Разработка и исследование методов функционирования когнитивных радиосетей с использованием машинного обучения с подкреплением тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Стенин Александр Владиславович

• Стенин Александр Владиславович
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Стенин Александр Владиславович

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ ТЕХНОЛОГИИ КОГНИТИВНОГО РАДИО В ТЕЛЕКОММУНИКАЦИЯХ

1.1 Концепция когнитивного радио в телекоммуникациях

1.2 Интерференция пользователей

1.3 Применение теории машинного обучения для реализации функций когнитивного радио

1.4 Машинное обучение с подкреплением

1.5 Q-обучение

1.6 Необходимые этапы проводимого исследования

1.7 Выводы по главе

ГЛАВА 2. ИССЛЕДОВАНИЕ ВОЗМОЖНОСТИ ИСПОЛЬЗОВАНИЯ ПРОБЕЛОВ В СПЕКТРЕ

2.1 Технические средства и методы сбора информации о спектре

2.2 Алгоритм обнаружения загруженности каналов спектра

2.3 Результаты работы программно-аппаратного комплекса сбора данных

2.4 Выводы по главе

ГЛАВА 3. РАЗРАБОТКА ИМИТАЦИОННЫХ МОДЕЛЕЙ И АЛГОРИТМОВ РАБОТЫ КОГНИТИВНОГО РАДИО

3.1 Общие принципы выбора и смены канала

3.2 Разработка генератора каналов в пучке с динамически изменяющимися параметрами

3.3 Выбор и использование канала передачи данных

3.4 Разработка алгоритма прогнозирования состояния канала

3.5 Выводы по главе

ГЛАВА 4. ИССЛЕДОВАНИЕ РЕЗУЛЬТАТОВ РАБОТЫ АЛГОРИТМОВ

4.1 Результаты моделирования алгоритма прогнозирования

4.2 Результаты моделирования алгоритма адаптивной смены и выбора канала (АВСК)

4.3 Алгоритм выбора и смены канала на основе машинного обучения с подкреплением

4.4 Результаты моделирования алгоритма машинного обучения с подкреплением

4.5 Выводы по главе

ГЛАВА 5. ВЗАИМОДЕЙСТВИЕ С СИСТЕМОЙ КАДРОВОЙ СИНХРОНИЗАЦИИ

5.1 Основная роль системы кадровой синхронизации

5.2. Оценка вероятности ложного обнаружения на участке «Шум - преамбула»

5.3 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

Список использованных источников

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

Введение диссертации (часть автореферата) на тему «Разработка и исследование методов функционирования когнитивных радиосетей с использованием машинного обучения с подкреплением»

ВВЕДЕНИЕ

Предмет исследования - когнитивные радиосети.

Объект исследования - процессы организации множественного доступа к радиочастотному спектру для вторичных абонентов.

Актуальность темы исследования. В современном мире телекоммуникаций все более важное место занимает проблема оптимального использования физической среды передачи, будь то радиочастотный спектр или оптический кабель. В общем случае это вызвано растущим спросом на услуги предоставления широкополосного доступа абонентам. Наиболее проблематично дела обстоят в области беспроводных технологий, где используются определенные частотные диапазоны, спектр сигнала которых ограничен и в определенных условиях эксплуатации подвержен различным мешающим факторам. Тенденции к развитию информационных сервисов в различных сферах предоставления услуг (государственная инфраструктура, транспорт, техника и т. п.) в совокупности с растущими потребностями в передаче большего количества трафика от и до конечных пользователей показывают необходимость научных исследований в этой области телекоммуникаций.

Использование систем когнитивного радио (Cognitive Radio System, CRS), согласно первоначальной концепции, позволяет радиоинтерфейсам передатчика и приемника изменять собственные параметры (центральная частота радиоканала, модуляция и т.д.), что позволяет передавать данные по измененному, часто динамическому, радиоканалу для обеспечения лучшего качества обслуживания. Процесс изменения параметров происходит на основе данных о среде эксплуатации, анализируемых самой когнитивной системой. Получение актуальных данных о состоянии радиоканала является важнейшей ступенью функционирования системы. В связи с особенностями переиспользования спектра, запрета на вмешательство к ресурсам первичных (лицензируемых) абонентов система когнитивного радио работает по принципам негарантированной доставки (Best-Effort Service, BES).

Как и в любой системе с автоматической подстройкой собственных характеристик, могут быть применены специально разработанные алгоритмы. Однако таких алгоритмов может быть недостаточно, когда количество анализируемых событий велико, а их возникновение носит случайный характер. В этом случае возможно применение алгоритмов машинного обучения (Machine Learning, ML), которые являются подсистемой искусственного интеллекта (Artificial Intelligent, AI), что напрямую соответствует концепции когнитивного радио. Применение систем, обладающих функциями машинного обучения, обеспечивает высокую автоматизацию эксплуатационного цикла исследуемых систем. Преимуществами внедрения таких систем в области телекоммуникаций является оптимизация и расширенные функции по управлению процессом передачи данных в различных масштабах, а также назначение решения большинства задач на когнитивное устройство. Данный вопрос имеет высокую актуальность в связи с реализацией высокоинтеллектуальных сетей связи и улучшению качества обслуживания абонентов при снижении эксплуатационных затрат. Соотношение качества обслуживания и затрат является постоянным критерием эффективности в телекоммуникациях.

В итоге основные области исследования формируют требования к разрабатываемой системе с целью повышения качества предоставления услуг доступа и передачи данных для вторичных (нелицензируемых) абонентов. Любое взаимодействие сетевых устройств обязательно затрагивает вопросы их синхронизации. В случае использования системы когнитивного радио (CRS) и «борьбы» за каждый свободный слот рассмотрение вопросов повышения надежности процедуры синхронизации является актуальным.

Степень разработанности темы. Впервые концепция технологии когнитивного радио была предложена Joseph Mitola III на семинаре в KTH Royal Institute of Technology (швед. KTH - Королевский технический институт, Швеция, г. Стокгольм) в 1998 году. Официальный отчет рабочей группу Международного союза электросвязи (сектор радиосвязи) был опубликован в 2009 году - Отчет МСЭ-Р SM.2152 «Definitions of Software Defined Radio (SDR) and Cognitive Radio

System (CRS)». Одной из фундаментальных работ является работа Simon Haykin, «Cognitive radio: brain-empowered wireless communications», которая была опубликована в феврале 2005 г.

Ключевыми вопросами реализации системы когнитивного радио занимается большое количество исследователей. В области исследования процедуры сканирования спектра можно выделить работы авторов Anant Sahai, H. Vincent Poor, Danijela Cabri^ С.В. Кизимы, С.Г. Митченкова, Б.Б. Емельянникова. В области динамического доступа к спектру, а также вопросов множественного доступа: Qing Zhao, Beibei Wang, K. J. Ray Liu, Ian F. Akyildiz. Общие вопросы реализации, а также вопросы архитектуры и безопасности когнитивных радиосетей приводятся в работах: Charles Clancy, James O. Neel, Preston Marshall, Б.А. Калинина, А.Г. Жабина, С.В. Завьялова.

Современной темой большого количества исследований является совместное использование системы когнитивного радио и искусственного интеллекта, в частности машинного обучения, что рассматривается в работах следующих авторов: Xiangwei Zhou, Mingxuan Sun, Geoffrey Ye Li, Biing-Hwang Fred Juang, Archana P, Karthigaikumar P, Xiaolin Ma, Shiwen Ning, Xinhua Liu, Hailan Kuang, Youying Hong, K. Bagadi, T. Abrao, F. Benedetto.

Анализ применения технологии машинного обучения в современных сетях радиосвязи рассматривается в работах А.Ю. Гребешкова.

Цель работы. Целью данной работы является исследование возможностей занятия ресурсов (каналов) в радиочастотном спектре вторичными абонентами (Secondary users) исключая или минимизируя интерференцию с первичными абонентами (Primary users).

