Необходимо зарегистрироваться, чтобы получить доступ к полным текстам статей и выпусков журналов!
- Название статьи
- ГИБРИДНАЯ DSP-НЕЙРОСЕТЕВАЯ ФИЛЬТРАЦИЯ QAM-16 СИГНАЛОВ В УСЛОВИЯХ ТОНАЛЬНЫХ И ИМПУЛЬСНЫХ ПОМЕХ
- Авторы
- Сгибнев Андрей Кириллович zgiba12345@mail.ru, аспирант, ФГБОУ ВО «МИРЭА - Российский технологический университет», Москва, Россия
- В разделе
- ТЕХНОЛОГИЯ ПРОИЗВОДСТВА И ОБОРУДОВАНИЕ В ПРИБОРОСТРОЕНИИ. ЭЛЕКТРОТЕХНИКА. РАДИОТЕХНИКА. ЭЛЕКТРОНИКА
- Ключевые слова
- согласованная нейросетевая фильтрация / QAM-16 / IQ-сигнал / residual U-Net / EVM / BER / notch-фильтр / импульсные помехи / цифровая обработка радиосигналов
- Год
- 2026 номер журнала 3 Страницы 21 - 26
- Индекс УДК
- 621.396
- Код EDN
- BKXOHG
- Код DOI
- 10.52190/1729-6552_2026_3_21
- Финансирование
- Тип статьи
- Научная статья
- Аннотация
- Представлены результаты исследования согласованной нейросетевой фильтрации QAM-16 сигнала в смешанной помеховой обстановке. В отличие от обычной постановки шумоподавления, качество фильтра оценивается после приёмного тракта: RRC matched filter, выборки symbol-spaced отсчётов, complex gain/phase alignment и демодуляции. Предложена гибридная схема Hybrid Neural (clip_notch) + MF, в которой классическая предобработка подавляет выраженные тональные и импульсные компоненты, а residual 1D U-Net восстанавливает остаточные искажения IQ-последовательности. На 100 тестовых реализациях метод обеспечил EVM 20,25 %, BER 0,0236 и SNRout 14,39 дБ, тогда как лучший классический baseline Clipping + Notch + MF дал соответственно 26,35 %, 0,0350 и 11,31 дБ. Для выбранной демонстрационной реализации нейросетевой фильтр снизил EVM до 7,52 % и обеспечил BER = 0.
- Полный текст статьи
- Для прочтения полного текста необходимо купить статью
- Список цитируемой литературы
-
Прокис Дж. Цифровая связь / пер. с англ. - М.: Радио и связь, 2000. - 800 с.
Oppenheim A. V., Schafer R. W. Discrete-Time Signal Processing. 3rd ed. - Upper Saddle River: Pearson, 2010. - 1120 p.
Haykin S. Adaptive Filter Theory. 5th ed. - Boston: Pearson, 2014. - 912 p.
Goodfellow I., Bengio Y., Courville A. Deep Learning. - Cambridge: MIT Press, 2016. - 800 p.
O'Shea T. J., Hoydis J. An Introduction to Deep Learning for the Physical Layer // IEEE Transactions on Cognitive Communications and Networking. 2017. V. 3. № 4. P. 563-575. DOI: 10.1109/TCCN.2017.2758370.
Dörner S., Cammerer S., Hoydis J., ten Brink S. Deep Learning Based Communication Over the Air // IEEE Journal of Selected Topics in Signal Processing. 2018. V. 12. № 1. P. 132-143. DOI: 10.1109/JSTSP.2017.2784180.
Qin Z., Ye H., Li G. Y., Juang B.-H. Deep Learning in Physical Layer Communications // IEEE Wireless Communications. 2019. V. 26. № 2. P. 93-99.
Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015. - Cham: Springer, 2015. P. 234-241. DOI: 10.1007/978-3-319-24574-4_28.
He H., Jin S., Wen C.-K., Gao F., Li G. Y., Xu Z. Model-Driven Deep Learning for Physical Layer Communications // IEEE Wireless Communications. 2019. V. 26. № 5. P. 77-83.
- Купить
- 800.00 руб
