113, pp. 628-647, doi:10.1037/0033-295X.113.3.628.

18. Strogatz, S. H. Exploring complex networks. (2001), Nature 410, pp. 268-276, doi:10.1038/ 35065725.

19. Chialvo, D. R. Emergent complex neural dynamics. (2010), Nature Physics 6, pp. 744-750, doi:10.1038/nphys1803.

20. Muldoon, S. F., Bridgeford, E. W. & Bassett, D. S. (2016, Small-world propensity and weighted brain networks. Scientific Reports 6, doi: 10.1038/srep22057.

21. Bellec, G. et al. A solution to the learning dilemma for recurrent networks of spiking neurons. (2020), Nature Communications 2020 11:1 11, pp. 1-15, doi:10.1038/s41467-020-17236-y .

22. Vogels, T. P., Rajan, K. & Abbott, L. F. (2005), Neural network dynamics. http://dx.doi.org/10.1146/annurev.neuro.28.061604.135637 28, pp. 357-376, doi:10.1146/ANNUREV.NEUR0.28.061604.135637.

23. Kinnear, K. E., & Angeline, P. J. (Eds.). (1994), Advances in genetic programming (Vol. 3). Cambridge, MA: MIT press., pp. 75-98.

24. Hagmann, P. et al. Mapping the structural core of human cerebral cortex. (2008), PLoS Biology 6, pp. 1479-1493, doi:10.1371/journal.pbio.0060159.

25. Bassett, D. S. & Gazzaniga, M. S. (2011), Understanding complexity in the human brain. Trends in Cognitive Sciences 15, pp. 200-209. doi:10.1016/j.tics.2011.03.006.

26. McCarthy, J., Minsky, M. L., Rochester, N., and Shannon, C. E. (2006), A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, 1955, AI Magazine, v. 27, № 4 , pp. 12-14.

27. Warren S. McCulloch and Walter Pitts. (1943), A logical calculus of the ideas immanent in nervous activity. Bulletin of mathematical biophysics, volume 5 (перевод -Логическое исчисление идей, относящихся к нервной активности).

28. Piccinini, G. (2004), The First Computational Theory of Mind and Brain: A Close Look at Mcculloch and Pitts's. Logical Calculus of Ideas Immanent in Nervous Activity. Synthese, 141(2), pp. 175-215, doi:10.1023/b:synt.0000043018.52445.3e.

29. Rosenblatt, F. (1958), The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), pp. 386-408, doi: 10.1037/h0042519.

30. Rosenblatt, F. (1962), Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms. Washington, D.C., Spartan Books.

31. Rosenblatt, F. (1957), The perceptron, a perceiving and recognizing automaton Project Para. Cornell Aeronautical Laboratory.

32. Marvin Minsky, Seymour Papert. (1969), Perceptrons: an introduction to computational geometry, ISBN 0 262 13043 2.

33. Minsky, M. Steps Toward Artificial Intelligence in Proceedings of the IRE 49. (1961), pp. 8-30, doi: 10.1109/JRPROC. 1961.287775.

34. Crevier, D. (1993), AI: The Tumultuous History of the Search for Artificial Intelligence. Basic Book.

35. Rumelhart D. E., Hinton G. E. & Williams R. J. (1986), Learning representations by back-propagating errors. Nature 323. Number: 6088 Publisher: Nature Publishing Group, pp. 533-536, doi:10.1038/323533a0.

36. A Canziani, A Paszke, E Culurciello, (2016), An analysis of deep neural network models for practical applications, https://doi.org/10.48550/arXiv.1605.07678.

37. ITU Telecommunication Development Bureau annual Facts and Figures report (2022), https://www.itu. int/itu-d/reports/statistics/2022/11/24/ff22-internet-use/.

38. https://en.wikipedia.org/wiki/Wikipedia: Size_of_Wikipedia.

39. Samek, W., Montavon, G., Lapuschkin, S., Anders, C. J., & Müller, K. R. (2021), Explaining deep neural networks and beyond: A review of methods and applications. Proceedings of the IEEE, 109 (3), pp. 247-278, doi:10.1109/JPROC.2021.3060483.

40. https://news.ycombinator.com/item?id=24907318.

41. Сергей Мингазов. Байден обсудил риски ИИ с его разработчиками и руководством Google и Microsoft. Технологии/Редакция Forbes, 5 мая 2023.