Для достижения поставленной цели определены следующие задачи:

- разработать программно-аппаратный измерительный комплекс на базе SDR устройства с целью получения информации о загруженности спектра;

- оценить эффективность использования спектра первичными абонентами в различных секторах размещения - квартирном, производственном, на открытой местности;

- изучить возможность использования лицензированного спектра вторичными пользователями;

- разработать решения для использования пробелов в спектре вторичными абонентами, включая алгоритмы выбора и смены канала, методы повышения надежности системы синхронизации.

Методы исследования.

Для решения поставленных задач используется математическое и имитационное моделирование. Применяется аппарат марковских цепей. Методом статистического анализа были получены результаты работы различных алгоритмов моделируемой системы когнитивного радио, проведен их сравнительный анализ.

Соответствие паспорту специальности

Диссертационная работа соответствует следующим пунктам паспорта научной специальности 2.2.15. «Системы, сети и устройства телекоммуникаций».

Пункт 2 - исследование процессов генерации, представления, передачи, хранения и отображения аналоговой, цифровой, видео-, аудио- и мультимедиа информации; разработка рекомендаций по совершенствованию и созданию новых соответствующих алгоритмов и процедур

Представлена модель генератора пучка каналов, используемая для предварительного обучения системы когнитивного радио. Входные данные модели получены на основе экспериментальных данных.

Пункт 4: «Исследование путей совершенствования управления информационными потоками».

Рассмотрены механизмы, позволяющие управлять передачей данных, выбирая канал в пучке, исходя из представленных алгоритмов.

Пункт 12 - разработка методов эффективного использования сетей, систем и устройств телекоммуникаций в различных отраслях народного хозяйства

Предложен новый алгоритм на основе машинного обучения с подкреплением, при использовании которого система может быть предварительно обучена для использования в различных условиях ее собственной эксплуатации,

что позволяет эффективнее использовать радиочастотный ресурс, начиная с запуска устройства.

Научная новизна. В работе получены следующие результаты, отличающиеся научной новизной:

- на основе полученных экспериментальных данных разработана имитационная модель генератора занятости каналов, позволяющая сравнивать эффективность различных алгоритмов выделения ресурсов для вторичных абонентов, а также проводить предварительное обучение системы когнитивного радио, что снижает время адаптации к реальным условиям эксплуатации;

- предложен алгоритм смены канала в пучке для вторичного абонента, на основе принципов машинного обучения с подкреплением, позволяющий повысить вероятность занятия свободного слота в среднем на 7% и понизить возможный разброс значений результирующего показателя (доверительного интервала) до 35% в сравнении с другими алгоритмами, рассмотренными в работе;

- разработана имитационная модель системы передачи данных для вторичного абонента, позволяющая оценить потери пакетов из-за пропуска или ложного обнаружения синхрослова;

- разработана математическая модель для расчета вероятности ложного обнаружения и пропуска синхрослова, отличающаяся от известных учетом структуры преамбулы и повышенной точностью вычислений, учитывающая структуру преамбулы и повышающая точность вычислений.

Достоверность полученных результатов. Достоверность научных выводов и подтверждение теоретических результатов осуществляется при помощи математического моделирования в среде MathCAD, а также с использованием скриптов на языке программирования Python 3.

Теоретическая значимость результатов. Теоретическая значимость работы заключается в развитии теории когнитивных радиосистем и разработке новых подходов к организации множественного доступа к спектру на основе принципов негарантированной доставки (BES).

Практическая значимость результатов. Разработан программно-аппаратный измерительный комплекс на базе SDR, позволяющий получать экспериментальные данные о загруженности каналов спектра с целью дальнейшего моделирования и предварительного обучения системы когнитивного радио.

Результаты работы использованы при проведении НИР «Совместная оптимизация алгоритмов предкодирования MIMO и распределения ресурсов на канальном уровне для повышения спектральной эффективности сетей 5-го и последующих поколений» в рамках государственного задания (номер учета НИОКТР 123030900019-8 от 15.02.2023), НИР «Разработка оптимальных алгоритмов предкодирования сигналов massive MIMO в системе 5G» в рамках государственного задания (номер учета НИОКТР 124030100008-9 от 19.01.2024), а также в учебном процессе СибГУТИ при проведении занятий по дисциплине «Основы сетевых технологий» для направления подготовки бакалавриата 11.03.02 Инфокоммуникационные технологии и системы связи.

Апробация результатов работы. Основные результаты диссертационной работы докладывались и обсуждались на следующих научных конференциях:

- Российские научно-технические конференции «Современные проблемы телекоммуникаций», г. Новосибирск, 2015, 2016, 2018 гг.;

- Международная научно-практическая конференция «Progress through innovations», г. Новосибирск, 2015 г.;

- Международная научно-практическая конференция «Вопросы современных научных исследований (ВСНИ24)», Омск, 2018 г.;

- Международная мульти-конференция SIBIRCON, г. Новосибирск, 2019 г.;

- Международная научно-техническая конференция «IEEE 22nd International Conference of Young Professionals in Electron Devices and Materials (EDM), Горный Алтай 2021 г.;

- Международная научно-техническая конференция «XV International Scientific-Technical Conference on Actual Problems of Electronic Instrument Engineering (APEIE), Новосибирск, НГТУ 2021 г.;

- Международная научно-техническая конференция « IEEE 23rd International Conference of Young Specialists on Micro/Nanotechnologies and Electron Devices, (EDM), Горный Алтай 2022 г.;

- Международная научно-техническая конференция « IEEE 25th International Conference of Young Specialists on Micro/Nanotechnologies and Electron Devices, (EDM), Горный Алтай 2024 г.;

- Международная научно-техническая конференция «2025 IEEE XVII International Scientific and Technical Conference on Actual Problems of Electronic Instrument Engineering (APEIE), Novosibirsk, Russian Federation, Новосибирск, 2025 г..

Положения, выносимые на защиту:

- разработанный алгоритм генерации пучка N-динамических каналов позволяет моделировать набор каналов радиочастотного спектра с целью проведения исследования системы когнитивного радио в условиях меняющихся параметров каналов в пучке, что повышает точность оценки работы алгоритмов когнитивной системы во время имитационного моделирования;

- разработанный алгоритм выбора и смены канала позволяет выбирать перспективный канал в пучке на основе технологии машинного обучения с подкреплением, анализируя состояние каждого канала в пучке, а также динамику изменения параметров каналов и другие входные данные с целью принятия адаптивного решения;

- предложенная в работе математическая модель подсистемы синхронизации когнитивного радио учитывает все возможные ситуации необходимые для расчета значений вероятности ложного обнаружения (Pio) и пропуска (Pios) преамбулы;

- предложенную в работе имитационную модель подсистемы синхронизации, позволяет оценить вероятность ложного обнаружения и вероятность пропуска синхрослова произвольной длины, используемые для подтверждения корректности результатов аналитического моделирования;

- предложенная в работе методика занятия канала радиочастотного спектра, позволяет исключить интерференцию передаваемого пакета данных вторичного

абонента с передаваемыми данными первичного абонента за счет использования небольших длин кадров вторичных абонентов, заведомо меньших, чем длина преамбулы первичного пользователя.

Личное участие автора в получении научных результатов. Автору принадлежит основная роль в решении задач и обработки результатов исследований, представленных в диссертации.

Публикации. По теме диссертационной работы опубликовано 19 публикаций, 2 из которых в изданиях рекомендованных ВАК, 6 проиндексированы в базах IEEE и Scopus.

В рамках выполнения диссертационной работы получено 5 свидетельств Роспатента об официальной регистрации программ для ЭВМ и баз данных.

Структура и объем диссертационной работы.

Диссертация состоит из введения, пяти глав, заключения, списка используемых источников. Полный объем диссертации составляет 171 страницу из которых к основной части относится 103 страницы. Работа содержит 47 рисунков, 2 таблицы и список литературы из 78 источников.

Краткое содержание работы.

Во введении приводятся основные теоретические аспекты системы когнитивного радио (CRS), обосновывается актуальность проводимых исследований. Указываются основные проблемы, связанные с реализацией устройств когнитивного радио и поиска ресурсов для вторичных пользователей (secondary users), приводится краткое описание существующих и предлагаемых в данной работе решений.

