Повышение эффективности работы алгоритмов управления радиоресурсами сетей 4G И 5G тема диссертации и автореферата по ВАК РФ 05.12.04, кандидат наук Константинов Александр Сергеевич

• Константинов Александр Сергеевич
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Константинов Александр Сергеевич

ВВЕДЕНИЕ

1. АНАЛИЗ ПРОЦЕССА УПРАВЛЕНИЯ РАДИОРЕСУРСАМИ

1.1. Анализ информации о состоянии радиоканала

1.1.1. Индикатор ранга

1.1.2. Индикатор матрицы предварительного кодирования

1.1.3. Индикатор типа предварительного кодирования

1.1.4. Индикатор пилотных сигналов информации о состоянии радиоканала

1.1.5. Индикатор качества радиоканала

1.2. Анализ режимов передачи данных

1.3. Алгоритмы управления радиоресурсами

1.4. Выводы по разделу

2. МЕТОДЫ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ИСПОЛЬЗОВАНИЯ МЕХАНИЗМА ОБРАТНОЙ СВЯЗИ

2.1. Математическая модель радиоканала

2.2. Методы прогнозирования состояния радиоканала

2.2.1. Метод наименьших квадратов

2.2.1.1. Описание метода наименьших квадратов

2.2.1.2. Описание рекурсивного метода наименьших квадратов

2.2.1.3. Практическая реализация метода прогнозирования с применением рекурсивного метода наименьших квадратов

2.2.2. Метод прогнозирования с применением фильтра Калмана

2.2.2.1. Описание метода прогнозирования с применением фильтра Калмана

2.2.2.2. Практическая реализация метода прогнозирования с применением фильтра Калмана

2.2.3. Искусственные нейронные сети

2.2.3.1. Рекуррентная искусственная нейронная сеть с долгой краткосрочной памятью

2.2.3.2. Алгоритмы обучения рекуррентных искусственных нейронных сетей с долгой краткосрочной памятью

2.2.3.3. Практическая реализация метода прогнозирования с применением искусственных нейронных сетей

2.3. Выводы по разделу

3. РАЗРАБОТКА НОВОЙ ПРОГНОЗИРУЮЩЕЙ СТРУКТУРЫ

3.1. Исследование производительности современных архитектур рекуррентных искусственных нейронных сетей

3.1.1. Обучение с использованием малого массива данных

3.1.2. Обучение с использованием большого массива данных

3.2. Определение конфигурации выбранной архитектуры

3.2.1. Исследование влияния количества значений «сигнал/шум» на величину девиации

3.2.2. Исследование влияния количества искусственных нейронов скрытого слоя на величину девиации

3.3. Новая прогнозирующая структура

3.3.1. Разработка прогнозирующей структуры

3.3.2. Обучение разработанной прогнозирующей структуры

3.4. Выводы по разделу

4. ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ НОВОГО МЕТОДА ПРОГНОЗИРОВАНИЯ

4.1. Исследование эффективности разработанной прогнозирующей структуры

4.2. Оценка статистической значимости результатов исследования

4.2.1. Выбор метода оценки статистической значимости результатов исследования

4.2.2. Оценка статистической значимости результатов исследования по методу Уилкоксона

4.3. Оценка вычислительной сложности разработанной прогнозирующей структуры

4.3.1. Вычислительная сложность рекуррентной искусственной нейронной сети с долгой краткосрочной памятью

4.3.2. Вычислительная сложность полносвязных искусственных нейронных сетей прямого распространения

4.3.3. Вычислительная сложность сверточных нейронных сетей

4.3.4. Оценка полной вычислительной сложности разработанной прогнозирующей структуры

4.4. Выводы по разделу

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ТЕРМИНОВ

СПИСОК ЛИТЕРАТУРЫ

Приложение 1. Акты о внедрении и использовании результатов диссертационной работы

Приложение 2. Основные архитектуры искусственных нейронных сетей

Приложение 3. Способы обучения искусственных нейронных сетей

Приложение 4. Пространственная корреляция трактов М1МО в системах сотовой мобильной связи 40 и

Введение диссертации (часть автореферата) на тему «Повышение эффективности работы алгоритмов управления радиоресурсами сетей 4G И 5G»

ВВЕДЕНИЕ

Актуальность темы исследования. В связи с постоянным ростом объемов потребляемого трафика устойчивыми тенденциями в отрасли подвижной связи являются повышение спектральной эффективности и пропускной способности. В современных системах сотовой мобильной связи 4G (4th Generation) и 5G (5th Generation) для обеспечения высокой производительности по указанным критериям используется ряд технологий с применением частотного (Frequency Division Duplex, FDD) и временного (Time Division Duplex, TDD) дуплекса. Обслуживание абонентских станций (АС) в соответствии со строгими требованиями стандартов осуществляется с использованием специальных алгоритмов управления радиоресурсами базовой станции (БС), называемых стратегиями. Стратегии должны обеспечивать высокое качество обслуживания при высоких скоростях передачи данных в условиях мобильности, что накладывает требование учитывать быстро изменяющиеся условия окружающей среды. Для этого в процессе управления используется технология адаптивной подстройки схемы модуляции и кодирования на основе полученной по обратной связи информации о состоянии радиоканала. Применение частотного дуплекса совместно с указанной технологией позволяет достигать максимальных значений спектральной эффективности и пропускной способности за счет сокращения задержек, гибкого выбора порядка модуляции и скорости кода. Однако при передаче соответствующих индикаторов возникает задержка обратной связи, которая существенно снижает эффективность применения данной технологии вследствие влияния быстрых замираний. Поэтому актуальной является проблема борьбы с быстрыми замираниями в радиоканале.

В настоящее время производительность алгоритма управления радиоресурсами с использованием механизма обратной связи в системах сотовой мобильной связи с частотным дуплексом предлагается повышать за счет применения методов прогнозирования состояния радиоканала. Анализ существующих методов данного класса показывает, что наиболее перспективным с точки зрения борьбы с быстрыми замираниями является использование искусственных нейронных сетей (ИНС), благодаря высокой точности прогноза, гибкой подстройке к различным условиям окружающей среды и низкой вычислительной сложности. Следует отметить наличие ряда существенных недостатков современных решений, что обуславливает актуальность исследования и разработки нового метода с применением искусственных нейронных сетей.

Степень разработанности темы. Проблематике влияния быстрых замираний в радиоканале посвящено большое количество работ [1...7]. Следует выделить существенный

вклад таких отечественных ученых как: Ю. С. Шинаков, В. Б. Крейнделин, М. А. Быховский, Н. Е. Поборчая, Е. И. Алгазин.

Проблеме борьбы с влиянием быстрых замираний на эффективность применения обратной связи от абонентских станций посвящены работы таких зарубежных ученых как: A. Duel-Hallen, S. Hu, H. Hallen; D. Aronsson; Z. Shi, Z. Wu, Z. Yin, S. Zhuang; L. Thiele, M. Olbrich, M. Kurras, B. Matthiesen; R. Apelfrojd; S. Mekki, M. Amara, A. Feki, S. Valentin; C. Luo, J. Ji, Q. Wang, X. Chen, P. Li; R. A. Akl, G. Wunder, S. Stanczak; W. Peng, W. Li, W. Wang, X. Wei, T. Jiang; V. DAmico, B. Melis, H. Halbauer, S. Saur, N. Gresset, M. Khanfouci, W. Zirwas, D. Gesbert, P. D. Kerret, M. Sternad, M. L. Pablo, R. Fritzsche, H. Khanfir, S. B. Halima, T. Svensson, T. R. Lakshmana, J. Li, B. Makki, T. Eriksson; F. L. Luo, W. Jiang, H. D. Schotten, J. Xiang; K. P. Saishankar, Kalyani Sheetal, K. Narendran [8...19].

В ряде исследований проведен анализ и подтверждена высокая степень отрицательного влияния задержек обратной связи на производительность вследствие наличия быстрых замираний в радиоканале [8...16]. Для борьбы с указанным паразитным эффектом предлагаются различные методы прогнозирования состояния радиоканала, из которых современными являются модификации на основе применения метода наименьших квадратов Гаусса [17], фильтра Калмана [10...12, 18] и машинного обучения [15], в частности, искусственных нейронных сетей [15, 19].

Анализ опубликованных работ показывает актуальность исследований в области разработки прогнозирующих структур на основе применения искусственных нейронных сетей в силу наличия следующих преимуществ: высокая достижимая точность прогноза, гибкая подстройка к реальным условиям эксплуатации, сравнительно низкая вычислительная сложность при высокой скорости работы. Однако существующие работы зачастую не включают исследование эффективности внедрения конкретной архитектуры искусственной нейронной сети в качестве основы разработки. Из этого следует, что существует необходимость в проведении подобного исследования, обосновании выбора ядра и структуры новой разработки, а также в выполнении сравнительной оценки прироста производительности.