42. Bubeck, S., Chandrasekaran, V., Eldan, R., Gehrke, J., Horvitz, E., Kamar, E., ... & Zhang, Y. (2023), Sparks of artificial general intelligence: Early experiments with gpt-4, arXiv preprint arXiv:2303.12712, https://doi.org/10.48550/arXiv.2303.12712.

43. Brown, T. B. (2020), Language models are few-shot learners, arXiv preprint arXiv:2005.14165, https://doi.org/10.48550/arXiv.2005.14165, p. 9.

44. Christofari Neo - NVIDIA DGX A100, AMD EPYC 7742 64C 2.25GHz, NVIDIA A100 80GB, Infiniband | TOP500, www.top500.org.

45. What are tokens and how to count them? https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them.

46. Metz, C. & Collins, K. (2023), 10 ways GPT-4 is impressive but still flawed. The New York Times.

47. Bubeck, S., Chandrasekaran, V., Eldan, R., Gehrke, J., Horvitz, E., Kamar, E., ... & Zhang, Y. (2023), Sparks of artificial general intelligence: Early experiments with gpt-4, arXiv preprint arXiv:2303.12712.

48. Mehonic, A., & Kenyon, A. J. (2022), Brain-inspired computing needs a master plan. Nature, 604(7905), pp. 255-260.

49. Kaspar, C., Ravoo, B. J., van der Wiel, W. G., Wegner, S. V., & Pernice, W. H. (2021), The rise of intelligent matter. Nature, 594(7863), pp. 345-355.

50. Lecun, Y., Bengio, Y. & Hinton, G. (2015), Deep learning. Nature 2015, 521:7553 521, pp. 436-444, doi:10.1038/nature14539.

51. Hamdioui, S., Du Nguyen, H. A., Taouil, M., Sebastian, A., Le Gallo, M., Pande, S., ... & Benini, L. (2019, March), Applications of computation-in-memory architectures based on memristive devices. In 2019 Design, Automation & Test in Europe Conference & Exhibition (DATE), pp. 486-491, IEEE.

52. Keckler, S. W., Dally, W. J., Khailany, B., Garland, M. & Glasco, D. (2011), GPUs and the Future of Parallel Computing. IEEE Micro 31. Conference Name: IEEE Micro, pp. 7-17, doi:10.1109/MM.2011.89.

53. Legg, S. & Hutter, M. (2007), Universal intelligence: A definition of machine intelligence. Minds and Machines 17, pp. 391-444, doi:10.1007/s11023-007-9079-x.

54. Herna ndez-Orallo, J. & Dowe, D. L. (2010), Measuring universal intelligence: Towards an anytime intelligence test. Artificial Intelligence 174, pp. 1508-1539, doi:10.1016/ J.ARTINT.2010.09.006.

55. Kudithipudi, D. et al. (2022), Biological underpinnings for lifelong learning machines. Nature Machine Intelligence 4, pp. 196-210, doi: 10.1038/s42256-022-00452-0.

56. Kandel, E. R. & Hawkins, R. D. (1992), The biological basis of learning and individuality. Scientific American 267, pp. 79-86, doi: 10.1038/SCIENTIFICAMERICAN0992-78.

57. Seger C. A. Implicit learning //Psychological bulletin. (1994), Т. 115, №2. 2, pp. 163196.

58. Olivera F. Memory systems in organizations: an empirical investigation of mechanisms for knowledge collection, storage and access //Journal of management studies. (2000), Т. 37,№. 6, pp. 811-832.

59. Rajan S., Pantelyat A. Apraxias //eLS.(2018), pp. 1-11.

60. Goldenberg G. Apraxia and the parietal lobes //Neuropsychologic (2009), Т. 47,№. 6, pp. 1449-1459.

61. WIPO Technology Trends 2019 - Artificial Intelligence, WIPO, Geneva, Switzerland. (2019), 154 p.

62. W. Ross Ashby. (1956), An Introduction to Cybernetics, (Chapman & Hall, London).

63. Max Boisot, Bill McKelvey. (2011), Complexity and organization - environment relations: revisiting Ashby's law of requisite variety. In Peter Allen, Steve Maguire & Bill McKelvey (eds.), The Sage Handbook of Complexity and Management. Sage Publications, pp. 279-298.

64. S. Legg, M. Hutter. (2007). A Collection of Definitions of Intelligence.

65. D. Princiotta, S. Goldstein, in Handbook of Intelligence: Evolutionary Theory, Historical Perspective, and Current Concepts. (Springer New York, 2015), pp. 83-92.

66. Binet, Th. Simon, in The development of intelligence in children (The Binet-Simon Scale). (Williams & Wilkins Co, 2006), pp. 37-90.