В первой главе приводится описание основных элементов системы когнитивного радио, основываясь на проблематике, проводится обзор существующих систем, решений и рассматривается теория машинного обучения.

Во второй главе представлена информация об этапах исследования загруженности радиочастотного спектра первичными абонентами, их поведение в различных моделях размещения (в работе рассматриваются квартирный,

производственный сектор, открытая местность). Использование нескольких моделей размещения позволяет оценить занятие спектра первичными абонентами и его возможную зашумленность для различных локаций. Получение экспериментальных данных в различных локациях г. Новосибирска обусловлено необходимостью создания датасетов (англ. Dataset, набор данных) для предварительного обучения системы в зависимости от условий эксплуатации.

В третьей главе проводится анализ существующих методик и алгоритмов, применяемых при смене радиоканала. На основе результатов, полученных в первой главе, проводится анализ необходимых технических требования к методу занятия свободных каналов вторичным абонентом. Учитывается оптимизация потерь слотов за счет минимального количества смен каналов, «предсказывание» будущих состояний слотов. В качестве модели канала используется простая марковская цепь, в модели используется 2 состояния Sf - канал свободен и Sb - канал занят, а также переходные вероятности Pf, Pfb, Pbb, Pbf.

В четвертой главе анализируются результаты моделирования алгоритмов. Полученные результаты работы алгоритмов в пучке каналов с N = 128.

В пятой главе предложены математическая и имитационная модели системы кадровой синхронизации, позволяющие оценить вероятности пропуска и ложного обнаружения синхрослова, в различных условиях и выбрать параметры (длина синхрослова и количество допустимых ошибок при его определении) с целью повышения надежности системы синхронизации. Указывается на взаимосвязь в процессе построения нового логического канала когнитивной системой и необходимость повышения надежности системы синхронизации, а именно уменьшения вероятности ложного обнаружения синхрослова (Plo).

В заключении приведены основные результаты научных исследований в рамках диссертационной работы, а также возможные направления дальнейших исследований

В приложении А к диссертационной работе приводится листинг программ в средах программного обеспечения MathCAD и интерпретатора Python3.

В приложении Б к диссертационной работе представлены акты о внедрении научных и практических результатов.

ГЛАВА 1. АНАЛИЗ ТЕХНОЛОГИИ КОГНИТИВНОГО РАДИО В

ТЕЛЕКОММУНИКАЦИЯХ

1.1 Концепция когнитивного радио в телекоммуникациях

Когнитивное радио (англ. Cognitive radio) в современном мире телекоммуникаций представляет собой понятие, не ограниченное первоначальной концепцией, которую представил Джозеф Митола III (англ. Joseph Mitola III) на научной конференции в 1999 г. Сегодня это понятие представлено во многих исследованиях и тесно связано с понятием программно-определяемого радио (англ. Software defined radio (SDR)).

Для дальнейшей работы необходимо понимать отличия между когнитивной системой (CRS) и программном радио (SDR), для этого рассмотрим отчет Международного союза электросвязи МСЭ-R (ITU-T) SM.2152:

Радиоустройство с программируемыми параметрами (SDR): Радиопередатчик и/или радиоприемник, использующий технологию, позволяющую с помощью программного обеспечения устанавливать или изменять рабочие радиочастотные параметры, включая, в частности, диапазон частот, тип модуляции или выходную мощность, за исключением изменения рабочих параметров, используемых в ходе обычной предварительно определенной работы с предварительными установками радиоустройства, согласно той или иной спецификации или стандарта системы." [1].

"Система когнитивного радио (CRS): Радиосистема, использующая технологию, позволяющую этой системе получать знания о своей среде эксплуатации и географической среде, об установившихся правилах и о своем внутреннем состоянии; динамически и автономно корректировать свои эксплуатационные параметры и протоколы, согласно полученным знаниям, для достижения заранее поставленных целей; и учиться на основе полученных результатов."

Согласно определению, именно когнитивная система (CRS), а не программируемое устройство (SDR) выполняет функции сбора информации, учитывает заданные правила и динамически корректирует необходимые параметры. Исходя из вышесказанного, дальнейшее исследование будет проводиться исключительно в рамках когнитивной системы (CRS), и только непосредственная работа с оборудованием и натурное моделирование будет основано на понятии программируемого радио (SDR).

После первой публикации концепции когнитивного радио о нём не раз упоминали, говоря об оптимальном использовании спектра радиочастот. В первую очередь это было связано со стремительным ростом количества носимых устройств (смартфоны, планшетные ПК и т.п.) у населения. Многим мобильным операторам было предложено искать решения по более оптимальному использованию спектра. На рисунке 1.1 представлен график использования спектра в пределах 960 - 3100 МГц.

Power speciral dgnsite (S60 - 3.100 MHz)

Аи-отаШса. and said Не ImodI ^ 3 s "DE Е £ 11 Site-lite 1 KS" KCl mdoecnöon and •odcra.-iigiiöiin * 1 & i&K ь 1 SMcsD 1 ucJnk 1 1" M 1 ' : 1 dcwTiinUrSFCC-uJSS irtc F MTS 30-0 | II . . : •.: . I | ravmnliiin Idslense,.

F я q- я s ff Ü ff g Jl |j ^ - J I - s 1 — | I i ;.A:

1.000 1,200 1,400 1.600 1.B00 2,000 2,200 2,400 2,600 2,a00 3,000

Рисунок 1.1 - Плотность спектра в диапазоне 960 - 3100 МГц [2]

Суть концепции когнитивного радио заключается в использовании т.н. «белых пятен» (англ. Spectrum white spots) в спектре радиочастот, которые могут быть использованы «вторичными» пользователями в когнитивной системе для передачи данных.

"Пробелы" в спектре

Рисунок 1.2 - Пример расположения белых пятен в спектре [3]

В связи с тем, что наличие белых пятен в спектре в заданном диапазоне частот в определённые моменты времени может сильно отличаться, также не исключены ситуации полного отсутствия белых пятен. Таким образом, когнитивное радио не сможет гарантированно предоставить вторичному пользователю доступ к спектру, следовательно, СЯБ не может являться отдельной службой электросвязи с гарантированным предоставлением услуг.

Изначально для когнитивного радио предлагалось использовать частоты, предназначенные для телевизионного вещания, примерно от 200 до 900 МГц в зависимости от страны. Были проведены исследования загруженности спектра в данном диапазоне [4]. График использования спектра, полученный при помощи специальных измерений в Чехии, показан на рисунке 1.3.

05 1 1.5 2 2.5 3

Р геоиепсу |<ЗНг)

Рисунок 1.3 - Пример использования спектра для частот ТВ в Европе [4]

Вышеописанное исследование [4] указывает на возможность использования белых пятен в спектре для когнитивной системы.

Поскольку СЯБ должна выполнять расширенные задачи по сравнению с обычным приёмником и передатчиком, существует некоторая сложность реализации алгоритмов работы всех функций устройства и непосредственно самого устройства. Из-за сложности реализации устройства и отсутствия завершённых исследований в области алгоритмов работы когнитивной системы на момент написания работы отсутствовали готовые устройства.

Во многих лабораториях когнитивное радио существует на основе прототипа, так, например, устройство под названием «CogRadio», внешний вид которого показан на рисунке 1.4.

Рисунок 1.4 - Внешний вид устройства CogRadio [5]

CogRadio создано компанией Radio Technology Systems в Ocean Grove, Нью-Джерси. Устройство может быстро осуществлять смену радиоканала, а также, по заявлению авторов, передавать непрерывно видеопоток. Устройство активно используется для тестирования программного обеспечения, которое авторы планируют использовать в коммерческих целях.

«Это наиболее удобное и универсальное широкополосное устройство, которое ранее не было доступно исследователям», говорит директор Winlab, в Rutgers University, в которой было разработано ПО для CogRadio. «Сегодня это является лучшим из имеющихся экспериментальных прототипов когнитивного радио, и это очень важно, потому что все заинтересованы в тестировании и развертывании такой технологии».