Объектом исследования являются системы сотовой мобильной связи 4G и 5G с частотным дуплексом, использующие обратную связь от абонентских станций при выборе схемы модуляции и кодирования.

Предметом исследования являются методы повышения эффективности использования механизма обратной связи в условиях влияния быстрых замираний в радиоканале.

Целью работы является повышение пропускной способности систем сотовой мобильной связи 4G и 5G, использующих обратную связь от абонентских станций для оценки состояния радиоканала, посредством разработки метода прогнозирования на основе применения искусственных нейронных сетей.

Для достижения поставленной цели в диссертации решаются следующие задачи:

1. Анализ процесса управления радиоресурсами и методов прогнозирования состояния радиоканала;

2. Исследование производительности различных архитектур искусственных нейронных сетей для последующего применения в качестве ядра прогнозирующей структуры;

3. Разработка новой прогнозирующей структуры с использованием комбинации различных архитектур искусственных нейронных сетей для повышения эффективности борьбы с быстрыми замираниями в радиоканале;

4. Оценка эффективности разработанной прогнозирующей структуры, в том числе вычислительной сложности.

Научная новизна работы.

1. Впервые получены оценки влияния длины временного ряда значений «сигнал/шум», на основании которого выполняется прогноз индикатора качества радиоканала, и количества нейронов рекуррентной искусственной нейронной сети с долгой краткосрочной памятью на эффективность борьбы с задержками обратной связи при передаче индикатора качества радиоканала.

2. Разработана новая прогнозирующая структура с применением искусственных нейронных сетей, позволяющая повысить пропускную способность в нисходящем направлении за счет борьбы с влиянием быстрых замираний в радиоканале.

3. Доказана эффективность применения предварительной параллельно-последовательной обработки временного ряда значений «сигнал/шум» с использованием нескольких сверточных искусственных нейронных сетей с различной размерностью фильтров совместно с искусственными нейронными сетями прямого распространения и рекуррентной искусственной нейронной сетью с долгой краткосрочной памятью в составе новой прогнозирующей структуры.

Теоретическая и практическая значимость работы

Теоретическая значимость работы состоит в следующем:

- обоснована необходимость разработки нового метода прогнозирования состояния радиоканала с использованием искусственных нейронных сетей, способного устойчиво работать

с высокой точностью в реальных условиях эксплуатации абонентских станций при сравнительно низкой вычислительной сложности;

- проведено исследование применимости современных архитектур искусственных нейронных сетей в процессе формирования индикатора качества радиоканала на стороне абонентской станции;

- доказана эффективность предложенного метода масштабирования частотных компонент доплеровского разброса на основе параллельно-последовательной обработки временного ряда значений «сигнал/шум» сверточными искусственными нейронными сетями с различной размерностью фильтров.

Практическая значимость работы состоит в:

- выработке практических рекомендаций по применению разработанной прогнозирующей структуры на стороне абонентских станций с целью повышения пропускной способности в нисходящем направлении;

- использовании результатов работы для расширения функциональных возможностей аппаратно-программного комплекса «Вектор», разработанного в МТУСИ, за счет введения в него модулей прогнозирования состояний радиоканалов;

- применении основных положений диссертации для учебного процесса кафедры «Радиооборудования и схемотехники» МТУСИ. Практическое использование результатов диссертационной работы подтверждено соответствующими актами о внедрении (Приложение 1).

Методы исследования. Для решения поставленных задач были применены методы линейной алгебры, цифровой обработки сигналов, статистической радиотехники, имитационного моделирования, теории связи, теории вероятностей и математической статистики, теории вычислительной сложности алгоритмов.

Апробация результатов работы.

Основные результаты работы докладывались и обсуждались на 6 международных научно-технических конференциях: «Фундаментальные проблемы радиоэлектронного приборостроения «INTERMATIC-2015» (Москва, 2015 г.), «Технологии информационного общества» (Москва, 2016, 2019 гг.), «Системы синхронизации, формирования и обработки сигналов в инфокоммуникациях» «СИНХРОИНФО» (Казань, 2011 г.), «Systems of Signals Generating and Processing in the Field of on Board Communications» (Москва, 2019, 2020 гг.).

Публикации результатов диссертационной работы. По материалам диссертации имеется 3 публикации в рецензируемых периодических изданиях из перечня Высшей

аттестационной комиссии - журналах «Электросвязь» (2019, 2020 гг.) и «T-Comm -Телекоммуникации и транспорт» (2017 г.). В материалах международных конференций опубликовано 5 работ. Всего опубликовано 8 работ, из которых 4 индексируются в международной базе данных Scopus, а 2 работы индексируются в международной базе данных Web of Science.

Основные положения, выносимые на защиту.

1) Прогнозирование состояния радиоканала на основе совместного применения параллельно-последовательной обработки несколькими сверточными нейронными сетями с фильтрами различной размерности, искусственных нейронных сетей прямого распространения и рекуррентной искусственной нейронной сети с долгой краткосрочной памятью позволяет повысить производительность алгоритма управления радиоресурсами базовой станции за счет борьбы с задержками обратной связи в системах сотовой мобильной связи 4G и 5G с частотным дуплексом.

2) Разработанная прогнозирующая структура после предварительного обучения позволяет повысить пропускную способность до 30% для профиля замираний, описывающего движение пешехода со скоростью до 3 км/ч.

3) Применение предварительной параллельно-последовательной обработки сверточными нейронными сетями и искусственными нейронными сетями прямого распространения повышает эффективность борьбы с замираниями и позволяет добиться прироста пропускной способности до 10% по сравнению с применением прогнозирующей структуры на основе одной рекуррентной искусственной нейронной сети с долгой краткосрочной памятью без предварительной обработки при соотношении «сигнал/шум» не ниже 12 дБ.

Достоверность. Достоверность результатов, полученных в ходе выполнения диссертации, подтверждается корректным применением стандартного математического аппарата, программного обеспечения и результатами исследования статистической значимости.

Личный вклад. Все результаты, сформулированные в основных положениях, выносимых на защиту, получены автором самостоятельно. Из работ, опубликованных в соавторстве, в диссертацию включена та их часть, которая получена автором лично.

Объем и структура работы. Диссертация состоит из введения, четырех разделов, заключения, списка сокращений и условных обозначений, списка терминов, списка литературы из 125 наименований и 4 приложений, содержит 116 страниц, включая приложения, 67 рисунков и 20 таблиц.

1. АНАЛИЗ ПРОЦЕССА УПРАВЛЕНИЯ РАДИОРЕСУРСАМИ

В процессе управления радиоресурсами обеспечивается распределение ограниченных частотно-временных ресурсов с учетом возможностей БС и АС. При этом реализуются соответствующие алгоритмы управления, которые не специфицируются и являются собственностью разработчиков. Существует ряд известных общих алгоритмов подобного типа, в которых с целью повышения спектральной эффективности и пропускной способности в нисходящем направлении используется механизм обратной связи от АС для оценки состояния радиоканала на основе принятых пилотных сигналов. В результате оценки формируются индикаторы, конкретный набор которых соответствует одному из 10 режимов передачи в нисходящем направлении. Режимы передачи определяют порядок применения технологии MIMO (Multiple-Input-Multiple-Output). После получения индикаторов по обратной связи БС информирует АС об итоговом выборе схемы модуляции и кодирования и варианта применения технологии MIMO посредством управляющей информации нисходящего направления (Downlink Control Information, DCI). Затем производится передача пакетов данных.

1.1. Анализ информации о состоянии радиоканала

С целью достижения максимальных значений пропускной способности в нисходящем направлении в системах сотовой мобильной связи 4G и 5 G с частотным дуплексом реализована концепция обратной связи, что позволяет оценивать состояние радиоканала и адаптивно подстраиваться к изменяющимся условиям обслуживания [20]. АС оценивает пилотные сигналы и формирует до 5 индикаторов состояния радиоканала [21, 22]. Данная информация в дальнейшем используется на стороне БС для эффективного распределения радиоресурсов.