67. Gottfredson, L. S. (1997). Mainstream science on intelligence: An editorial with 52 signatories, history, and bibliography. Intelligence, 24(1), pp. 13-23.

68. Thurstone L.L. (1943), Primary Mental Abilities. Chicago Univ.Press.

69. Gardner, H. E. (2011), Frames of mind: The theory of multiple intelligences. Basic books.

70. Юваль Ной Харари. (2018), Homo Deus. Краткая история будущего. Издательство «Синдбад», ISBN:9785001310266.

71. И. М. Сеченов. (2001), Элементы мысли. СПб. и др.: Питер, 402 с.

72. Petrides, K. V., Furnham A. (November 2001), Trait emotional intelligence: psychometric investigation with reference to established trait taxonomies. European Journal of Personality. 15 (6), pp. 425-448, doi:10.1002/per.416. S2CID 144031083.

73. Sitti, M. (2021), Physical intelligence as a new paradigm. Extreme Mechanics Letters, 46, 101340.

74. Moravec, H. (1988). Mind Children: The Future of Robot and Human Intelligence. Harvard UP. p. 15, ISBN 978-0674576186.

75. Sitti, M. (2021), Physical intelligence as a new paradigm. Extreme Mechanics Letters, 46, 101340. (https://pi.is.mpg.de/).

76. Miriyev, M. Kovac. (2020), Skills for physical artificial intelligence. Nature Machine Intelligence, pp. 658-660, doi:10.1038/s42256-020-00258-y.

76. Федеральная служба государственной статистики. Рабочая сила, занятость и безработица в России в 2021. Статистистический сборник, таблица 2.33, https://rosstat.gov.ru/folder/210/document/13211

78. Nvidia CEO Jensen Huang says robots are the next wave of AI - 2024.

79. Duan J. et al. (2022), A survey of embodied ai: From simulators to research tasks //IEEE Transactions on Emerging Topics in Computational Intelligence,! 6, №. 2, pp. 230-244.

80. Wilson R. A., Foglia L. (2017), Embodied Cognition, in The Stanford Encyclopedia of Philosophy..

81. Cangelosi A. et al. Embodied intelligence //Springer handbook of computational intelligence, pp. 697-714.

82. Shiqiang Zhu, Ting Yu, Tao Xu, Hongyang Chen, Schahram Dustdar, Sylvain Gigan, Deniz Gunduz, Ekram Hossain, Yaochu Jin, Feng Lin, et al. Intelligent Computing: The Latest Advances, Challenges, and Future. Intell Comput. (2023), 2:0006, DOI: 10.34133/icomputing.0006.

83. Gupta, A., Savarese, S., Ganguli, S. et al. (2021), Embodied intelligence via learning and evolution. Nat Commun 12, 5721, https://doi.org/10.1038/s41467-021-25874-z.

Литература к главе 2

84. Jekely Gaspar, Keijzer Fred, Godfrey-Smith Peter. (2015), An option space for early neural evolution. Philosophical Transactions of the Royal Society B 370:20150181, doi.org/10.1098/rstb.2015.0181.

85. Braitenberg V. (1986), Vehicles: experiments in synthetic psychology. Cambridge, MA: MIT Press.

86. Sherrington C. (1906), The integrative action of the nervous system. New Haven, CT: Yale University Press.

87. Parker G. H. (1919), The elementary nervous system. Philadelphia, PA: Lippincott. Crossref.

88. Mackie G. O. (1990), The elementary nervous system revisited. Am. Zool. 30, pp. 907-920, doi: 10.2307/3883448 Crossref.

89. Pantin C. (1956), The origin of the nervous system. Pubbl. Staz. Zool. Napoli 28, pp. 171-181.

90. Passano L. M. (1963), Primitive nervous systems. Proc. Natl Acad. Sci. USA 50, pp. 306-313, Crossref, PubMed, ISI, doi:10.1073/pnas.50.2.306.

91. Годфри-Смит Питер. (2020), Чужой разум. Осьминоги, море и глубинные истоки сознания, Издательство: АСТ. ISBN 978-5-17-113538-6.

92. Elzinga Richard J. (2003), Fundamentals of entomology (6th ed.). Upper Saddle River, NJ: Prentice Hall, ISBN 9780130480309.