Устройство способно работать в диапазоне от 100 Мгц до 7500 МГц, включая частоты для ТВ, Wi-Fi, GSM и др. По заявлению авторов, устройство способно детектировать незанятые частоты и переключаться между ними за 50 мкс, а в отдельных случаях и за 1 мкс.

Когнитивное радио может создать целый ряд новых услуг. Например, оно может маршрутизировать сотовые звонки на Wi-Fi, а также может быть

использовано для резервирования трафика с оптоволокна для доступа в Интернет, через имеющийся спектр телевидения в 400 МГц диапазоне.

1.2 Интерференция пользователей

Интерференцией пользователей когнитивного радио называется явление одновременного занятия спектра первичным и вторичным пользователем. Первичным (англ. Primary, Licensed) пользователем называется приёмник и передатчик, закреплённый за данным диапазоном частот регулирующим органом в той стране, в которой используется система. Вторичным (англ. Secondary, Unlicensed) пользователем называется приёмник и передатчик, использующий белые пятна в диапазоне частот, за которым он не закреплён. Следовательно, при возникновении интерференции вторичный пользователь должен немедленно освободить занимаемые ресурсы. Возникновение интерференций является основным препятствием для внедрения системы когнитивного радио в действующий спектр частот и дальнейшего предоставления услуг пользователям. Интерференция сигнала первичного и вторичного пользователя показана на рисунке 1.5.

-В2 = L'nLicftnsmi Bandwidlh

□ 1 - Lie BW

Рисунок 1.5 - График интерференции сигнала пользователей [6]

Исследование проблемы интерференции, описанное в [6] предполагает создание моделей интерференции и использование метода ITMA (англ. Interference Temperature Multiple Access) для исследования данного влияния.

1.3 Применение теории машинного обучения для реализации функций когнитивного радио

Возвращаясь к определению системы когнитивного радио (CRS), обратим внимание на функции, которые реализует эта система. В первую очередь, это сбор информации (англ. Sensing) с возможным хранением, который позволяет системе собирать информацию в реальном времени о среде эксплуатации, текущем состоянии каналов и др. Затем это система принятия решений, т. к. система динамически и автономно способна изменять свои рабочие параметры.

Исходя из данных требований в системе должны быть реализованы соответствующие алгоритмы, от функционирования которых зависит эффективность работы системы в целом. В большом количестве исследований для полноценного функционирования моделей предлагаются различные алгоритмы, решающие поставленные задачи. Анализируя предлагаемые алгоритмы и результаты их работы, сформируем основные требования к их реализации:

Список литературы диссертационного исследования кандидат наук Стенин Александр Владиславович, 2026 год

Список использованных источников

1. Отчет МСЭ-Р SM.2152 «Definitions of Software Defined Radio (SDR) and Cognitive Radio System (CRS)», 2009. - С. 1

2. Software and cognitive radio engineering / под ред. Jacques Palicot. ISBN 978-1-84821-296-1

3. IEEE Communications Magazine / April 2008 A Survey on Spectrum Management in Cognitive Radio Networks

4. Survey on spectrum utilization in Europe: Measurements, analyses and observations / V. Valenta, R. Marsalec, G. Baudoin [и др.] // Proceedings of the Fifth International Conference on Cognitive Radio Oriented Wireless Networks & Communications (CROWNCOM), 2010.

5. Winlab official page [Электронный ресурс]. http://www.winlab.rutgers.edu/ (дата обращения: 13.03.2025). - Текст : электронный.

6. Thomas Charles Clancy III Dynamic spectrum access in cognitive radio networks - Maryland. 2006. - С. 116

7. Arthur Samuel «Some Studies in Machine Learning using the Game of Checkers», IBM Journal of Research and Development, Vol. 3, Issue. 3, 1959.

8. Wiki-сборник посвященный машинному обучению [Электронный ресурс]. http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение (дата обращения: 13.03.2025). - Текст. Изображение : электронные

9. Машинное обучение для абсолютных новичков. Вводный курс изложенный простым языком / Оливер Теобальд; [Перевод с английского М. А. Райтмана]. Москва : Эксмо, 2024. - 208 с. - (Мировой компьютерный бестселлер).

10. Deductive machine learning models for product identification Tianfan Jin, Qiyuan Zhao, Andrew B. Schofielda and Brett M. Savoie

11. Саттон Ричард С., Барто Эндрю Г. Обучение с подкреплением = Reinforcement Learning. /— М.: БИНОМ. Лаборатория знаний, 2017. — 399 с. — ISBN 978-5-94774-351-7.

12. Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell, Machine Learning: An Artificial Intelligence Approach // Tioga Publishing Company, 1983. С. 1516, ISBN 0-935382-05-4

13. Vapnik V. N. Statistical learning theory — N.Y.: John Wiley & Sons, Inc.,

1998.

14. Data Mining: Practical Machine Learning Tools and Techniques (Second Edition) / I. H. Witten, E. Frank // Morgan Kaufmann, 2005 ISBN 0-12-088407-0

15. Розенблатт, Ф. Принципы нейродинамики: Перцептроны и теория механизмов мозга — М.: Мир, 1965. — 480 с.

16. Pac-Man History (История игры Pac-Man): Namco [Электронный ресурс]. - https://pacman.com/en/history/ - (дата обращения: 1.07.2025). - Текст : электронный

17. Скриншоты игрового поля Pac-Man [Электронный ресурс]. -https://www.researchgate.net/figure/The-screenshot-of-PAC-MAN_fig1_257706533 -(дата обращения: 1.07.2025). - Текст : электронный

18. Next generation/dynamic spectrum access cognitive radio wireless networks: A survey. / Akyildiz, I. F., Lee, W. Y., Vuran, M. C. [и др.] // Computer Networks, 50(13), 2127-2159.

19. Ghasemi, A., & Sousa, E. S. Spectrum sensing in cognitive radio networks: Requirements, challenges and design trade-offs. / // IEEE Communications Magazine, 46(4), 32-39.

20. Optimization for Centralized and Decentralized Cognitive Radio Networks / M. Hasegawa, H. Hirai, K. Nagano [и др.] // Proceedings of the IEEE, vol. 102, no. 4, pp. 574-584, April 2014, doi: 10.1109/JPROC.2014.2306255

21. Advances in cognitive radio networks: A survey. / Wang, B., & Liu, K. J. R.. // IEEE Journal of Selected Topics in Signal Processing, 5(1), 5-23.

22. Cognitive radio: Brain-empowered wireless communications // Haykin, S. // IEEE Journal on Selected Areas in Communications, 23(2), 201-220.

23. Machine Learning Algorithm Estimation for Spectrum Multiple Access under Simulation and Real Datasets / Stenin A.V. // 2024 IEEE 25th International

Conference of Young Professionals in Electron Devices and Materials (EDM), Altai, Russian Federation, 2024. - P. 370-374, doi: 10.1109/EDM61683.2024.10615138.

24. R. D. Raut and K. D. Kulat, "SDR design for cognitive radio," 2011 Fourth International Conference on Modeling, Simulation and Applied Optimization, Kuala Lumpur, Malaysia, 2011, pp. 1-8, doi: 10.1109/ICMSA0.2011.5775512.