БС отправляет всего шесть типов пилотных сигналов: общего назначения (Cell-specific Reference Signal, CRS), широковещательной передачи данных (Multimedia Broadcast and multicast service Single Frequency Network reference signal, MBSFN); демодуляции канала PDSCH (DeModulation Reference Signal associated with Physical Downlink Shared CHannel, DM-RS PDSCH); демодуляции канала EPDCCH или MPDCCH (DeModulation Reference Signal associated with Enhanced Physical Downlink Control CHannel or Machine-type communications Physical Downlink Control CHannel, DM-RS EPDCCH/MPDCCH); определения местоположения АС (Positioning Reference Signal, PRS); оценки состояния радиоканала (Channel State Information Reference Signal, CSI-RS) [23]. Из них для формирования индикаторов АС анализирует только CRS или CSI-RS, при этом пилотные сигналы CRS используются при поддержке не более

четырех трактов передачи. Пилотные сигналы CSI-RS разделяются на использующие и не использующие предварительное кодирование. Пилотные сигналы CSI-RS без предварительного кодирования (CSI reporting class A) введены с целью уменьшения сигнальной нагрузки при использовании не менее восьми трактов передачи. Начиная с релиза 13 спецификаций консорциума 3GPP (The 3rd Generation Partnership Project), разработавшего стандарты 4G и 5G, предусмотрена возможность отправлять пилотные сигналы CSI-RS с предварительным кодированием (CSI reporting class B) для выбора предпочтительного луча (beam) на стороне АС.

В релизе 15 спецификаций 3GPP набор CSI (Channel State Information) включает в себя индикаторы: качества радиоканала (Channel Quality Indicator, CQI), матрицы предварительного кодирования (Precoding Matrix Indicator, PMI), типа предварительного кодирования (Precoding Type Indicator, PTI), пилотных сигналов информации о состоянии радиоканала (Channel state information reference signal Resource Indicator, CRI), ранга (Rank Indicator, RI).

1.1.1. Индикатор ранга

Данный индикатор предназначен для оценки максимального количества слоев передачи (потоков данных) в схемах с пространственным мультиплексированием. В режиме передачи 3 RI является обязательным только для пространственного мультиплексирования с разомкнутой петлей обратной связи (Open-Loop Spatial Multiplex, OLSM). При использовании схем с разнесенной передачей (Transmit Diversity, TX diversity) принимается единичное значение данного индикатора [20, 24]. В 4 режиме передачи RI является обязательным и используется для схем с замкнутой петлей обратной связи (Close-Loop Spatial Multiplex, CLSM). В режимах передачи 8-10 он отправляется в случае получения соответствующей настройки от БС.

RI содержит до 3 информационных бит, что позволяет сигнализировать о количестве слоев передачи не более 8 [25]. Его назначение - максимизировать пропускную способность во всей полосе частот за счет адекватной подстройки к изменяющимся условиям в радиоканале [24]. Также RI выполняет вспомогательную роль для PMI в работе с кодовыми книгами и таблицами индексов, отражает способность АС различать определенное количество слоев передачи.

RI формируется для всей полосы частот. Частотная избирательность недоступна, поскольку все слои передачи используют одни и те же частотно-временные ресурсы [26].

1.1.2. Индикатор матрицы предварительного кодирования

Данный индикатор предназначен для помощи БС в выборе матрицы предварительного кодирования с целью адекватного применения технологий пространственного мультиплексирования и формирования лучей диаграммы направленности (beamforming). В режимах передачи 4-6 PMI является обязательным.

Количество информационных бит для PMI соответствует числу трактов передачи. При использовании восьми трактов передаются два набора по 4 бита, соответствующие матрицам предварительного кодирования W1 и W2, из которых БС формирует полную матрицу W [21]. Для режимов передачи 4-6, использующих кодовую книгу, PMI указывает на строку, индикатор RI определяет столбец в книге, а в указанной ячейке пересечения находится матрица предварительного кодирования W. При использовании указанных режимов передачи БС отправляет в составе DCI информацию об использованной матрице предварительного кодирования в виде индикатора TPMI (Transmitted Precoding Matrix Indicator). Для режимов передачи 8-10, не использующих кодовую книгу, матрица предварительного кодирования W рассчитывается по специальной таблице на основе PMI, который в этом случае представляет собой набор индексов матриц W1 и W2, каждый из которых может принимать значения от 0 до 15. Кодовые книги используют с целью понижения сигнальной нагрузки, а таблицы с индексами необходимы для использования полного набора весов матрицы предварительного кодирования W. Кроме этого, применение таблиц с индексами позволяет снизить сигнальную нагрузку в восходящем направлении при работе не менее восьми трактов передачи (Full-Dimension Multiple Input Multiple Output, FD-MIMO) по сравнению с использованием кодовых книг. Часто таблицы с индексами и соответствующими матрицами предварительного кодирования в литературе также называются кодовыми книгами. Это имеет отношение только к методу демодуляции полученных АС пилотных сигналов: в указанных режимах передачи, благодаря добавлению пилотных сигналов DM-RS до проведения процедуры предварительного кодирования, на приемной стороне не требуется знание конкретной матрицы, а все необходимые данные извлекаются из DM-RS. Для использования таблицы индексов достаточно знать количество уровней передачи (ранг).

PMI формируется АС на основе сравнения передаточной функции, полученной в результате анализа пилотных сигналов CRS или CSI-RS, с набором кодовой книги или таблицей индексов. В процессе формирования учитывается RI. В результате выбираются конкретные значения, которые затем отправляются в восходящем направлении. БС может ограничивать набор матриц, из которых будет производиться выбор на стороне АС [28].

Поскольку конкретные алгоритмы выбора не специфицированы и остаются на усмотрение разработчиков АС, БС не обязана использовать полученный PMI [27].

1.1.3. Индикатор типа предварительного кодирования

Данный индикатор предназначен для повышения способности АС адаптироваться к изменяющимся условиям в радиоканале при использовании не менее восьми трактов передачи. Необходимость в PTI связана с использованием полного набора весов матрицы предварительного кодирования, которая динамически формируется как произведение 2 матриц W1 и W2 без применения специфицированных для режимов передачи 3-6 кодовых книг [29]. W1 содержит индексы кополяризованных компонент массива антенных элементов, а W2 - индексы синфазных компонент. Одновременно индексы W1 и W2 не могут быть переданы, для их передачи используется PTI, содержащий один информационный бит [24]. Нулевое значение указывает на последовательность отправки индексов PMI, соответствующих W1 и W2. Если отправляются только индексы матрицы W2, то PTI=1 . При использовании менее восьми трактов передачи в режимах передачи 9 и 10 матрица W1 становится единичной и PTI= 1.

1.1.4. Индикатор пилотных сигналов информации о состоянии радиоканала

В режимах передачи 9 и 10 при использовании класса отчетности Б доступен CRI для указания предпочтительного луча (beam), выбранного АС в результате анализа пилотных сигналов CSI-RS. Данный индикатор может содержать до 3 информационных бит, что позволяет сигнализировать о выборе одного из восьми лучей [21]. CRI формируется с целью расширения покрытия, минимизации помех соседним АС, улучшения параметра «сигнал/шум» (Signal-to-Interference-plus-Noise Ratio, SINR), борьбы с замираниями, а также для более гибкой подстройки к различным сценариям обслуживания. CRI формируется для всей доступной полосы частот подобно RI [26].

1.1.5. Индикатор качества радиоканала

Индикатор CQI является самым важным, поэтому его формирование предусмотрено во всех режимах передачи [30]. Он несет информацию о соотношении наивысшего порядка

модуляции и максимальной скорости кодирования данных, при использовании которых величина блоковой ошибки (Block Error Rate, BLER) на приемной стороне не превысит 10%. Существует несколько схем соответствия значения CQI порядку модуляции и скорости кода [21]. Это необходимо для масштабирования оценок качества в зависимости от возможностей АС, определяемых категорией [31, 32]. Начиная с 12 релиза спецификаций стандарта LTE (Long-Term Evolution), категории АС приводятся раздельно для восходящего и нисходящего направлений

[32].

Для передачи CQI используется до 4 информационных бит, что обеспечивает выбор одного из 16 значений. Нулевое значение означает отсутствие передачи данных. Меньшее количество бит применяется для оценки нескольких узких полос частот. Причинами использования CQI вместо значений «сигнал/шум» являются учет различных реализаций приемника в АС и уменьшение загруженности канала обратной связи.

Индикатор CQI формируется в предположении о том, что распределение радиоресурсов будет планироваться на стороне БС с учетом сформированных индикаторов RI, PMI и CRI при их наличии. Для отправки данного индикатора в восходящем направлении может использоваться периодический и/или непериодический режим для широкой или нескольких узких полос частот

[33]. Непериодический режим отправки CQI имеет наивысший приоритет. Соответствие всех настроек и порядок использования физических каналов передачи PUSCH (Physical Uplink Shared CHannel) и PUCCH (Physical Uplink Control CHannel) определяются соответствующими конфигурациями, приведенными в таблицах 1 и 2. Используемые при этом режимы передачи представлены в таблице 3 [21].