93. Middleton F., Strick H. (1998), The cerebellum: an overview // Trends in Neurosciences,v. 21, № 9.

94. Frank A. Middleton, Peter L. Strick. (1998), The cerebellum: an overview. Trends in Neurosciences, Volume 21, Issue 9, pp. 367-369, ISSN 0166-2236, https://doi.org/10.! 016/S0166-2236(98)01330-7.

95. Kalinichenko S. G., Motavkin P. A. (2005), Cerebellar Cortex; Institute Marine Biology FEB RAS, Moscow: Nauka.

96. Tanaka H. et al. (2020), The cerebro-cerebellum as a locus of forward model: a review //Frontiers in systems neuroscience, т. 14, p. 19.

97. Miall R. C., Wolpert D. M. (1996), Forward models for physiological motor control //Neural networks,T. 9, №. 8, pp. 1265-1279.

98. Shadmehr R., Smith M. A., Krakauer J. W. (2010), Error correction, sensory prediction, and adaptation in motor control //Annual review of neuroscience, Т. 33, №2. 1, pp. 89-108.

99. Habas C. et al. (2016), Deep cerebellar nuclei (DCN) and language //The linguistic cerebellum, Academic Press, pp. 337-353.

100. Kalman R. E. (1960), A New Approach to Linear Filtering and Prediction Problems // Journal of Basic Engineering, v. 82,№ 1, p. 35.

101. Thomas A. (1912), Cerebellar functions [Electronic resource] / André Thomas. New York: Journal of Nervous and Mental Disease Pub. Co,. p. 244, figure 67 (Monograph series; issue 12).

102. Иргер И. М. (1959), Клиника и хирургическое лечение опухолей мозжечка. М.: Медгиз.

103. Карамян А. И. (1956), Эволюция функции мозжечка и больших полушарий головного мозга. М.: Медгиз.

104. Middleton F. A., Strick P. L. (1998), The cerebellum: an overview, 21 (9), Trends in Neurosciences, v. 21, № 9, doi:10.1016/s0166-2236(98)01330-7.

105. Herculano-Houzel S. (2019), Coordinated scaling of cortical and cerebellar numbers of neurons. Front. Neuroanat, v. 4, № 12.

106. Herculano-Houzel S. (12 June 2014), The elephant brain in numbers. Front. Neuroanat.,. v. 8, https://doi.org/10.3389/fnana.2014.00046.

107. Ito M. (1984), The Cerebellum and Neural Control, Raven Press, New York.

108. Ramnani N. (2006), The primate cortico-cerebellar system: anatomy and function, Nat. Rev. Neurosci, №7, pp. 511-522.

109. Ito M. (2008), Control of mental activities by internal models in the cerebellum. Nat. Rev. Neurosci, №9., pp. 304-313.

110. Buckner R. L. (30 October 2013), The Cerebellum and Cognitive Function: 25 Years of Insight from Anatomy and Neuroimaging, v. 80, issue 3, pp. 807-815, https://doi.org/10.10167j.neuron.2013.10.044.

111. Kalinichenko S. G., Motavkin P. A. (2005), Cerebellar Cortex; Institute Marine Biology FEB RAS. Moscow: Nauka, ISBN 5-02-033688-2.

112. Universidad Complutense de Madrid, Sección Departamental de Biología Celular, Cuadros originales delineados por Santiago Ramón y Cajal y pintados por Ramón Padró, Corteza cerebelosa, https://www.ucm.es/seccionbiocel/historia.

113. Mugnaini E. (1983), The length of cerebellar parallel fibers in chicken and rhesus monkey. J. Comp. Neurol, v. 220, pp. 7-15.

114. Palay S. L., Chan-Palay V. (1974), Cerebellar cortex: Cytology and organizational. B.: Springer.

115. De Schutter E., Vos B. P., Maex R. (2000), The function of cerebellar Golgi cells revisited. Progr. Brain Res, v. 124, doi:10.1016/S0079-6123(00)24009-0.

116. Pellerin J.-P., Lamarre Y. (1997), Local field potential oscillations is primate cerebellar cortex during voluntary movement. J. Neurophysiol, v. 78, pp. 3502-3507.

117. Hartman M. J., Bower J. M. (1998), Oscillatory activity in the cerebellar hemispheres of unrestrained rats. J. Neurophysiol, v. 80, pp. 1598-1604.

118. Buzsaki G. (1997), Functions for interneuronal nets in the hippocampus, Canada, J. Physiol, Pharmacol, v. 75, pp. 508-515.

119. Tamas G., Buhl E. H., Lorincz A., Somogyi P. (2000), Proximally targeted GABAergic synapses and gap junctions synchronize cortical interneurons. Nat. Neurosci, v. 3, pp. 366-371.

