Техніка та енергетика

Математична модель функціонування рухомої системи радіозв’язку побудованої на програмно керованих засобах

Григорій Радзівілов, Дмитро Павлюк
Завантажити статтю
Анотація

Метою дослідження було розроблення узагальненої математичної моделі функціонування багатоантенних систем радіозв’язку в умовах дії випадкових та навмисних завад і аналітичне описання впливу завадово-шумових та нестаціонарних чинників на захищеність і надійність передавання інформації. У роботі застосовано матричну модель каналу, просторово-часове блокове кодування, ортонормальне подання сигналів у спільному сигнальному просторі та статистичне моделювання шуму і завад у координатах базису. Результати дослідження показали, що за квазістаціонарності каналу на інтервалі блокової передачі та ортогональності просторово-часової структури формується оборотний канальний оператор. За таких умов забезпечується лінійне відновлення переданого вектора символів і когерентне підсумовування корисної складової при статистичній незалежності шумових компонент на виході декодера. Корисний сигнал, флуктуаційний шум і навмисні завади мають узгоджену координатну структуру в одному ортонормальному сигнальному просторі. Унаслідок цього якість кожного антенного каналу визначається енергетичним балансом між корисною енергією та спектральними параметрами шуму і завад, що задає віддаленість сигнальних точок від областей помилкового рішення. Деградація констеляції описується композицією геометричних перетворень (обертання, масштабування, квадратурна деформація) і стохастичних збурень (фазове тремтіння, інтерференція, адитивний шум), а параметри цих спотворень ідентифікуються за математичним сподіванням, дисперсією та коваріацією координат прийнятих символів. Часова нестаціонарність каналу визначається доплерівським зсувом і кореляційною структурою коефіцієнта передачі, а еліптична геометрична модель розсіювання пов’язує затримки багатопроменевих компонентів із просторовою конфігурацією розсіювачів. Практична значущість результатів полягає у можливості використання запропонованої моделі для аналізу й оптимізації багатоантенних радіосистем на програмно керованих засобах в умовах шумів, завад і нестаціонарного каналу. Її застосування сприяє обґрунтуванню параметрів модуляції та кодування, а також підвищенню надійності й завадозахищеності радіозв’язку

Ключові слова

просторово-часове кодування; адитивний шум; навмисне втручання; MIMO; програмно визначене радіо; ефект Доплера