Таблица 1. Конфигурации CQI для физического канала передачи PUSCH

Режим отправки CQI 1) Непериодический (инициируется посредством ВС1); 2) Периодический, если ведется передача по каналу Ри^СН

Тип конфигурации Широкополосный Диапазонный

Определяется АС Определяется БС

Индикатор PMI Отсутствует 1-0 2-0 3-0

Одиночная передача 1-1 Не предусмотрено 3-1

Множественная передача 1-2 2-2 3-2

Таблица 2. Конфигурации CQI для физического канала передачи PUCCH

Режим отправки CQI Периодический

Тип конфигурации Широкополосный Диапазонный, определяется АС

Индикатор PMI Отсутствует 1-0 2-0

Одиночная передача 1-1 2-1

Таблица 3. Соответствие конфигураций CQI и режимов передачи

Режим передачи 1/2/3/7 4/6 5 8/9/10

Непериодический режим отправки CQI Присутствуют PMI/RI 1-0, 2-0, 3-0 1-1, 1-2, 2-2, 3-1, 3-2 1-1, 3-1 1-1, 1-2, 2-2, 3-1, 3-2

Отсутствуют PMI/RI 1-0, 2-0, 3-0

Периодический режим отправки CQI Присутствуют PMI/RI 1-0, 2-0 1-1, 2-1 1-1, 2-1

Отсутствуют PMI/RI 1-0, 2-0

Из таблиц 1-3 видно, что непериодический режим отправки CQI доступен только при использовании физического канала передачи PUSCH, при этом могут использоваться все конфигурации CQI, кроме конфигурации 2-1.

Конфигурации CQI из таблицы 2 используются в том случае, если не ведется передача по каналу PUSCH.

Следует отметить, что выбранная в итоге схема модуляции и кодирования может отличаться от сообщенного CQI, поскольку алгоритм управления радиоресурсами БС (Radio Resource Management, RRM) должен учитывать все CQI, полученные от всех АС в зоне обслуживания, а также дополнительную информацию, недоступную для АС, например, объем данных, ожидающих передачи, либо наличие помех от соседних абонентов [26].

1.2. Анализ режимов передачи данных

Конкретный набор индикаторов, необходимых для корректной работы алгоритма управления радиоресурсами, задается на стороне БС и соответствует одному из 10 режимов передачи в нисходящем направлении. Режимы передачи также определяют порядок применения технологии MIMO для различных сценариев обслуживания [21]. Описание режимов передачи нисходящего направления приведено в таблице 4.

Таблица 4. Описание режимов передачи для канала PDSCH

Режим передачи CSI Описание

1 CQI Используется один тракт передачи.

2 CQI Разнесенная передача данных.

3 CQI Разнесенная передача данных.

CQI, RI OLSM, сигнал подается с циклической задержкой (Cyclic Delay Diversity, CDD).

4 CQI Разнесенная передача данных.

CQI, RI, PMI CLSM.

5 CQI Разнесенная передача данных.

CQI, PMI CLSM, поддерживается многопользовательский режим.

6 CQI Разнесенная передача данных.

CQI, PMI CLSM, формирование луча диаграммы направленности.

7 CQI Используется один тракт передачи.

CQI Разнесенная передача данных.

Список литературы диссертационного исследования кандидат наук Константинов Александр Сергеевич, 2020 год

СПИСОК ЛИТЕРАТУРЫ

1. Шинаков, Ю. С. Системы связи с подвижными объектами: Учеб. пособие для вузов / М. М. Маковеева, Ю. С. Шинаков. - М.: Радио и связь, 2002.

2. Шинаков, Ю. С. Системы цифровой радиосвязи: Учеб. пособие для вузов / Л. Н. Волков, М. С. Немировский, Ю. С. Шинаков. - М.: Эко-Трендз, 2005.

3. Крейнделин, В. Б. Анализ пропускной способности канала MIMO в условиях замираний / М. Г. Бакулин, В. Б. Крейнделин, Д. Ю. Панкратов // Системы синхронизации, формирования и обработки сигналов, Минск. - 2018. - Т. 9, № 2. - С. 13-20.

4. Крейнделин, В. Б. Разработка эффективных методов и алгоритмов обработки сигналов для высокоскоростных систем беспроводной связи: диссертация на соискание ученой степени доктора технических наук: 05.12.13 / В. Б. Крейнделин // Место защиты: МТУСИ. -Москва. - 2009. - С. 307.

5. Быховский, М. А. Оптимальная линейная коррекция многолучевого канала связи при разнесенном приеме сигналов / М. А. Быховский // Электросвязь. - 2011. - №12. - С. 3641.

6. Поборчая, Н. Е. Применение полиномиальной аппроксимации для решения задачи оценивания искажений сигнала в системе с MIMO в условиях априорной неопределенности / Н. Е. Поборчая // T-Comm: Телекоммуникации и транспорт, Москва. - 2018. - Том 12, №8. - С. 63-68.

7. Алгазин, Е. И. Повышение помехоустойчивости радиотехнических систем на основе инвариантных алгоритмов обработки сигналов: диссертация на соискание ученой степени доктора технических наук: 05.12.04 / Е. И. Алгазин // Место защиты: ОмГТУ. - Омск. -2013. - С. 260.

8. Shi, Z. A Novel Channel Predictor for Interference Alignment in Cognitive Radio Network / Z. Shi, Z. Wu, Z. Yin, S. Zhuang // International Symposium on Wireless Personal Multimedia Communications (WPMC), Sydney, NSW. - 2014. - P. 396-401.

9. Thiele, L. Channel Aging Effects in CoMP Transmission: Gains from Linear Channel Prediction / L. Thiele, M. Olbrich, M. Kurras, B. Matthiesen // Conference Record of the Forty Fifth Asilomar Conference on Signals, Systems and Computers (ASILOMAR), Pacific Grove, CA. -2011. - P. 1924-1928.

10. Apelfrojd, R. Channel Estimation and Prediction for 5G Applications. Dissertation for the degree of Doctor of Philosophy / R. Apelfrojd // Uppsala University, Sweden. - 2018. - P. 116.

11. Aronsson, D. Channel Estimation and Prediction for MIMO OFDM Systems: Key Design and Performance Aspects of Kalman-based Algorithms. PhD Thesis / D. Aronsson // Uppsala University, Sweden. - 2011. - P. 245.

12. DAmico, V. Interference Avoidance Techniques and System Design / V. DAmico, B. Melis, H. Halbauer, S. Saur, N. Gresset, M. Khanfouci, W. Zirwas, D. Gesbert, P. D. Kerret, M. Sternad, R. Apelfrojd, M. L. Pablo, R. Fritzsche, H. Khanfir, S. B. Halima, T. Svensson, T. R. Lakshmana, J. Li, B. Makki, T. Eriksson // EU FP7 INFSO-ICT-247223 ARTIST4G Project Deliverable D1.4. - 2012. (https://www.academia.edu/24936709/EU_FP7_INFSO-ICT-247223_ARTIST4G_D1.4_Interference_Avoidance_Techniques_and_System_Design -Retrieved: 29.04.2020).

13. Akl, R. A. Compensating for CQI aging by channel prediction: The LTE downlink / R. A. Akl, S. Valentin, G. Wunder, S. Stanczak // IEEE Global Communications Conference (GLOBECOM), Anaheim, CA. - 2012. - P. 4821-4827.

14. Duel-Hallen, A. Long-range prediction of fading signals / A. Duel-Hallen, S. Hu, H. Hallen // IEEE Signal Processing Magazine. - 2000. - Vol. 17. - P. 62-75.

15. Luo, F. L. Machine Learning for Future Wireless Communications / F. L. Luo, W. Jiang, H. D. Schotten, J. Xiang // John Wiley & Sons Limited, 2020.

16. Saishankar, K. P. Rate Prediction and Selection in LTE systems using Modified Source Encoding Techniques / K. P. Saishankar, K. Sheetal, K. Narendran // IEEE Transactions on Wireless Communications. - 2016. - Vol. 15. - P. 416-429.

17. Peng, W. Downlink Channel Prediction for Time-Varying FDD Massive MIMO Systems / W. Peng, W. Li, W. Wang, X. Wei, T. Jiang // IEEE Journal of Selected Topics in Signal Processing. - 2019. - Vol. 13. - P. 1090-1102.

18. Mekki, S. Channel gain prediction for wireless links with Kalman filters and expectation-maximization / S. Mekki, M. Amara, A. Feki, S. Valentin // IEEE Wireless Communications and Networking Conference, Doha. - 2016. - P. 1-7.

19. Luo, C. Channel State Information Prediction for 5G Wireless Communications: A Deep Learning Approach / C. Luo, J. Ji, Q. Wang, X. Chen, P. Li // IEEE Transactions on Network Science and Engineering. - 2020. - Vol. 7. - P. 227-236.

20. Holma, H. LTE for UMTS: OFDMA and SCFDMA Based Radio Access Edited / H. Holma, A. Toskala // John Wiley & Sons, Limited, 2009.