120. Braitenbarg V., Heck D., Suhan F. (1997), The detection and generation of sequence as a key to cerebral function: Experiments and theory. Behav. Brain Sci, v. 20, pp. 229245.

121. Maex R., De Schutter E. (1998), Synchronization of Golgi and granule cell firing in a detailed network model of cerebellar granule cell layer, J. Neurophysio, v. 80, pp. 25212537.

122. Dieudonne S. (1998), Submillisecond kinetics and low efficacy of parallel fibre -Golgi cell synaptic currents in rat cerebellum, J. Physiol, v. 51, pp. 845-866.

123. Volny-Luraghi A., Maex R., Vos B., De Schutter E. (2002), Peripheral stimuli excite coronal beams of Golgi cells in rat cerebellar cortex. J. Neurophysiol, v. 113, pp. 363373.

124. Harvey R. J., Napper R. M. (1991), Quantitative studies on the mammalian cerebellum, Prog. Neurobiol, v. 36.

125. Consalez G. G., Goldowitz D., Casoni Fand Hawkes R. (2021), Origins, Development and Compartmentation of the Granule Cells of the Cerebellum, Front, Neural Circuits, 14:611841. doi:10.3389/fncir.2020.611841.

126. Hawkins J., Blakeslee S. (2004), On Intelligence, Times Books, Henry Holt and Co, ISBN 0-8050-7456-2.

127. Russell S. J., Norvig P. (2020), Artificial intelligence a modern approach. Pearson Education, Inc., 4th Ed.

128. Деменок С. Л. Динамический Хаос. (2019), Цикл изданий «Фракталы и Хаос», СПб.: СТРАТА.

129. The Mathematical Principles of Natural Philosophy. Encyclopedia Britannica, London.

130. Арнольд В. И. (2014), Обыкновенные дифференциальные уравнения. М.: МЦНМО.

131. Ландау Л. Д., Лифшиц Е. М. (2004), Теоретическая физика. Изд. 5-е, стереотипное. М.: Физматлит,, Т. I: Механика, ISBN 5-9221-0055-6.

132. Эйлер Л. (1956), Интегральное исчисление, Т. 1, разд. 2, гл. 7, М.: ГИТТЛ.

133. Arnold V. I. (1989), Mathematical methods of classical mechanics, New York: Springer-Verlag.

134. Fechner G. Th. (1860), Elemente der Psychophysik [Elements of psychophysics], v. band 2, Leipzig: Breitkopf und Härtel.

135. Staddon, J. E. (1978), Theory of behavioral power functions, Psychological review, 85(4), pp. 305-320.

136. J. Cepelewicz. (2020), Hidden computational power found in the arms of neurons, Quanta Mag.

137. D. Beniaguev, I. Segev, and M. London. (2021), Single cortical neurons as deep artificial neural networks, Neuron 109, pp. 2727-2739.

138. Third derivative of position, math.ucr.edu, retrieved 2019-09-08.

139. Maass, Wolfgang. (1997), Networks of spiking neurons: The third generation of neural network models,. Neural Networks, 10 (9), pp. 1659-1671, doi: 10.1016/S0893-6080(97)00011-7, ISSN 0893-6080.

140. Ижикевич Е. М. Динамические системы в нейронауке. (2018), Геометрия возбудимости и пачечной активности, Издательство: Институт компьютерных исследований, ISBN: 978-5-4344-0564-5.

141. https://brainchip.com/

142. Benjamin, B. V., Gao, P., McQuinn, E., Choudhary, S., Chandrasekaran, A. R., Bussat, J. M., ... & Boahen, K. (2014). Neurogrid: A mixed-analog-digital multichip system for large-scale neural simulations. Proceedings of the IEEE, 102(5), 699-716, doi: 10.1109/JPR0C.2014.2313565. S2CID 17176371.

143. Jin X., Furber S.B., Woods J.V. (2008), Efficient modelling of spiking neural networks on a scalable chip multiprocessor, IEEE International Joint Conference on Neural Networks (IEEE World Congress on Computational Intelligence), pp. 2812-2819, doi: 10.1109/IJCNN.2008.4634194, ISBN 978-1-4244-1820-6, S2CID 2103654.

144. Akopyan F. et al. (oct. 2015), TrueNorth: Design and Tool Flow of a 65 mW 1 Million Neuron Programmable Neurosynaptic Chip, in IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, v. 34, № 10, pp. 1537-1557, doi: 10.1109/TCAD.2015.2474396.