25. Официальный сайт SDR USRP B200 [Электронный ресурс]. - URL: https://www.ettus.com/all-products/ub200-kit/ - (дата обращения: 1.07.2025). - Текст : электронный

26. Официальный сайт SDR HackRF One [Электронный ресурс]. - URL: https://greatscottgadgets.com/hackrf/one/ - (дата обращения: 1.07.2025). - Текст : электронный

27. Официальный сайт SDR BladeRF [Электронный ресурс]. - URL: https://www.nuand.com/bladerf-1/ - (дата обращения: 1.07.2025). - Текст : электронный

28. Официальный сайт SDR ADALM PLUTO (ANALOG DEVICES) [Электронный ресурс]. - URL: https://www.analog.com/en/resources/evaluation-hardware-and-software/evaluation-boards-kits/adalm-pluto.html - (дата обращения: 1.07.2025). - Текст : электронный

29. Официальный сайт рабочей группы IEEE 802.11 [Электронный ресурс]. - URL: https://www.ieee802.org/11/ - (дата обращения: 1.07.2025). - Текст : электронный

30. Официальный сайт стандарта IEEE 802.16.1 [Электронный ресурс]. -URL: https://standards.ieee.org/ieee/802.16.1/5249/ - (дата обращения: 1.07.2025). -Текст : электронный

31. Мелентьев О.Г., Стенин А.В. Алгоритм генерации динамических каналов для моделирования системы когнитивного радио в среде Mathcad // Вопросы современных научных исследований (ВСНИ24) : Международная науч.-практ. конф. : Вестник современных исследований № 5-3 (20) : Омск, 2018. С. 484487. ISSN 2541-8300

32. В. И. Малыхин, О. М. Замятина Исследование и моделирование работы когнитивного радиостандарта IEEE 802.22 // Вестник СибГУТИ. 2014. № 1. URL: http://vestnik.sibsutis.ru/uploads/1394597289_7409.pdf (дата обращения: 13.03.2018)

33. J. Hillenbrand; Daimler-Chrysler AG, Sindelfingen, Germany; T. A. Weiss; F. K. Jondral (2005). "Calculation of detection and false alarm probabilities in spectrum pooling systems" (PDF). IEEE Communications Letters. 9 (4): 349-351.

34. K. Kotobi, P. B. Mainwaring, and S. G. Bilen, "Puzzle-based auction mechanism for spectrum sharing in cognitive radio networks", Wireless and Mobile Computing, Networking and Communications (WiMob), 2016 IEEE 12th International Conference on, October 2016.

35. Institute of Electrical and Electronics Engineers: IEEE 802.22 Project P802.22.1 [Электронный ресурс]. - http://www.ieee802.org/22. - (дата обращения: 19.02.2018). - Текст : электронный

36. IEEE 802.22: The First Cognitive Radio Wireless Regional Area Networks (WRANs) Standard / C.R. Stevenson, G. Chouinard, Zhongding Lei [и др.] // IEEE Communications Magazine". IEEE Communications Magazine. US: IEEE. 47 (1), 2009. pp. 130-138.

37. Villardi, G. P.; Abreu, G. Thadeu Freitas de; Harada, H. TV White Space Technology: Interference in Portable Cognitive Emergency Network // IEEE Vehicular Technology Magazine. 7 (2), 2012. pp. 4753. doi:10.1109/MVT.2012.2190221. ISSN 1556-6072

38. Официальный сайт PTC Mathcad. [Электронный ресурс] - URL: https://www.ptc.com/ru/products/mathcad (дата обращения 17.05.21). - Текст : электронный

39. Стенин A. В. Исследование алгоритмов смены радиочастотного канала в сетях когнитивного радио // Современные проблемы телекоммуникаций: материалы городской научно-технической конференции / Сибирский государственный университет телекоммуникаций и информатики, Новосибирск, 23 апр. 2015 г. Новосибирск : СибГУТИ, 2015. С. 571-575

40. Collision properties of GSM hopping sequences / Nyberg H., Craig, S., Magnusson S. [и др.] // 11th IEEE International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC), 2000, pp. 1004—1008

41. Мелентьев О. Г., Шевнина И. Е. Использование управляемого хоппинга для уменьшения коэффициента потерь блоков с ограниченным числом переспросов // Вестник СибГУТИ. 2012. №1

42. Стенин А. В. Исследование алгоритма адаптации систем когнитивного радио в условиях меняющихся параметров канала // Современные проблемы телекоммуникаций : Рос. науч.-техн. конф. : материалы конф. / Сиб. гос. ун-т телекоммуникаций и информатики. Новосибирск : СибГУТИ, 2016. С. 253-258.

43. Мелентьев О.Г. Теоретические аспекты передачи данных по каналам с группирующимися- ошибками /под редакцией профессора В.П. Шувалова -М.: Горячая линия -Телеком, 2007. -253 с.:ил.

44. Волков А.С. Разработка имитационной модели канала с группирующимися ошибками // Труды МАИ. 2023. № 128. URL: https://trudymai.ru/published.php?ID= 171396. DOI: 10.34759/trd-2023-128-12

45. Овчинников А.А., Вересова А.М. Сравнение вероятности ошибки декодирования кодов Рида-Соломона и низкоплотностных кодов в канале Гилберта-Эллиота // XXV Международная научная конференция «Волновая электроника и инфокоммуникационнные системы» (Санкт-Петербург, 30 мая-03 июня 2022): сборник статей - Санкт-Петербург: Санкт-Петербургский государственный университет аэрокосмического приборостроения, 2022. С.71-75

46. Колосовский А.В., Стенин А.В. Особенности моделирования алгоритмов беспроводных сенсорных сетей в диапазоне 2.4 ГГц // "Молодежь. Наука. Технологии" (МНТК-2017) : Международная науч.-техн. конф. : материалы конф. Новосибирск : НГТУ, 2017. С. 37-40.

47. Jinghu Chen, R.M. Tanner, A Hybrid Coding Scheme for the Gilbert-Elliot Channel // IEEE Transactions on Communications, 2006.

48. Zorzi M., Rao R.R. and and Milstein L.B. Error Statistics in Data Transmission over fading Channels // IEEE Transactions on Communications, November, 1998.

49. Шевнина И.Е. Прогнозирование качества приёма слота по результатам предыдущих попыток в каналах с группирующимися ошибками. - Материалы X международной конференции «Проблемы функционирования информационных сетей», 2008. - с. 143 -145.

50. Абель Майкл, Стриплинг Гвендолин Машинное обучение с малым объемом кодирования: практическое введение в искусственный интеллект на основе проектов/ - 2025. - 296 с.

51. Стенин А.В. Исследование эффективности алгоритма машинного обучения системы когнитивного радио для работы с динамическими каналами передачи данных // Современная наука: актуальные проблемы теории и практики. Серия «Естественные и технические науки» № 7 2018 г. ISSN 2223-2966

52. Стенин А.В. Исследование влияния длины канального буфера в случае применения различных стратегий работы системы когнитивного радио: Материалы городской научно-технической конференции, Новосибирск, 26 апр. 2016 г. -Новосибирск: СибГУТИ, 2018. ISBN 978-5-91434-032-9

53. Watkins, C. J. C. H., & Dayan, P.: Q-learning. Machine Learning, 8(3-4), 279-292. 1992 DOI: 10.1007/BF00992698

54. R. Scholtz, Frame Synchronization Techniques // IEEE Transactions on Communications, vol. 28, no. 8, pp. 1204-1213, August 1980, doi: 10.1109/TC0M.1980.1094813.

55. O. G. Melentyev, A. V. Stenin Estimation of the Frame Synchronization Error Probability for a "Noise - Preamble" Signal Section // 2019 International MultiConference on Engineering, Computer and Information Sciences (SIBIRCON), Novosibirsk, Russia, 2019, pp. 0172-0175, doi: 10.1109/SIBIRCON48586.2019.8958188

56. R. H. Barker, Group synchronizing of binary digital systems // Communication Theory, New York : Academic-Butterworth, 1953.

57. Волынская А.В., Калинин П.М. Новые Помехоустойчивые Сигналы Для Интеллектуального Канала Телемеханики // Фундаментальные исследования. 2012. № 11-4. С. 922-926. URL: https://fundamental-research.ru/ru/article/view?id=30684 (дата обращения: 01.07.2025). - Текст : электронный

58. W. Li, S. Zhou, P. Willett, Q. Zhang Preamble Detection for Underwater Acoustic Communications Based on Sparse Channel Identification // IEEE Journal of Oceanic Engineering, 2019.

59. G. Liu, J. Wang and T. Ban Frame detection based on cyclic autocorrelation and constant false alarm rate in burst communication systems // China Communications, vol. 12, no. 5, 2015. pp. 55-63, D, doi: 10.1109/CC.2015.7112044.

60. N. Mansour, D. Dahlhaus, P. Keshavamurthy Synchronization and channel estimation in DFT modulated filter bank cognitive radio transceivers // 2015 9th International Conference on Signal Processing and Communication Systems (ICSPCS), Cairns, QLD, Australia, 2015, pp. 1-7, doi: 10.1109/ICSPCS.2015.7391763.