21. 3GPP TS 36.213 Evolved Universal Terrestrial Radio Access (E-UTRA); Physical layer procedures. (http://www.3gpp.org/ - Retrieved: 29.04.2020).

22. Константинов, А. С. Метод прогнозирования состояния радиоканала 4G и 5G / А. С. Константинов, А. В. Пестряков // Электросвязь. - 2019. - № 12. - С. 62-69.

23

24

25

26

27

28

29

30

31

32

33

34

35

36

3GPP TS 36.211 Evolved Universal Terrestrial Radio Access (E-UTRA); Physical channels and modulation. (http://www.3gpp.org/ - Retrieved: 29.04.2020).

Sesia, S. LTE - the UMTS Long Term Evolution: from Theory to Practice - S. Sesia, I. Toufik, M. Baker // John Wiley & Sons Limited, 2011.

3GPP TS 36.212 Evolved Universal Terrestrial Radio Access (E-UTRA); Multiplexing and channel coding. (http://www.3gpp.org/ - Retrieved: 29.04.2020).

Dahlman, E. 4G, LTE-Advanced Pro and the Road to 5G. 3rd edition. / E. Dahlman, S. Parkvall, J. Skold // John Wiley & Sons Limited, 2016.

Rumney, M. LTE and the evolution to 4G wireless: design and measurement challenges / M. Rumney // John Wiley & Sons Limited, 2013.

LTE Transmission Modes and Beamforming. White Paper 1MA186_2E, Rohde&Schwarz, 2015. (https://www.rohde-schwarz.com/ - Retrieved: 29.04.2020).

LTE-Advanced Pro Introduction eMBB Technology Components in 3GPP Release 13/14. White Paper, Rohde&Schwarz, 2017. (https://www.rohde-schwarz.com/ - Retrieved: 29.04.2020). Aho, K. CQI reporting imperfections and their consequences in LTE networks / K. Aho, O. Alanen, J. Kaikkonen // Proc. 10th Int. Conf. Netw. - 2011. - P. 241-245. Konstantinov, A. S. Assessment of the adequacy of the measurement of the maximum speed of reception and transmission in LTE-Advanced in real-time / A. S. Konstantinov, A. V. Pestryakov // Systems of Signal Synchronization, Generating and Processing in Telecommunications, Kazan. - 2017. - P. 1-2.

3GPP TS 36.306 Evolved Universal Terrestrial Radio Access (E-UTRA); User Equipment (UE) radio access capabilities. (http://www.3gpp.org/ - Retrieved: 29.04.2020). Konstantinov, A. S. Analysis of the Transmission Modes and Downlink Control Information in the LTE-Advanced/5G Network / A. S. Konstantinov, A. V. Pestryakov // Systems of Signals Generating and Processing in the Field of on Board Communications, Moscow. - 2019. - P. 14.

LTE Quick Reference. LTE-BL/CE (LTE-M1) - MPDCCH/DCI. DCI format for BL Operation. (http://www.sharetechnote.com/html/Handbook_LTE_BL_CE_MPDCCH.html#DCI_format_f or_BL_Operation - Retrieved: 29.04.2020).

Kolani, I. LTE optimal transmission mode selection guidelines over MIMO channels / I. Kolani, J. Zhang, R. Germany // WSEAS Transactions on Communications. - 2013. - Vol. 12. - P. 538547.

Holma, H. LTE Small Cell Optimization: 3GPP Evolution to Release 13 / H. Holma, A. Toskala, J. Reunanen // John Wiley & Sons Limited, 2016.

37. Capozzi, F. Downlink Packet Scheduling in LTE Cellular Networks: Key Design Issues and a Survey / F. Capozzi, G. Piro, L. A. Grieco, G. Boggia, P. Camarda // IEEE Communications Surveys & Tutorials. - 2013. - Vol. 15. - Р. 678-700.

38. Константинов, А. С. Анализ фундаментальных ограничений максимальной скорости передачи информации в сети LTE-Advanced / А. С. Константинов, А. В. Пестряков // T-Comm: Телекоммуникации и транспорт, Москва. - 2017. - Том 11, №12. - С. 60-63.

39. 3GPP TS 36.521-1 Evolved Universal Terrestrial Radio Access (E-UTRA); User Equipment (UE) conformance specification; Radio transmission and reception; Part 1: Conformance Testing. (http://www.3gpp.org/ - Retrieved: 29.04.2020).

40. 3GPP TS 23.203 Policy and charging control architecture. (http://www.3gpp.org/ - Retrieved: 29.04.2020).

41. Sadiq, B. Downlink Scheduling for Multiclass Traffic in LTE / B. Sadiq, R. Madan, A. Sampath // EURASIP Journal on Wireless Communications and Networking. - 2009. - P. 1-18.

42. Kolding, T. E. QoS-Aware Proportional Fair Packet Scheduling with Required Activity Detection / T. E. Kolding // IEEE Vehicular Technology Conference, Montreal, Que. - 2006. -P. 1-5.

43. Farhana, A. Comparative Analysis of Downlink Packet Scheduling Algorithms in 3GPP LTE Networks / A. Farhana, H. Roshanak, S. Maruf, S. Kumbesan, S. Sharmin // International Journal of Wireless & Mobile Networks. - 2015. - Vol. 7. - P. 1-21.

44. Ramli, H. A. M. Performance of well-known packet scheduling algorithms in the downlink 3GPP LTE system / H. A. M. Ramli, R. Basukala, K. Sandrasegaran, R. Patachaianand // IEEE 9th Malaysia International Conference on Communications (MICC), Kuala Lumpur. - 2009. - P. 815-820.

45. Basukala, R. Performance analysis of EXP/PF and M-LWDF in downlink 3GPP LTE system / R. Basukala, H. A. M. Ramli, K. Sandrasegaran // First Asian Himalayas International Conference on Internet, Kathmandu. - 2009. - P. 1-5.

46. Dardouri, S. Comparative Study of Downlink Packet Scheduling for LTE Networks / S. Dardouri, R. Bouallegue // Wireless Personal Communications. - 2015. - Vol. 82. - P. 14051418.

47. Sadiq, B. Delay-Optimal Opportunistic Scheduling and Approximations: The Log Rule / B. Sadiq, S. J. Baek, G. de Veciana // IEEE/ACM Transactions on Networking. - 2011. - Vol. 19. -P. 405-418.

48. Piro, G. Simulating LTE Cellular Systems: An Open-Source Framework / G. Piro, L. A. Grieco, G. Boggia, F. Capozzi, P. Camarda // IEEE Transactions on Vehicular Technology. - 2011. -Vol. 60. - P. 498-513.

49. Konstantinov, A. S. Fading channel prediction for 5G / A. S. Konstantinov, A. V. Pestryakov // Systems of Signal Synchronization, Generating and Processing in Telecommunications, Yaroslavl. - 2019. - P. 1-7.

50. Константинов, А. С. Исследование эффективности нового метода прогнозирования состояния радиоканала 4G и 5G / А. С. Константинов, А. В. Пестряков // Электросвязь. -2020. - № 6. - С. 18-23.

51. Рекомендация МСЭ-R P.1407-4 (10/2009) Многолучевое распространение и параметризация его характеристик. (https://www.itu.int/dms_pubrec/itu-r/rec/p/R-REC-P.1407-4-200910-SMPDF-R.pdf - Retrieved: 29.04.2020).

52. Wang, C.-X. Methods of generating multiple uncorrelated Rayleigh fading processes / C.-X. Wang, M. Patzold // The 57th IEEE Semiannual Vehicular Technology Conference, VTC 2003-Spring, Jeju, South Korea. - 2003. - Vol. 1. - P. 510-514.

53. Wang, C.-X. Two new sum-of-sinusoids-based methods for the efficient generation of multiple uncorrelated rayleigh fading waveforms / C.-X. Wang, M. Patzold, B. O. Hogstad // IEEE Transactions on Wireless Communications. - 2009. - Vol. 8. - P. 3122-3131.

54. Jeruchim, M. C. Simulation of communication systems: Modeling, methodology, and techniques / M. C. Jeruchim, P. Balaban, K. S. Shanmugan // Springer, 2nd edition, 2000.

55. Jakes, W. C. Microwave Mobile Communications / W. C. Jakes // John Wiley & Sons, Limited, 1994.

56. Wang, C.-X. An improved deterministic SoS channel simulator for multiple uncorrelated Rayleigh fading channels / C.-X. Wang, D. Yuan, H. H. Chen, W. Xu // IEEE Transactions on Wireless Communications. - 2008. - Vol. 7. - P. 3307-3311.

57. Patel, C. S. Comparative analysis of statistical models for the simulation of Rayleigh faded cellular channels / C. S. Patel, G. L. Stuber, T. G. Pratt // IEEE Transactions on Communications.

- 2005. - Vol. 53. - P. 1017-1026.