145. Izhikevich E. M. (2007), Dynamical Systems in Neuroscience: The Geometry of Excitability and Bursting. The MIT Press Cambridge, Massachusetts London, England.

146. Dmitrichev A. S., Kasatkin D. V., Klinshov V. V., Kirillov S. Yu., Maslennikov O. V., Shapin D. S., Nekorkin V. I. (2018), Nonlinear dynamical models of neurons: Review, Izvestiya VUZ, Applied Nonlinear Dynamics, vol. 26, Issue 4, pp. 5-58, doi: https://doi.org/10.18500/0869-6632-2018-26-4-5-58.

147. Izhikevich E. M., Hoppensteadt F. (2004), Classification of bursting mappings. International Journal of Bifurcation and Chaos, v. 14, № 11, p. 3847.

148. Shannon C. E. (1949), Communication in the presence of noise. Proceedings of the Institute of Radio Engineers, 37 (1), pp. 10-21, doi:10.1109/jrproc.1949.232969, S2CID 52873253 44.

149. A. Chenciner and R. Montgomery. (2000), A Remarkable Periodic Solution of the Three-Body Problem in the Case of Equal Masses,arxiv.org, https://doi.org/10.48550/arXiv.math/0011268, https://arxiv.org/abs/math/0011268.

150. MacLennan, B. J. (2004), Natural Computation and Non-Turing Models Of Computation,. Theoretical Computer Science 317, pp. 115-145.

151. MacLennan B. J. (September 2007), A review of analog computing // Department of Electrical Engineering & Computer Science, University of Tennessee, Technical Report UT-CS-07-601.

152. Small, J. S. (2001), The Analogue Alternative: The electronic analogue computer in Britain and the USA, pp. 1930-1975, London & New York: Routledge.

153. Shannon Claude E. (1941), Mathematical Theory of the Differential Analyzer, Journal of Mathematics and Physics, 20 (1-4), pp. 337-354, doi: 10.1002/sapm1941201337.

154. Н. Г. Чикуров. (2020), Численный метод решения обыкновенных дифференциальных уравнений с помощью приведения их к форме Шеннона. Матем. моделирование, т. 32, № 8, с. 3-20, DOI: 10.20948/mm-2020-08-01.

Литература к главе 3

155. V. I. Arnold. (1989), Mathematical methods of classical mechanics, New York : Springer-Verlag.

156. S. Strogatz. (2001), Nonlinear Dynamics and Chaos: With Applications to Physics, Biology, Chemistry, and Engineering (Studies in Nonlinearity), Westview Press, ISBN 0201543443. doi: 10.5860/choice.32-0994.

157. Landau, L. D. & Lifshitz, E. M. (2013), Mechanics and electrodynamics, Elsevier.

158. Reinke, H. & Asher, G. (2019), Crosstalk between metabolism and circadian clocks, Nat Rev Mol Cell Bio, 1.

159. De Lange, F. P., Jensen, O., Bauer, M., & Toni, I. (2008). Interactions between posterior gamma and frontal alpha/beta oscillations during imagined actions. Frontiers in human neuroscience, 2, 269.

160. Horowitz, P. & Hill, W. (1989), The art of electronics, Cambridge Univ. Press.

161. Cohen-Tannoudji, C., Diu, B. & La^, F. (1977), Quantum mechanics.

162. Tsai, T. Y. C., Choi, Y. S., Ma, W., Pomerening, J. R., Tang, C., & Ferrell Jr, J. E. (2008). Robust, tunable biological oscillations from interlinked positive and negative feedback loops. Science, 321(5885), 126-129.

163. T. Winfree. (1967), Biological rhythms and the behavior of populations of coupled oscillators, Journal of Theoretical Biology, v. 16, № 1, pp. 15-42, pp. 697-714, doi: 10.1007/978-3-662-43505-2_37.

164. В. А. Алешкевич, Л. Г. Деденко, В. А. Караваев. (2001), Колебания и волны. Лекции. Физический факультет МГУ.

165. А. М. Прохорова. (1988), Волны. Физическая энциклопедия. М.: Советская Энциклопедия, т. 1, с. 315, 546, ISBN 5-85270-034-7.

166. Winfree A. T. (1967), Biological rhythms and the behavior of populations of coupled oscillators. J. Theor. Biol, 16(1):15-42, DOI: 10.1016/0022-5193(67)90051-3.