61. Frame synchronization in frequency uncertainty / R. Pedone, M. Villanti, A. Vanelli-Coralli [и др.] // IEEE Transactions on Communications, vol. 58, no. 4, pp. 12351246. 2010, doi: 10.1109/TC0MM.2010.04.080350.

62. K. Pushpa, C. N. Kishore, Y. Yoganandam A new method for frame synchronization in OFDMA mode of WMAN, TENCON 2008 - 2008 IEEE Region 10 Conference, Hyderabad, India, 2008, pp. 1-6, doi: 10.1109/TENC0N.2008.4766711.

63. S. Saur, A. Weber, G. Schreiber Radio access protocols and preamble design for machine type communications in 5G // 2015 49th Asilomar Conference on Signals, Systems and Computers, Pacific Grove, CA, USA, 2015, pp. 8-12, doi: 10.1109/ACSSC.2015.7421049.

64. A PAR-DQ random access preamble detection algorithm in LTE-satellite communication system / J. Wang, G. Cui, Y. He, L. Jian, W. Wang, Y. Zhang [и др.] // 2014 Sixth International Conference on Wireless Communications and Signal Processing (WCSP), Hefei, China, 2014, pp. 1-5, doi: 10.1109/WCSP.2014.6992198.

65. Synchronization Procedure in 5G NR Systems / A. Omri, M. Shaqfeh, A. Ali [и др.] // IEEE Access, vol. 7, pp. 41286-41295, 2019, doi: 10.1109/ACCESS.2019.2907970.

66. Калачиков А.А., Резван И.И., Стенин А.В. Исследование влияния эффекта устаревания канала связи на характеристики прекодирования в системе MU-MISO при различной скорости перемещения абонентов. // Вестник СибГУТИ. 2024; 18(4): 32-42. https://doi.org/10.55648/1998-6920-2024-18-4-32-42

67. A. A. Kalachikov, A. V. Stenin. Performance Evaluation of the SRS Based MIMO Channel Estimation on 5G NR Open Source Channel Model // 2021 IEEE 22nd International Conference of Young Professionals in Electron Devices and Materials (EDM), 30 June - 4 July., Altay, pp. 124-127, DOI: 10.1109/EDM52169.2021.9507598

68. Melentiev O.G., Shevnina I.E., Stenin A.V. Reduction of Computitional Costs when Forming a Matrix of Transition Probabilities in a Cognitive Radio System // XV International Scientific and Technical Conference of "Actual Problems of Electronic Instrument Engineering (APEIE)", 19-21 Nov. 2021. Page(s):220-223 DOI:10.1109/APEIE52976.2021.9647440

69. Kalachikov A.A., Stenin A.V. Numerical Evaluation of the Channel Estimation in 5G NR Based on Machine Learning // International Conference of Young Specialists on Micro/Nanotechnologies and Electron Devices, EDM, 2022,30 June 2022 - 04 Jule 2022, pp. 285-288, 9507598 DOI: 10.1109/EDM55285.2022.9855055

70. Stenin A. The Advantages of Using Cognitive Radio Systems in Different Geographical Settings / A. Stenin ; res. adv. O. G. Melentyev ; lang. adv. T.S. Ilina // Progress through innovation : Theses city scientific and practical conference. Novosibirsk : NSTU, 2015. Р. 105-106.

71. Z. Mammeri Reinforcement Learning Based Routing in Networks: Review and Classification of Approaches // IEEE Access, vol. 7. 2019, doi: 10.1109/ACCESS.2019.2913776.

72. Stenin A.V. Machine Learning Algorithm Estimation for Spectrum Multiple Access under Simulation and Real Datasets // 2024 IEEE 25th International Conference

of Young Professionals in Electron Devices and Materials (EDM), Altai, Russian Federation, 2024, pp. 370-374, doi: 10.1109/EDM61683.2024.10615138.

73. Stenin A. Some Features of the Implementation of the Cognitive Radio Algorithm on the Board of the SDR Device Module. // 2025 IEEE XVII International Scientific and Technical Conference on Actual Problems of Electronic Instrument Engineering (APEIE), Novosibirsk, Russian Federation, 2025, pp. 1-5, doi: 10.1109/APEIE66761.2025.11289337

74. Стенин А.В. Свидетельство Роспатента о государственной регистрации программы для ЭВМ «Программа генерации состояний временных слотов на канальном уровне для исследования характеристик случайного множественного доступа» № 2023685309, Российская Федерация, заявитель и правообладатель: Федеральное государственное бюджетное образовательное учреждение высшего образования «Сибирский государственный университет телекоммуникаций и информатики». Заявл. 03.11.23, опубл. 24.11.23.

75. Стенин А.В. Свидетельство Роспатента о государственной регистрации программы для ЭВМ «Программа анализатор группирующихся состояний радиоканала для исследования характеристик случайного множественного доступа» №2024686499, Российская Федерация, заявитель и правообладатель: Федеральное государственное бюджетное образовательное учреждение высшего образования «Сибирский государственный университет телекоммуникаций и информатики». Заявл. 28.10.24, опубл. 08.11.24.

76. Стенин А.В. Свидетельство Роспатента о государственной регистрации программы для ЭВМ «Программа реализации алгоритма поиска свободных слотов в логическом канале на основе статистического прогноза для систем когнитивного радио» №2024686243, Российская Федерация, заявитель и правообладатель: Федеральное государственное бюджетное образовательное учреждение высшего образования «Сибирский государственный университет телекоммуникаций и информатики». Заявл. 28.10.24, опубл. 06.11.24.

77. Стенин А.В. Свидетельство Роспатента о государственной регистрации программы для ЭВМ «Программа получения информации о загруженности

каналов радиочастотного спектра для SDR устройства HackRF One» №2025693875 от 02.12.2025 Правообладатели: Федеральное государственное бюджетное образовательное учреждение высшего образования «Сибирский государственный университет телекоммуникаций и информатики»

78. Стенин А.В. Свидетельство Роспатента о государственной регистрации программы для ЭВМ «Программа построения логического канала системы когнитивного радио на основе алгоритма машинного обучения с подкреплением для SDR устройства HackRF One» №2025693874 от 02.12.2025 Правообладатели: Федеральное государственное бюджетное образовательное учреждение высшего образования «Сибирский государственный университет телекоммуникаций и информатики»

ПРИЛОЖЕНИЕ А

Генератор пучка каналов с динамически изменяющимися параметрами.

Алгоритм адаптивного выбора и смены канала (АВСК)

м о

nCCH <r- 1

Buf 5

for i s 0.. Lm — 1

M «-i

CCH <=- CHj if 11CCH = 3

CCH CH2 if nCCH = 2

CCH <r- CHI if nCCH = 1

M. . — l tf CCH. = 0 1.1 t

M. . — 0 tf CCH. = 1 1.1 t

Wehl Wehl + 1 if CHI. = 0

i

Wch2 Wch2 + 1 if CH2. = 0

L

Wch3 <=- Wch3 + 1 if CHj. = 0

L

if nCCH = 1 a Wch2 > Wehl + Buf nCCH <r- 2 continue

if nCCH = l a Wch3 > Wehl + Buf nCCH <r- 3 continue

if nCCH = 2 a Wehl > Wch2 + Buf nCCH <r- 1 continue

if nCCH = 2 a Wchj > Wch2 + Buf nCCH <r- 3 continue

if nCCH = 3 a Wehl > Wchj + Buf nCCH <r- 1 continue

if nCCH = 3 a Wch2 > Wchj + Buf

nCCH <r- 2

continue

M _ nCCH i,2

M

Алгоритм прогнозирования состояния канала

рк:ос2 :=

N11 ^ I ЙГ -\Vfcl > -\Vlc2 л ЛУкЗ Мк 2 £ ^тк2 > л ^ткЗ Ж 3 1±" %ткЗ > итк1 л Ш2 Ма О