58. Patzold, M. On the stationarity and ergodicity of fading channel simulators based on Rice's sum-of-sinusoids / M. Patzold // International J. Wireless Inform. Networks. - 2004. - Vol. 11. - P. 63-69.

59. Clarke, R. H. A statistical theory of mobile-radio reception / R. H. Clarke // Bell Syst. Tech. J. -1968. - Vol. 47. - P. 957-1000.

60. Kai, H. Second Order of an Improved Deterministic Model for Rayleigh Fading Channels / H. Kai, C. Chen // International Conference on Communications and Mobile Computing, Shenzhen.

- 2010. - P. 135-139.

61. Zajic, A. Mobile-to-Mobile Wireless Channels / A. Zajic // Norwood, MA, USA:Artech House, 2012.

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

Браммер, К. Фильтр Калмана - Бьюси: Детерминир. наблюдение и стохаст. фильтрация / К. Браммер, Г. Зиффлинг, перевод с немецкого В. Б. Колмановского // М.: Наука, 1982. Gibbs, B. P. Advanced kalman filtering, least-squares and modeling: a practical handbook / B. P. Gibbs // John Wiley & Sons Limited, 2011.

Sayed, A. H. Adaptive Filters / A. H. Sayed // John Wiley & Sons Limited, 2008. Haykin, S. Adaptive Filter Theory / S. Haykin // Pearson Education, 5th edition, 2014. Simon, D. Optimal state estimation: Kalman, Hinfinity, and nonlinear approaches / D. Simon // John Wiley & Sons Limited, 2006.

Mahler, R. A general theory of multitarget extended Kalman filters / R. Mahler // SPIE, Signal Processing, Sensor Fusion, and Target Recognition XIV, Orlando, Florida. - 2005. - Vol. 5809.

- P.208-219.

Zarchan, P. Fundamentals of Kalman Filtering: A Practical Approach / P. Zarchan, H. Musoff // AIAA, 4th edition, 2015.

Zhu, L. Deep and Confident Prediction for Time Series at Uber / L. Zhu, N. Laptev // IEEE International Conference on Data Mining Workshops (ICDMW), New Orleans, LA. - 2017. - P. 103-110.

Lin, T. Hybrid Neural Networks for Learning the Trend in Time Series / T. Lin, T. Guo, K. Aberer // Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence (IJCAI-17). - 2017. - P. 2273-2279.

Bandara, K. LSTM-MSNet: Leveraging Forecasts on Sets of Related Time Series With Multiple Seasonal Patterns / K. Bandara, C. Bergmeir, H. Hewamalage // IEEE Transactions on Neural Networks and Learning Systems. - 2020. - P. 1-14.

Cinar, Y. G. Time Series Forecasting using RNNs: an Extended Attention Mechanism to Model Periods and Handle Missing Values / Y. G. Cinar, H. Mirisaee, P. Goswami, E. Gaussier, A. Ait-Bachir, V. Strijov. - 2017. (https://arxiv.org/abs/1703.10089v1 - Retrieved: 29.04.2020). Созыкин, А. В. Обзор методов обучения глубоких нейронных сетей / А. В. Созыкин // Вестник ЮУрГУ, серия: Вычислительная математика и информатика. - 2017. - Т. 6, № 3.

- С. 28-59.

Bengio, Y. Learning long-term dependencies with gradient descent is difficult / Y. Bengio, P. Simard, P. Frasconi // IEEE Transactions on Neural Networks. - 1994. - Vol. 5. - P. 157-166. Hochreiter, S. Long Short-Term Memory / S. Hochreiter, J. Schmidhuber // Neural Computation.

- 1997. - Vol. 9. - P. 1735-1780.

Yu, D. Automatic Speech Recognition: A Deep Learning Approach / D. Yu, L. Deng // Springer, 2015.

77. Sak, H. Long Short-Term Memory Based Recurrent Neural Network Architectures for Large Vocabulary Speech Recognition / H. Sak, A. Senior, F. Beaufays. - 2014. (https://arxiv.org/abs/1402.1128 - Retrieved: 29.04.2020).

78. Каширина, И. Л. Исследование и сравнительный анализ методов оптимизации, используемых при обучении нейронных сетей / И. Л. Каширина, М. В. Демченко // Вестник ВГУ, cерия: Системный анализ и информационные технологии. - 2018. - № 4. - С. 123-132.

79. Qian, N. On the Momentum Term in Gradient Descent Learning Algorithms / N. Qian // Neural Networks: The Official Journal of the International Neural Network Society. - 1999. - Vol. 12. -P. 145-151.

80. Murphy, K. P. Machine Learning. A probabilistic perspective / K. P. Murphy // The MIT Press, 1st edition, USA, 2012.

81. Sutskever, I. On the importance of initialization and momentum in deep learning / I. Sutskever, J. Martens, G. Dahl, G. Hinton // In Proceedings of the 30th International Conference on International Conference on Machine Learning. - 2013. - Vol. 28. - P. 1139-1147.

82. Pirjan, A. Designing, Developing, and Implementing a Forecasting Method for the Produced and Consumed Electricity in the Case of Small Wind Farms Situated on Quite Complex Hilly Terrain / A. Pirjan, G. Carutasu, D.-M. Petrosanu // Energies, MDPI, Open Access Journal. - 2018. -Vol. 11. - P. 1-42.

83. Tieleman, T. Neural Networks for Machine Learning. Lecture 6e, rmsprop: Divide the gradient by a running average of its recent magnitude / T. Tieleman, G. Hinton. - 2012. (http://www.cs.toronto.edu/~hinton/coursera_slides.html - Retrieved: 29.04.2020).

84. Kingma, D. Adam: A method for stochastic optimization / Kingma, D., Ba, J. - 2014. (https://arxiv.org/abs/1412.6980 - Retrieved: 29.04.2020).

85. Lipton, Z. C. A Critical Review of Recurrent Neural Networks for Sequence Learning / Z. C. Lipton, J. Berkowitz, C. Elkan. - 2015. (https://arxiv.org/abs/1506.00019 - Retrieved: 29.04.2020).

86. Xu, K. Show, Attend and Tell: Neural Image Caption Generation with Visual Attention / K. Xu, J. Ba, R. Kiros, K. Cho, A. Courville, R. Salakhutdinov, R. Zemel, Y. Bengio. - 2015. (https://arxiv.org/abs/1502.03044v3 - Retrieved: 29.04.2020).

87. Sainath, T. N. Convolutional, Long Short-Term Memory, fully connected Deep Neural Networks / T. N. Sainath, O. Vinyals, A. Senior, H. Sak // IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Brisbane, QLD. - 2015. - P. 4580-4584.

88. Deng, L. Ensemble deep learning for speech recognition / L. Deng, J. Platt // Proceedings of the Annual Conference of the International Speech Communication Association (INTERSPEECH). - 2014. - P. 1915-1919.

89. Хайкин, С. Нейронные сети. Полный курс / С. Хайкин, перевод с английского Н. Н. Куссуль, А. Ю. Шелестова // Москва: Вильямс, 2-е издание, 2006.

90. Cui, Z. Stacked Bidirectional and Unidirectional LSTM Recurrent Neural Network for Network-wide Traffic Speed Prediction / Z. Cui, R. Ke, Y. Wang. - 2017. (https://arxiv.org/abs/1801.02143 - Retrieved: 29.04.2020).

91. Пархоменко, С. С. Обучение нейронных сетей методом Левенберга-Марквардта в условия большого количества данных / С. С. Пархоменко , Т. М. Леденёва // Вестник ВГУ, серия: Системный анализ и информационные технологии. - 2014. - №2. - С. 98-106.

92. Hagan, M. T. Training feedforward networks with the Marquardt algorithm / M. T. Hagan, M. B. Menhaj // IEEE Transactions on Neural Networks. - 1994. - Vol. 5. - P. 989-993.

93. Marquardt, D. An algorithm for least squares estimation of non-linear parameters / D. Marquardt // Journal of the Society for Industrial and Applied Mathematics. - 1963. - Vol. 11. - P. 431-441.

94. MacKay, D. J. C. Bayesian Interpolation / D. J. C. MacKay // Neural Computation. - 1992. -Vol. 4. - P. 415-447.

95. MacKay, D. J. C. A Practical Bayesian Framework for Backpropagation Networks / D. J. C. MacKay // Neural Computation. - 1992. - Vol. 4. - P. 448-472.

96. Dan Foresee, F. Gauss-Newton approximation to Bayesian learning / F. Dan Foresee, M. T. Hagan // Proceedings of International Conference on Neural Networks (ICNN'97), Houston, TX, USA. - 1997. - Vol. 3. - P. 1930-1935.