167. Kuramoto Y. (1975), Self-entrainment of a population of coupled non-linear oscillators // In: Araki H. International Symposium on Mathematical Problems in Theoretical Physics, vol. 39 of Lecture Notes in Physics. Springer, Berlin, Heidelberg, pp. 420-422, DOI: 10.1007/BFb0013365.

168. Kuramoto Y. (1984), Chemical Oscillations, Waves, and Turbulence. Springer, Berlin, Heidelberg, 158 p., DOI: 10.1007/978-3-642-69689-3.

169. Д. В. Касаткин, А. А. Емельянова, В. И. Некоркин. (2021), Нелинейные явления в осцилляторных сетях Курамото с динамическими связями (обзорная статья). Известия высших учебных заведений. Прикладная нелинейная динамика,, т. 29, № 4, DOI: 10.18500/0869-6632-2021-29-4-635-675.

170. Sakaguchi H, Kuramoto Y. (1986), A soluble active rotater model showing phase transitions via mutual entertainment, Prog. Theor. Phys., 76(3), pp. 576-581, DOI: 10.1143/PTP.76.576.

171. Strogatz S. H. (2000), From Kuramoto to Crawford: exploring the onset of synchronization in populations of coupled oscillators. Physica D.,143(1-4), pp. 1-20, DOI: 10.1016/S0167-2789(00)00094-4.

172. Acebr'on J. A., Bonilla L. L,. Perez Vicente C. J., Ritort F., Spigler R. (2005), The Kuramoto model: A simple paradigm for synchronization phenomena, Rev. Mod. Phys.,77(1), pp. 137-185, DOI: 10.1103/RevModPhys.77.137.

173. Pikovsky A., Rosenblum M. (2015), Dynamics of globally coupled oscillators: Progress and perspectives. Chaos, 25(9):097616, DOI: 10.1063/1.4922971.

174. Rodrigues F.A., Peron TKDM, Ji P., Kurths J. (2016), The Kuramoto model in complex networks, Phys. Rep. ;610, pp. 1-98, DOI: 10.1016/j.physrep.2015.10.008.

175. Mасленников О. В., Некоркин В. И. Адаптивные динамические сети // УФН, . т. 187, № 7, с. 745-756, DOI: 10.3367/UFNr.2016.10.037902.

176. Maistrenko Y. L., Lysyansky B., Hauptmann C., Burylko O., Tass P. A. (2007), Multistability in the Kuramoto model with synaptic plasticity // Phys. Rev. E., v. 75, № 6, P. 066207, DOI: 10.1103/PhysRevE.75.066207.

177. Gross T., Blasius B. (2008), Adaptive coevolutionary networks: a review // J. R. Soc. Interface, v. 5, №. 20, pp. 259-271, DOI: 10.1098/rsif.2007.1229.

178. А. М. Прохорова. (1988), Волны. Физическая энциклопедия. М.: Советская Энциклопедия, 1988, т. 1, с. 315, 546, ISBN 5-85270-034-7.

179. Schneider J.B. (2015), Understanding the finite-difference time-domain method. School of electrical engi-neering and computer science Washington State University, p. 430, https://eecs.wsu.edu/~schneidj/ufdtd/ufdtd.pdf.

180. В. И. Грубов, В. С. Кирдак. (1977), Справочник по ЭВМ и аналоговым устройствам. Издательство: Наукова думка.

181. Mountcastle, Vernon. (1997), The columnar organization of the neocortex, Brain, 120 (4), pp. 701-722, doi:10.1093/brain/120.4.701. PMID 9153131.

182. Jeff Hawkins, Subutai Ahmad, Yuwei Cuihttps. (2017), A Theory of How Columns in the Neocortex Enable Learning the Structure of the World. Numenta, Inc., Redwood City, CA, United States, https://doi.org/10.3389/fncir.2017.00081.

183. Ахмедов Р.Х. (2023), Обзор технологий jit-компиляций. Инновации и инвестиции, № 4, с. 278-280.

184. https://www.intel.com/content/www/us/en/products/sku/232128/intel-core-i713700h-processor-24m-cache-up-to-5-00-ghz/specifications.html

185. https://www.nvidia.com/ru-ru/geforce/laptops/

186. https://developer.mozilla.org/en-US/docs/Web/API/WebGPU_API

187. https://caniuse.com/webgpu

188. https://www.taichi-lang.org/ Литература к главе 4

189. Pace Technical. Is Fast Wi-Fi the Most Basic of Human Needs?,

https://www.pacetechnical.com/resources/post/blog/fast-wifi-basic-human-needs.