1 £ Сэ.. Ьт

VI МАЙЗК1- Я Мк = I

I

VI МА5ЯК2- й" Ык = 2

VI МАЗВКЗ- а Мк = 3 1

М- 0 1

йг \1 = 1

Я Мк = 1

Мк 3 Я МАЙЗКЗ- . = О н-1

Мк 2 МА5БК2- . = О 1-1

Мк 3 £ ЧУкЗ > л МАЙБКЗ . = О

1-1

Мк ^ 2 ^ ЧУк2 > ЛУкЗ л МА£5К2- . = О

1+1

Мк 2 й1 МА55К2- . = 0 л МАЗВКЗ- . = 0л ЧУк2 > ЧУкЗ 1-1 1-1

Мк 3 £ МАВВК2. . = 0 л МАЗВКЗ. , = 0л ЧУкЗ > 1-1 1-1

Мк 4- 3 £ ЧУкЗ = тах(та1ЛУк2ЛУкЗ) л МАББК2^] = 1 л \1ASSK1_. = О

Мк 2 "\Ук2= тах(та1ЛУк2ЛУкЗ) л МАБЖХ^ = 0 л \1ASSKj._. = 1

Мк ^ 1 т1 = л МАВЕК2^] = 1 л МАБВКЗ^ ^ = 1

Мк 1 011161^156 Мз ^— 1+1 \-arl т(1(100) М1 1 I ЙГ уаг! < ■ 100

11 1 4- 3 ЙТ уаг! > -\Vbgl ■ 100

М. , 4- оЛепиае 1.1

sontiruiî i Nt = 1

Nk Э if MASSti. , = О i+l

if MA5SK1 , = О

Ltl

i if Wld s VU л MAS5K3 . = ï H-l

1 if Wtl > Wk3 л MASSK.Li+[ - » ] if MASSkl , = 0 л MASSK3- ..

l+l H-l

3 if MASSK.1. . = О л MAS5KJ „ ;

i+l t+l

Nk Nk Ms

Nki-I Í MASSkl ,-Ол MASK3- .-Ол Wkl >

i+l H-P

xk ^ 3 if MASSIG. . = &MASSES , - О Л WVS > wti i+i fi

Nk 4- 3 if ^ЪЗ - maxfWV] Wk2,Wki) л MAS5E2.^iJa MAS5K3, . = О Nk 2 ÜT Wfc2 = ai^Wfcl .WVJ.WW) л MASSKI , = Q л MASSKJ^. - 1 Ms <- I if Ш = ,Ws2.Wls3) л MASSK^ , = 1л MASSfO^ - l

Mi 4— î otbermsi

Ni <t- i + L

vari í— md( 100}

M. jf- I if vail < Wbg2 ■ 100 M- , i-3 if vail > Wbg2 100

сшивав INk-1

4 оИмспкс

M

if МАЗЖ1Ы= 0

Ms 2 if MASSER, - 0

Nk +- I if Wkl > "WE л MASSER L - 0

Nk 2 if U12 > Wtl л 11ASSK2 . я 1

L+ .

Nk

if MASSK 1 . = 0 л MASSK2 it 1

Nk *- 2 if MASSK li+. = 0 л MA5SK2,

It л Wkl > WM 0 A wWkl

Ms <- J if WU-шацТШ .WK.WIsî) л MASSER , = 1л MASSER. = 0

№fl if ЧТc2 ■ niait Wkl WMrWkl) л MASSX^, - 0 л MASSER. - L

Nk 1 if WklBBa^Wkl.Wk2rWkj) л liASKKi^ = 1 \ MAS5Kj,_. = L

M (- 3 Dlbtnnit Ks t- i - 1

v*1 - nd(lJ0Q

It j *- 1 if vari -í ■ 100

Ï.Î J 4- 3 if vk! > Wbgl ■ 100

Il ,1-4 ííbtrviijt

i. j

COnttflUf

if VI = О

j Nk

NH-i-1

U 2 1J

M

Программное обеспечение измерительного комплекса на основе SDR-устройства.

#include #include #include #include #include #include #include #include

<stdio.h>

<stdlib.h>

<math.h>

"hackrf.h"

<fftw3.h>

<unistd.h>

<time.h>

<stdint.h>

#define SAMPLE_RATE 12500000 #define FFT_SIZE 4096 #define STEP_FREQ 1000000 #define DWELL_TIME_MS 150 канала (частоты) #define RANGE DELAY MS 150 0

// 12.5 MS/s

// 1 MHz шаг

// 150ms время измерения одного

// 1500ms задержка между диапазона с

целью исключения шумов при перестройке оборудования

1 2 3

/sizeof(freq_ranges[0]);

hackrf_device* device = NULL; fftw_complex *fft_in, *fft_out; fftw_plan fft_plan;

const uint64_t freq_ranges[][2] = {

{400000000, 790000000}, // Диапазон {791000000, 862000000}, // Диапазон {2400000000, 2690000000} // Диапазон

};

const int num ranges = sizeof(freq ranges)

int rx_callback(hackrf_transfer* transfer) {

for (int i = 0; i < transfer->valid_length/2 && i < FFT_SIZE; i + +) {

fft_in[i][0] = transfer->buffer[2*i]; fft in[i][1] = transfer->buffer[2*i+1];

}

return 0;

}

float calculate_power_dBFS() { fftw_execute(fft_plan);

double max_power_dBFS = -200.0;

for (int i = FFT_SIZE/2 0; i < FFT_SIZE-FFT_SIZE/2 0; i++) { double power = (fft_out[i][0]*fft_out[i][0] + fft_out[i][1]*fft_out[i][1]) * (1.0/(FFT_SIZE*127.0*127.0));

double power_dBFS = 10*log10(power) + (-20*log10(FFT_SIZE)

if (power_dBFS > max_power_dBFS) { max_power_dBFS = power_dBFS;

}

}

return max power dBFS;

}

void write_csv_header(FILE *file) {

fprintf(file, "Timestamp(UTC),"); for (int r = 0; r < num_ranges; r++) {

for (uint64_t f = freq_ranges[r][0]; f <= freq_ranges[r][1]; f += STEP_FREQ) {

fprintf(file, "%.1f MHz,", f/1e6);

}

}

fprintf(file, "\n");

}

int main() {

// Mнмцма^мзацнн FFTW

fft_in =

(fftw_complex*)fftw_malloc(sizeof(fftw_complex)*FFT_SIZE); fft_out =

(fftw_complex*)fftw_malloc(sizeof(fftw_complex)*FFT_SIZE);

fft_plan = fftw_plan_dft_1d(FFT_SIZE, fft_in, fft_out, FFTW_FORWARD, FFTW_ESTIMATE);

// Инициализация HackRF

if (hackrf_init() != HACKRF_SUCCESS) return 1; if (hackrf_open(&device) != HACKRF_SUCCESS) return 1;

// Параметры устройства

hackrf_set_sample_rate(device, SAMPLE_RATE); hackrf_set_lna_gain(device, 32); hackrf_set_vga_gain(device, 20); hackrf_set_amp_enable(device, 0);

// Создание CSV char filename[64]; time_t now = time(NULL);

strftime(filename, sizeof(filename), "scan_%Y-%m-%d_%H-%M.csv", localtime(&now));

FILE *file = fopen(filename, "w"); write_csv_header(file);

while(1) {

time_t timestamp = time(NULL); fprintf(file, "%ld,", timestamp);

for (int r = 0; r < num_ranges; r++) {

for (uint64_t freq = freq_ranges[r][0]; freq <= freq_ranges[r][1]; freq += STEP_FREQ) {

hackrf_set_freq(device, freq);

usleep(DWELL_TIME_MS * 1000); hackrf_stop_rx(device);

float power = calculate_power_dBFS(); printf("%.1f MHz: %6.2f dBFS\n", freq/1e6, power); fprintf(file, "%.2f,", power);

}

if (r < num_ranges-1) usleep(RANGE_DELAY_MS * 1000);

}

fprintf(file, "\n"); fflush(file);

}

fclose(file);

hackrf_close(device);

hackrf_exit();

fftw_destroy_plan(fft_plan);

fftw_free(fft_in);

fftw_free(fft_out);

return 0;

}

Программа построения логического канала системы когнитивного радио на основе алгоритма машинного обучения с подкреплением для SDR устройства HackRF One