97. Konstantinov, A. S. The New Neural Network Based Framework for Fading Channel Prediction for 5G / A. S. Konstantinov, A. V. Pestryakov // Systems of Signals Generating and Processing in the Field of on Board Communications, Moscow. - 2020. - P. 1-7.

98. Hagan, M. T. Neural Network Design / M. T. Hagan, H. B. Demuth, M. H. Beale // PWS Publishing, Boston, MA, 2nd edition, 1996.

99. 3GPP TS 36.101 Evolved Universal Terrestrial Radio Access (E-UTRA); User Equipment (UE) radio transmission and reception. (http://www.3gpp.org/ - Retrieved: 29.04.2020).

100. Константинов, А. С. Анализ программно-аппаратных средств тестирования абонентского радиооборудования сети LTE / А. С. Константинов, С. И. Дингес // Материалы международной научно-технической конференции INTERMATIC, Москва. - 2015. - Т. 15, № 5. - С. 22-24.

101. 3GPP TS 36.104 Evolved Universal Terrestrial Radio Access (E-UTRA); Base Station (BS) radio transmission and reception. (http://www.3gpp.org/ - Retrieved: 29.04.2020).

102. Reporting of Channel Quality Indicator (CQI) Conformance Test. (https://www.mathworks.com/help/lte/examples/reporting-of-channel-quality-indicator-cqi-conformance-test.html - Retrieved: 29.04.2020).

103. Nguyen, D. Improving the learning speed of two-layer neural networks by choosing initial values of the adaptive weights / D. Nguyen, B. Widrow // International Joint Conference on Neural Networks. - 1990. - Vol. 3. - P. 21-26.

104. Glorot, X. Understanding the difficulty of training deep feedforward neural networks / X. Glorot, Y. Bengio // Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics, Sardinia, Domus de Maria. - 2010. - P. 249-256.

105. Saxe, A. M. Exact solutions to the nonlinear dynamics of learning in deep linear neural networks / A. M. Saxe, J. L. McClelland, S. Ganguli. - 2013. (https://arxiv.org/abs/1312.6120 - Retrieved: 29.04.2020).

106. Kiranyaz, S. 1-D Convolutional Neural Networks for Signal Processing Applications / S. Kiranyaz, T. Ince, O. Abdeljaber, O. Avci, M. Gabbouj // IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Brighton, United Kingdom. - 2019. - P. 8360-8364.

107. Hastie, T. The Elements of Statistical Learning: Data Mining, Inference, and Prediction / T. Hastie, R. Tibshirani, J. Friedman // Springer, 2nd edition, 2009.

108. Тихонов, А. Н. О некорректных задачах линейной алгебры и устойчивом методе их решения / А. Н. Тихонов // ДАН СССР. - 1965. - Т. 163, № 3. - С. 591-594.

109. Тихонов, А.Н. Численные методы решения некорректных задач / А. Н. Тихонов, А. В. Гончарский, В. В. Степанов, А. Г. Ягола // М.: Наука, 1990.

110. Тихонов, А. Н. Методы решения некорректных задач / А. Н. Тихонов, В. Я. Арсенин // М.: Наука, 1979.

111. Ioffe, S. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift / S. Ioffe, C. Szegedy. - 2015. (https://arxiv.org/abs/1502.03167 - Retrieved: 29.04.2020).

112. Srivastava, N. Dropout: A Simple Way to Prevent Neural Networks from Overfitting / N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, R. Salakhutdinov // Journal of Machine Learning Research. - 2014. - Vol. 15. - P. 1929-1958.

113. Nair, V. Rectified linear units improve restricted Boltzmann machines / V. Nair, G. E. Hinton // Proceedings of the 27th International Conference on Machine Learning (ICML). - 2010. - Vol. 27. - P. 807-814.

114. Glorot, X. Deep sparse rectifier neural networks / X. Glorot, A. Bordes, Y. Bengio // International Conference on Artificial Intelligence and Statistics. - 2011. - Vol. 15. - P. 315-323.

115. Bishop, M. C. Pattern recognition and machine learning / M. C. Bishop // Springer, 2006.

116. Ван дер Варден, Б. Л. Математическая статистика / Б. Л. Ван дер Варден, перевод с немецкого Л. Н. Большева, под ред. Н. В. Смирнова // М.: ИЛ, 1960.

117. Закс, Л. Статистическое оценивание / Л. Закс, перевод с немецкого В. Н. Варыгина, под ред. Ю. П. Адлера, В. Г. Горского // М.: Статистика, 1976.

118. Тихонов, В. И. Статистический анализ и синтез радиотехнических устройств и систем: Учеб. пособие для вузов / В. И. Тихонов, В. Н. Харисов. - М.: Радио и связь, 1991.

119. Кендалл, М. Дж. Статистические выводы и связи. Т. 2 / М. Дж. Кендалл, А. М. Стюарт, перевод Л. И. Гальчука, А. Т. Терехина, под ред. А. Н. Колмогорова // М.: Наука, 1973.

120. Никитин, Я. Ю. Асимптотическая эффективность непараметрических критериев / Я. Ю. Никитин // М.: Наука, изд. фирма "Физ.-мат. лит.", 1995.

121. Холлендер, М. Непараметрические методы статистики / М. Холлендер, Д. Вулф, перевод Д.С. Шмерлинга // М.: Финансы и статистика, 1983.

122. McCornack, R. L. Extended tables of Wilcoxon matched pair signed rank statistic / R. L. McCornack // Amer. Statist. Assoc. - 1965. - Vol. 60. - P. 866, 867.

123. Гафаров, Ф. М. Искусственные нейронные сети и приложения: учеб. пособие / Ф. М. Гафаров, А. Ф. Галимянов // Издательство Казанского унивеситета, Казань. - 2018. - С. 121.

124. Машинное обучение. (https://exponenta.ru/wfml - Retrieved: 29.04.2020).

125. Обучение с подкреплением. (http://www.machinelearning.ru/wiki/index.php7title =Обучение_с_подкреплением - Retrieved: 29.04.2020).

Приложение 1. Акты о внедрении и использовании результатов диссертационной работы

1роректор i)o научной работе /У МТУСИ

К). Л. Леохин

uPi» С? 2020 г

УТВЕРЖДАЮ

()Г> иснолыонанин |нч\.1ыаюв .iHcripiaiiHotuioii работы А. С. Константинова на тему: «Повышение »ффективностн paóoii.i а.п ори i мин управления радиоресурсами сетей 4<> н 5(>» н юсбюджетной на\чно-нее. к-дона юльекои

paóoie МТУСИ

Насюяшим акюм подтверждаемся. ню при проведении научно-исследовательским отделом «Радиотехнических систем и устройств» (РТСиУ) IH1P на тем\ «Исследование и разработка программных и аппаратных продуктов для радиотехнических, телекоммуникационных и образовательных приложений» (номер государственной регистрации: А А А А -Б 19-219021290155-9) были использованы следующие результаты диссертационной работы Константинова А. С'.:

1. Обоснование необходимости применения методов прогнозирования состояния радиоканала с использованием искусственных нейронных сетей, способною устойчиво работать с высокой точностью в реальных условиях эксплуатации абонентских станций при сравнительно низкой вычислительной сложности.

2. Исследование применимости современных архитектур искусственных нейронных сетей в процессе формирования индикатора качества радиоканала на стороне абонентской станции.

3. Метод масштабирования частотных компонент доплеровского разброса на основе параллельно-последовательной обработки временного ряла значений «сигнал/шум» свсрючными искусственными нейронными сетями с различной размерностью фильтров для применения при работе программы «Всктор-VSA».

Заместитель начальника

РТСиУ. д. т. н

на\чно-исследовагельского отдела

О. В. Варламов

АКТ

Об использовании результатов диссертационной работы А. С. Константинова на тему: «Повышение зффекч ивносги работы алгоритмов управления радиоресурсами сетей 4С и 5С» в учебном процессе кафедры РОС МТУСИ

Комиссия в составе, заведующего кафедрой «Радиооборудование и схемотехника» (РОС), д. т. и., профессора А.В. Пестрякова. д. т. н., профессора О.В. Варламова, к. т. н., доцента С. И. Дингеса. составила настоящий акт о том, что материалы диссертационной работы используются в учебном процессе кафедры РОС МТУСИ.

Форма внедрения - применение методов прогнозирования состояний радиоканалов, исследованных в диссертационной работе, при проведении лекционных и практических занятий по дисциплинам: «Оборудование систем мобильной связи», «Тестирование радиооборудования», «Тестирование радиооборудования систем связи», по направлениям. «Радиотехника» - 11.03.01,11.04.01 и «Инфоко.ммуникационные технологии и системы связи» -11.03.02, 11.04.02. «Методы тестирования оборудования телекоммуникационных систем» -аспирантура - 11.06.01. При подготовке выпускных квалификационных работ студентов и проведении научно-исследовательской практики.

Подготовлено к изданию учебное пособие «Методы тестирования радиооборудования сетей 40 и 5С».

Использование предложенных в диссертации решений позволило включить в учебный процесс современные достижения технологий систем мобильной связи.

Заведующий кафедрой РОС.

д. т. н., профессор

К. т. н.. доцент

Профессор кафедры РОС. д.т.н.

А.В. Пестряков

С. И. Дингес

О. В. Варламов

Приложение 2. Основные архитектуры искусственных нейронных сетей

ИНС представляет собой математическую модель, построенную по принципу функционирования нервных клеток. Основой ИНС является вычислительный элемент под названием искусственный нейрон (ИН), структура которого представлена на рисунке 62 [15, 89].

Рисунок 62. Структура ИН

На рисунке 62 входные сигналы 1x1, x2, ..., xm} представляют собой данные, поступающие из окружающей среды или от других ИН. Весовые коэффициенты ^ы, wk2, ..., wkm} определяют степень возбуждения ИН от соответствующего входного сигнала. Пороговая величина Ь отражает изменение амплитуды взвешенной величины, подаваемой на передаточную функцию (функцию активации). Передаточная функция f определяет зависимость выходного сигнала у от взвешенной суммы входных сигналов z с учетом смещения. Формально выходной сигнал ИН в ^й момент времени можно представить следующим образом:

Ук = ^фт1ШкГХ;)+Ьк), (76)

где m - количество входных сигналов; wk - матрица весовых коэффициентов для связи «входной слой - выходной слой».

Способ связи как отдельных ИН, так и их групп, определяет архитектуру ИНС. Разработано множество архитектур для решения различных задач, из которых следует выделить две основные - полносвязная ИНС прямого распространения (FFNN) и рекуррентная ИНС (РИНС). Архитектура FFNN с одним входным слоем, одним слоем скрытых ИН и одним выходным слоем (1-1-1) представлена в виде ориентированного графа на рисунке 63 [15, 89].

Слой Выходной

скрытых ИН стой

Рисунок 63. Структура FFNN

Структура FFNN, представленная на рисунке 63, включает в себя ряд связей между всеми ИН соответствующих слоев. Следовательно, сигнал на выходе ИНС будет иметь вид [115, 123]:

Ук = f ((Zj=! wqlj • h ((Zd=i wq2ji • Xi) + bj)) + bk), (77)

где h - передаточная функция скрытого слоя; d - количество входных сигналов для скрытого слоя; wq1 - матрица весовых коэффициентов для связи «скрытый слой - выходной слой»; Wq2 - матрица весовых коэффициентов для связи «входной слой - скрытый слой».

Отличие архитектуры РИНС от FFNN заключается в наличии обратной связи. Структура РИНС представлена на рисунке 64.

........................, Слой

скрытых ИН

Рисунок 64. Структура РИНС

На рисунке 64 показано, что структура РИНС включает в себя ряд обратных связей. Следовательно, сигнал на выходе РИНС будет иметь вид [76, 85]:

Ук = f ((lj=l Wq3j • hk ((Zi=i Wq4ji • Xi) + (ЕП=1 Wqj • h(k-l)) + bj)) + bk), (78)

где n - количество входных сигналов для скрытого слоя в момент времени (k-1); Wq3 -матрица весовых коэффициентов для связи «скрытый слой в момент времени k - выходной слой»; Wq4 - матрица весовых коэффициентов для связи «входной слой - скрытый слой в момент времени k»; wq5 - матрица весовых коэффициентов для связи «скрытый слой в момент времени (k-1) - скрытый слой в момент времени k».

Значения передаточных функций, полученные на предыдущем временном шаге, хранятся во внутреннем состоянии РИНС, что позволяет эффективно обрабатывать большую последовательность событий. Эта возможность делает РИНС подходящей для решения задач прогнозирования временных рядов.

Приложение 3. Способы обучения искусственных нейронных сетей

Использование ИНС подразумевает предварительную настройку весовых коэффициентов с целью адекватного применения в конкретной задаче. Данный процесс называется обучением ИНС и включает ряд итераций. Обученная ИНС способна выполнять обобщение. Это означает, что при подаче на вход обученной ИНС зашумленных данных или данных, которые отсутствовали в обучающем массиве, на выходе ИНС будет правильный результат. Существует три способа обучения: контролируемое (supervised learning), неконтролируемое (unsupervised learning) и обучение с подкреплением (reinforcement learning).

Контролируемым называется обучение, при котором выходные сигналы сравниваются с набором эталонных примеров [124]. В процессе обучения ИНС прогнозированию временных рядов используется репрезентативная выборка, которая содержит информацию о статистическом распределении. Процесс контролируемого обучения представлен на рисунке 65.

Начало

Рисунок 65. Процесс контролируемого обучения ИНС

На рисунке 65 показан общий случай, когда решение об остановке процесса принимается на основе предварительно заданной допустимой величины ошибки. В результате коррекции весовых коэффициентов минимизируется несоответствие между выходными сигналами ИНС и

эталонными примерами. Данный способ используется при решении задач прогнозирования или классификации.

При неконтролируемом обучении (самообучении) на вход ИНС подаются сигналы, для которых ожидаемый выходной сигнал заранее не определен, поскольку эталонные примеры отсутствуют. ИНС анализирует внутреннюю структуру входных данных и корреляции между образцами из обучающего массива и выдает на выходе признак или класс из полученного набора соответствующих категорий. В результате коррекции весовых коэффициентов происходит сглаживание реакции ИНС на случайные признаки и усиление на часто встречающиеся, за счет чего происходит уточнение границ категорий. Критерий остановки обучения определяется заложенным алгоритмом, например, Хебба или Кохонена [124]. Процесс неконтролируемого обучения ИНС представлен на рисунке 66.

Рисунок 66. Процесс неконтролируемого обучения ИНС

На рисунке 66 показано, что в процессе неконтролируемого обучения отсутствует этап сравнения с эталонными примерами. Вместо этого определяется характер статистической взаимосвязи между выборками обучающего массива, формируются группы обобщающих признаков и определяется устойчивость состояния ИНС согласно критериям конкретного

алгоритма. Данный способ используется при решении задач классификации или кластеризации при отсутствии эталонных примеров.

При обучении «с подкреплением» ИНС взаимодействует с обучающей средой в соответствии с определенными заранее правилами выдачи «поощрений» и «штрафов». Результат влияет на величину и направление коррекции весовых коэффициентов. Процесс завершается, если поведение ИНС становится удовлетворительным по критериям обучающей среды [125]. Процесс обучения «с подкреплением» представлен на рисунке 67.

Рисунок 67. Процесс обучения ИНС «с подкреплением»

На рисунке 67 показано, что решение об остановке принимается обучающей средой в результате анализа поведения ИНС. Данный способ используется при решении задач, связанных с выбором между долгосрочной и краткосрочной выгодой. В качестве примера можно привести задачу сохранения равновесия для модели канатоходца.

Приложение 4. Пространственная корреляция трактов MIMO в системах сотовой

мобильной связи 4G и 5G

Для применения технологии MIMO в системах сотовой мобильной связи 4G и 5G требуется проведение тестирования работоспособности абонентских станций в условиях пространственной корреляции передающих и приемных трактов. С целью достижения высоких показателей пропускной способности разработчикам необходимо снижать степень пространственной корреляции, которая существенно зависит от количества и взаимного расположения антенн в абонентских станциях, а также от значения несущей частоты. При тестировании способности абонентской станции формировать индикатор CQI спецификациями 3GPP в качестве стандартной определена конфигурация MIMO с 1 передающей антенной на стороне базовой станции и 2 приемными антеннами на стороне абонентской станции, работающей в режиме разнесенного приема.

Для одной передающей антенны базовой станции матрица корреляции будет описываться следующим образом:

RБС = 1. (79)

Для двух приемных антенн абонентской станции матрица корреляции будет описываться следующим образом:

Rac = ((. в), (80)

где в - параметр, определяющий степень корреляции между 2 приемными антеннами абонентской станции.

Канальная матрица пространственной корреляции будет определяться, как соответствующее произведение Кронекера:

R = RБС® Rac = Rac = ((?.?), (81)

где 0 - произведение Кронекера.

Таким образом, при использовании 1 передающей антенны базовой станции на производительность системы будет влиять только степень пространственной корреляции между 2 приемными антеннами абонентской станции. Для объективной проверки работоспособности в спецификациях 3GPP определено три степени корреляции: низкая, средняя и высокая [99, 101]. Низкая степень пространственной корреляции определена для ^=0:

Низкая = (0 (82)

Средняя и высокая степени пространственной корреляции определены для в=0.9:

Средняя или высокая = (q.9 i 0. (83)