190. Pahlavan, K., Krishnamurthy, P. (2021), Evolution and Impact of Wi-Fi Technology and Applications: A Historical Perspective. Int J Wireless Inf Networks 28, pp. 3-19, https://doi.org/10.1007/s10776-020-00501-8.

191. Forecast, G. M. D. T. (2019). Cisco visual networking index: global mobile data traffic forecast update, 2017-2022. Update, 2017, 2022.

192. Официальный сайт Wi-Fi Alliance®, https://www.wi-fi.org/who-we-are.

193. SO/IEC 7498-1:1994 Information technology — Open Systems Interconnection — Basic Reference Model: The Basic Model, June 1999, Introduction.

194. Кочин, В. П., Воротницкий, Ю. И., & Стрикелев, Д. А. (2012). Методика быстрой оценки мощности Wi-Fi-сигнала при прохождении препятствий в пределах здания. Белорусский государственный университет.

195. Арефьев, А. В., Афанасьева, О. В., Вешев, Н. А., Дагаев, А. В., Майоров, Е. Е., & Сорокин, А. А. (2022). Проблемы построения больших локальных сетей интернета вещей. Известия Тульского государственного университета. Технические науки, (10), 261-267.

196. David D. Coleman, David A. Westcott. CWNA Certified Wireless Network Administrator Study Guide: Exam CWNA-108. Sybex, ISBN-13: 978-1119734505.

197. Mc Gibney, A., Klepal, M., & Pesch, D. (2010, April). A wireless local area network modeling tool for scalable indoor access point placement optimization. In Proceedings of the 2010 Spring Simulation Multiconference (pp. 1-8).

198. COST Action 231. Digital mobile radio towards future generation systems: Final Report. 4. Propagation prediction models pp. 115-207, 4.7 Indoor Propagation Models pp. 175-189.

199. Klepal, M., Pechac, P., & Hradecky, Z. (2002). Prediction of wide-band parameters of mobile propagation channel. XXVIIth URSI General Assembly the International Union of Radio Science, Maastricht, 459.

200. Технические характеристики антенны Триада-2420. https://static.insales-cdn.com/files/1/3292/31329500/original/T%D0%A5_%D0%A2%D1%80%D0%B8%D 0%B0%D0%B4%D0%B0_2420.pdf.

201. Рекомендация МСЭ-R P.1238-12 (08/2023) Серия P: Распространение радиоволн. Данные о распространении радиоволн и методы прогнозирования для планирования систем радиосвязи внутри помещений и локальных зоновых радиосетей в диапазоне частот 300 МГц - 450 ГГц.

202. Darwish, A. (2018). Bio-inspired computing: Algorithms review, deep analysis, and the scope of applications. Future Computing and Informatics Journal, 3(2), 231-246.

162

ПРИЛОЖЕНИЯ

Приложение 1. Справка о внедрении результатов диссертационной работы Нурутдинова Айрата Рафкатовича «Биоинспирированная нейросетевая архитектура аналоговых компьютеров общего назначения в задачах Wi-Fi-радиопланирования».

Материалы диссертационной работы используются в учебном и рабочем процессе ПАО "Таттелеком"

Приложение 2. Протокол обследования Wi-Fi-покрытия помещения по адресу: г. Казань, ул. Ершова, 57в, с использованием ПАК Ekahau от 01.02.2024.

Приложение 3. Свидетельство о государственной регистрации программы для ЭВМ «Приложение для радиопланирования Wi-Fi WiTuner» № 2024683816, функционирующей на базе предложенной в диссертации нейросетевой модели.

Приложение № 1

ПУБЛИЧНОЕ АКЦИОНЕРНОЕ ОБЩЕСТВО «ТАТТЕЛЕКОМ» 420061. г. Казань, уг. Н. Ершова. 57 Теп.: [phone]. 291 -02-05; факс: [phone] e-mail: kanceiatattelecom.ru; www.tattelecom.ru

• •••• • •••• • •••• • •••• • ••••

ТАТТЕЛЕКОМ

«ТАТТЕЛЕКОМ« ГАВАМИ АКЦИОНЕРЛЫК ЖЭМГЫЯТЕ 420061, Казан шаЬере. Н. Ершов урамы, 57 Тел.: [phone]-05; факс: [phone] e-mail: kancel@tattele«)m.ru; www.tattelecom.ru

<fb /О. ZOZI/ № ¿"¿ЯР- ^

В Диссертационный совет

КФУ.023.2 № 01-03/1325 от 07.10.2022