ЦИТУВАТИ
Radzivilov, H., & Pavliuk, D. (2026). Mathematical model of the functioning of a mobile radio communication system built on software-defined means. Machinery & Energetics, 17(1), 55-72. https://10.31548/machinery/1.2026.55
Використані джерела
  1. Abdallah, M.A., Nassr, M., Anbar, M., & Alasadi, H.A.A. (2023). BER improvement in 5G MU MIMO-OFDM systems using channel coding techniques. Pure and Applied Optics, 56(1), article number 51121. doi: 10.7149/OPA.56.1.51121.
  2. Ahmed, M., Wahid, A., Laique, S.S., Khan, W.U., Ihsan, A., Xu, F., Chatzinotas, S., & Han, Z. (2023). A survey on STAR-RIS: Use cases, recent advances, and future research challenges. IEEE Internet of Things Journal, 10(16), 14689-14711. doi: 10.1109/JIOT.2023.3279357.
  3. Alqahtani, A.S., Pandiaraj, S., Alshmrany, S., Almalki, A.J., Prabhu, S., & Kumar, U.A. (2024). Enhancing MIMO-OFDM channel estimation in 5G and beyond with conditional self-attention generative adversarial networks. Wireless Networks, 30(3), 1719-1736. doi: 10.1007/s11276-023-03615-y.
  4. Amadid, J., Belhabib, A., Khabba, A., Zeroual, A., & Hassani, M.M. (2022). On channel estimation and spectral efficiency for cell‐free massive MIMO with multi‐antenna access points considering spatially correlated channels. Transactions on Emerging Telecommunications Technologies, 33(5), article number e4438. doi: 10.1002/ett.4438.
  5. Balamurugan, K., & Janakiraman, N. (2025). DVB-RCS2 satellite link optimization for efficient data transmission using cascaded coding approach in MIMO-OFDM system. Wireless Personal Communications, 144(3), 435-462. doi: 10.1007/s11277-025-11856-7.
  6. Chodisetti, L.S.S.P.K., Donga, M., Tella, P.V., Rao, K.P., Chandra, K.R., Budumuru, P.R., & Rao, C.V. (2023). Equalization based soft output data detection for massive MU-MIMO-OFDM using coordinate descent. In P. Pareek, N. Gupta & M.J.C.S. Reis (Eds.), 4th EAI international conference: Cognitive computing and cyber physical systems (pp. 173-184). Cham: Springer. doi: 10.1007/978-3-031-48891-7_14.
  7. de la Fuente, A., Interdonato, G., & Araniti, G. (2022). User subgrouping and power control for multicast massive MIMO over spatially correlated channels. IEEE Transactions on Broadcasting, 68(4), 834-847. doi: 10.1109/TBC.2022.3190990.
  8. Du, P., Zhang, C., Jing, Y., Fang, C., Zhang, Z., & Huang, Y. (2026). Jamming detection and channel estimation for spatially correlated beamspace massive MIMO. IEEE Transactions on Wireless Communications, 25, 3910-327. doi: 10.1109/TWC.2025.3607091.
  9. Ge, L., Qi, C., Guo, Y., Qian, L., Tong, J., & Wei, P. (2022). Classification weighted deep neural network based channel equalization for massive MIMO-OFDM systems. Radioengineering, 31(3), 346-356. doi: 10.13164/re.2022.0346.
  10. Harkat, H., Monteiro, P., Gameiro, A., Guiomar, F., & Ahmed, H.F.T. (2022). A survey on MIMO-OFDM systems: Review of recent trends. Signals, 3(2), 359-395. doi: 10.3390/signals3020023.
  11. Iklodiya, H., & Bhanwar, M.S. (2025). Noma based communication in 5G scheme on nonlinear real signal SVM OFDM system. International Journal of Research & Technology, 13(3), 365-377.
  12. Islam, M., Islam, A., & Ahmed, F. (2025). A DNN-based 5G MIMO system adopting a mix of tactics. Discover Electronics, 2(1), article number 15. doi: 10.1007/s44291-025-00055-0.
  13. Kamga, G.N., Xia, M., & Aïssa, S. (2017). Spectral-efficiency analysis of regular- and large-scale (Massive) MIMO with a comprehensive channel model. IEEE Transactions on Vehicular Technology, 66(6), 4984-4996. doi: 10.1109/TVT.2016.2620489.
  14. Khudov, H., Diakonov, O., Kuchuk, N., Maliuha, V., Furmanov, K., Mylashenko, I., Olshevskyi, Y., Stetsiv, S., Solomonenko, Y., & Yuzova, I. (2021). Method for determining coordinates of airborne objects by radars with additional use of ADS-B receivers. Eastern-European Journal of Enterprise Technologies, 4(9(112)), 54-64. doi: 10.15587/1729-4061.2021.238407.
  15. Khudov, H., Kostianets, O., Kovalenko, O., Maslenko, O., & Solomonenko, Y. (2023). Using Software-Defined radio receivers for determining the coordinates of low-visible aerial objects. Eastern-European Journal of Enterprise Technologies, 4(9(124)), 61-73. doi: 10.15587/1729-4061.2023.286466.
  16. Kotb, M.M.E., Mohamed, M.R.A.H., Fahmy, A.Y.H.A., & Mohra, A.S.S.S. (2025). Fine carrier frequency offset estimation for OFDM and MIMO-OFDM systems: A comparative study. Scientific Reports, 15, article number 15622. doi: 10.1038/s41598-025-98233-3.
  17. Kumar, A., & Nanthaamornphong, A. (2025). Signal detection of massive MIMO-OTFS using DNN algorithm with diverse channel state estimation. Physics Open, 25, article number 100332. doi: 10.1016/j.physo.2025.100332.
  18. Kumar, M.P., Summaq, A., Chinnadurai, S., Kumaravelu, V.B., Selvaprabhu, P., Imoize, A.L., & Jaiswal, G. (2025). An overview of channel modeling and propagation measurements in IRS‐based wireless communication systems. In A.L. Imoize, V.B. Kumaravelu & D.-T. Do (Eds.), Reconfigurable intelligent surfaces for 6G and beyond wireless networks (pp. 435-473). