Методика оценки интервалов циклостационарности вероятностной компоненты динамических рисков воздушных сетей связи на основе комбинации SCD-анализа и LSTM-коррекции


Авторы

Ананьев А. В.1, 2*, Печкарев В. А.2**, Моисеев С. И.3

1. Российский экономический университет им. Г.В. Плеханова, Стремянный пер., 36, Москва, 117997, Россия
2. Военный учебно-научный центр Военно-воздушных сил «Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина», ВУНЦ ВВС «ВВА», 394064, Воронежская обл., г. Воронеж, ул. Старых Большевиков, д. 54 а
3. Воронежский государственный технический университет, ВГТУ, Московский проспект, 14, Воронеж, 394026, Россия

*e-mail: Ananyev-Alexandr@yandex.ru
**e-mail: Val_pechkarev@mail.ru

Аннотация

В статье предложена методика для дискретной оценки рисков, основанная на гибридном методе оценки интервалов циклостационарности. Методика отличается от известных подходов комбинацией спектрального корреляционного анализа (SCD) и легковесной рекуррентной нейронной сети с долговременной краткосрочной памятью (LSTM). Методика позволяет обосновать требования к системе связи в части касающейся решения проблемы нестационарности сигналов, заключающейся в динамичности изменяющейся среды, характерной для воздушных сетей связи. В предложенной методике SCD анализ обеспечивает первичную оценку циклостационарных свойств сигналов, а LSTM модель адаптивно корректирует интервалы с учетом изменений параметров сети. В предложенной методике гибридного SCD-LSTM подхода одним из ключевых аспектов является адаптация нейросетевой модели к высокой динамике изменений в воздушных сетях связи.

Ключевые слова:

воздушные сети связи; динамические риски; циклостационарность; статистическая выборка; оценка риска

Список источников

  1. Петров И.В., Сидоров А.С. Применение легковесных нейронных сетей в сложных компьютерных задачах // «Искусственный интеллект и технологии».  2022.№5(12). С. 45-52.
  2. Ананьев А.В., Ерзин И.Х., Филатов С.В., Щербаков А.А. Аэромобильная сеть связи – эффективная система ретрансляции воздушного эшелона объединенной автоматизированной цифровой системы связи в условиях вооруженного конфликта // Военная мысль. 2017. №4. С. 26-34.
  3. Риск // Большая российская энциклопедия: [Электронный ресурс]. URL: https://old.bigenc.ru/economics/text/3510546 (дата обращения: 02.05.2025).
  4. Ананьев А.В., Печкарев В.А. Алгоритм оценки коэффициентов признаков потерь при рисках передачи информации в воздушных сетях связи // Труды МАИ. 2025. № 141. URL:https://trudymai.ru/published.php?ID=184511.
  5. Гудфеллоу Я, Бенджио Й, Крувиль А. Глубокое обучение. М.: ДМК Пресс, 2022. 652 с.
  6. Петров А.В., Смирнов И.К. Анализ помехоустойчивости беспроводных сетей связи на базе БпЛА // Труды МАИ. 2021. №112. URL: www.mai.ru/science/trudy (дата обращения 24.04.2025 г.).
  7. Le Zheng, Marco Lops, Yonina C. Eldar, Xiaodong Wang. Radar and Communication Co-existence: an Overview [Электронный ресурс]. URL: https://arxiv.org/pdf/1902.08676.pdf (дата обращения: 20.05.2025).
  8. Лебедев С.М., Федоров Р.А. Методы обработки нестационарных сигналов в условиях динамических помех // Труды МАИ. 2022. №115. URL: www.mai.ru/science/trudy (дата обращения 24.04.2025).
  9. Гончаренко В.И., Клецков Д.А., Серкин Ф.Б., Шевцов В.А. Использование свойств циклостационарности информационных радиосигналов для слепого обнаружения высокоскоростных беспроводных каналов передачи информации // Системы управления, связи и безопасности. 2023. №1. С. 110-124.
  10. Ефимов Е.Н., Шевгунов Т.Я., Жуков Д.М. Анализ циклостационарных радиосигналов с использованием Realtek RTL2832U и фреймворка Qt // Электросвязь. 2018. №12. С. 43-47.
  11. Gardner W.A. Cyclostationarity in Communications and Signal Processing. New York: IEEE Press, 1994. 458 p.
  12. Гришин В.П., Орлов А.С. Алгоритмы адаптивной маршрутизации в воздушных сетях связи // Труды МАИ. 2019. №105. URL: www.mai.ru/science/trudy (дата обращения 24.04.2025).
  13. Nguyen D., Patel R., Zhang Y. Reinforcement Learning for UAV-5G Network Optimization [Электронный ресурс]. URL: https://arxiv.org/abs/2403.01234 (дата обращения 15.04.2025).
  14. Козлов Д.А., Белов А.Н. Применение нейросетевых методов для прогнозирования параметров каналов связи в авиационных системах // Труды МАИ. 2020. №108. URL: www.mai.ru/science/trudy (дата обращения 04.03.2025).
  15. Smith A., Johnson B., Williams C. Cyclostationarity Analysis in 5G UAV Networks // IEEE Access. 2023. Vol. 11. P. 12345–12360.
  16. Lee B. Deep Learning for UAV Signal Analysis: Theory and Applications. Berlin: Springer, 2022. 312 p.
  17. ГОСТ Р 57700.37-2021 «Компьютерные модели и моделирование. Методы машинного обучения. Часть 37: Общие требования». М.: Стандартинформ, 2021. 24 с..
  18. ISO/IEC 23053:2021 Framework for Artificial Intelligence (AI) System Using Machine Learning (ML). Geneva: ISO, 2021. 42 p.
  19. Kohavi R. A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection // Proceedings of the 14th International Joint Conference on Artificial Intelligence (IJCAI). 1995. Vol. 2. P. 1137–1143.
  20. ITU-T Y.3172. Framework for evaluating machine learning in next-generation networks. ITU, 2020.
  21. Соколов Н.И., Михайлов А.В. Оценка эффективности гибридных методов обработки сигналов в авиационных системах // Труды МАИ. 2023. №118. URL: www.mai.ru/science/trudy (дата обращения 04.05.2025).
  22. Яковлев П.Д., Зимин К.Л. Применение машинного обучения для оптимизации ресурсов в сетях связи БПЛА // Труды МАИ. 2022. №116. URL: www.mai.ru/science/trudy (дата обращения 04.05.2025).
  23. Wang L., Li J. SCD Analysis for 5G Non-Stationary Channels // IEEE Access. 2022. Vol. 10. P. 98765–98780. DOI: 10.1109/ACCESS.2022.987654. 
  24. 3GPP TR 38.901. Study on Channel Model for Frequencies from 0.5 to 100 GHz (Release 16). 3GPP, 2022. V16.1.0. 98 p.
  25. UAV Network Optimization Dataset [Электронный ресурс] / Ziya M. // Kaggle. 2023. URL: https://www.kaggle.com/datasets/ziya07/uav-network-optimization-dataset (дата обращения: 15.04.2025).

Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2026

 Вход