#include <stdio.h> #include <stdlib.h> #include <math.h> #include <string.h> #include "hackrf.h" #include <fftw3.h> #include <unistd.h> #include <time.h> #include <stdint.h> #include <dirent.h>

#define SAMPLE_RATE 12500000 // Частота дискретизации (12.5 MS/s) #define FFT_SIZE 4096

#define STEP_FREQ 1000000 // Шаг между частотами (1 МГц) #define TIME_BT_FREQ 150 // Задержка между сменой частоты (150 мс) #define RANGE_DELAY 1500 // Задержка, затраченная на перестройку частоты между диапазонами (1500 мс)

#define NUM_CHANNELS 128 //Количество каналов как операционное ограничение, система будет работать с указанным диапазоном #define Q_STATE_SIZE 10

#define NUM_ACTIONS 128 // Количество действий со средой обучения (каналами радиочастотного спектра) #define MAX_TRAINING_FILES 100

#define POWER_LIMIT -80.0 // Мощность (dBFS) для определения свободен ли канал, если значение мощности ниже порога #define ESTIMATE_DELAY 10000 // техническая задержка 10000 мкс

const uint64_t freq_ranges[][2] = {

{400000000, 790000000}, // Пример частотного диапазона 1 {791000000, 862000000}, // Пример частотного диапазона 2 {2400000000, 2690000000} // Пример частотного диапазона 3 }; //Указывается необходимое количество частотных диапазонов путем добавления блоков

const int num_ranges = sizeof(freq_ranges)/sizeof(freq_ranges[0]);

typedef struct {

double q_table[Q_STATE_SIZE][NUM_ACTIONS];

int current_channel;

int channel_history[5];

int history_index;

double exp_rate;

double learning_rate;

double discount_factor;

int training_complete;

double channel_availability[NUM_ACTIONS]; // Отслеживание статистики для канала

int channel visits[NUM ACTIONS];

} QLearning;

hackrf_device* device = NULL; fftw_complex *fft_in, *fft_out; fftw_plan fft_plan; QLearning q_learner;

// Указатель на параметры Q-обучения

void init_q_learning(QLearning *ql, double learning_rate, double discount_factor, double exp_rate) {

ql->learning_rate = learning_rate; ql->discount_factor = discount_factor; ql->exp_rate = exp_rate;

ql->current_channel = rand() % NUM_CHANNELS; ql->history_index = 0; ql->training_complete = 0;

// Инициализируем Q-таблицу с некоторыми случайными значениями for (int i = 0; i < Q_STATE_SIZE; i++) {

for (int j = 0; j < NUM_ACTIONS; j++) {

ql->q_table[i][j] = ((double)rand() / RAND_MAX) * 0.1;

}

}

// Статистика для канала

for (int i = 0; i < NUM_ACTIONS; i++) {

ql->channel_availability[i] = 0.5; // Start with neutral assumption

ql->channel_visits[i] = 0;

}

// Записьм истории статистики for (int i = 0; i < 5; i++) {

ql->channel_history[i] = 0;

}

}

// Hash состояние для Q-learning int hash_state(QLearning *ql) { unsigned long hash = 0; for (int i = 0; i < 5; i++) {

hash = hash * 31 + ql->channel_history[i];

}

return hash % Q_STATE_SIZE;

}

// Выбор действия для канала

int choose_action(QLearning *ql) {

if ((double)rand() / RAND_MAX < ql->exp_rate) { // Выбор случайного канала return rand() % NUM_ACTIONS; } else {

// Выбор лучшего известного канала

int state = hash_state(ql); int best_action = 0;

double best_value = ql->q_table[state][0];

for (int i = 1; i < NUM_ACTIONS; i++) {

if (ql->q_table[state][i] > best_value) { best_value = ql->q_table[state][i]; best_action = i;

}

}

return best_action;

}

}

// Обновление Q-таблицы

void update_q_learning(QLearning *ql, int action, double reward, int next_state) {

int current_state = hash_state(ql);

// Найдем максимальное значение Q для следующего состояниия среды

double max_next_q = ql->q_table[next_state][0]; for (int i = 1; i < NUM_ACTIONS; i++) {

if (ql->q_table[next_state][i] > max_next_q) { max_next_q = ql->q_table[next_state][i];

}

}

// Обновление Q-таблицы согласно стандарной формуле для такого типа обучения

ql->q_table[current_state][action] =

(1 - ql->learning_rate) * ql->q_table[current_state][action]

+

ql->learning_rate * (reward + ql->discount_factor * max_next_q);

// Перезапись (очередное обновление) истории ql->channel_history[ql->history_index] = action; ql->history_index = (ql->history_index + 1) % 5;

}

// Обновление статистики

void update_channel_stats(QLearning *ql, int channel, double power) {

ql->channel_visits[channel]++;

int is free = (power < POWER LIMIT) ? 1 : 0;

double alpha = 0.1;

ql->channel_availability[channel] =

(1 - alpha) * ql->channel_availability[channel] + alpha * is free;

// Конвертация индекса канала к частоте uint64_t channel_to_frequency(int channel) { int total_channels = 0; for (int r = 0; r < num_ranges; r++) {

uint64_t range_width = freq_ranges[r][1] -freq_ranges[r][0];

int channels_in_range = range_width / STEP_FREQ + 1;

if (channel < total_channels + channels_in_range) { int channel_in_range = channel - total_channels; return freq_ranges[r][0] + channel_in_range * STEP_FREQ;

}

total_channels += channels_in_range;

}

return freq_ranges[0][0];

}

// Доступность каналов int calculate_total_channels() { int total = 0;

for (int r = 0; r < num_ranges; r++) {

uint64_t range_width = freq_ranges[r][1] -freq_ranges[r][0];

total += range_width / STEP_FREQ + 1;

}

return total;

}

// СЕКЦИЯ ПОДКЛЮЧЕНИЯ .CSV ФАЙЛОВ ДЛЯ ПРЕДВАРИТЕЛЬНОГО ОБУЧЕНИЯ СИСТЕМЫ (до 100 файлов в рабочей директории)

int find_csv_files(const char *directory, char files[][256], int max_files) { DIR *dir;

struct dirent *entry; int count = 0;

dir = opendir(directory); if (dir == NULL) {

printf("Cannot open directory: %s\n", directory); return 0;

}

while ((entry = readdir(dir)) != NULL && count < max_files) { if (strstr(entry->d_name, ".csv") != NULL) {

snprintf(files[count], 256, "%s/%s", directory, entry-

>d_name);

count++;

}

}

closedir(dir); return count;

// Читаем файлы с проверкой возможности октрытия файлов на чтение int parse_csv_file(const char *filename, double **channel_powers, int *num_samples) {

FILE *file = fopen(filename, "r"); if (file) {

printf("Cannot open file: %s\n", filename); return 0;

}

}

char line[16384]; int sample_count = 0; int max_samples = 1000;

// Выделяем память для значений мощности радиочастотного спектра в канале.

*channel_powers = malloc(max_samples * NUM_CHANNELS * sizeof(double));

if (!*channel_powers) { fclose(file); return 0;

}

if (!fgets(line, sizeof(line), file)) { fclose(file); free(*channel_powers); return 0;

}

while (fgets(line, sizeof(line), file) && sample_count < max_samples) {

char *token = strtok(line, ","); int channel = 0;

// Поле "timestamp" тренировочного надобора не учитывается token = strtok(NULL, ",");

while (token != NULL && channel < NUM_CHANNELS) {

(*channel_powers)[sample_count * NUM_CHANNELS + channel] = atof(token);

token = strtok(NULL, ","); channel++;

}

sample_count++;

}

fclose(file);

*num_samples = sample_count; return 1;

}

// СЕКЦИЯ ОБУЧЕНИЯ МОДЕЛИ ПО ТРЕНИРОВОЧНЫМ ДАННЫМ

void train_from_csv(QLearning *ql, const char *training_dir) {

printf("Startt training from CSV files in: %s\n", training_dir);

char csv_files[MAX_TRAINING_FILES][2 5 6];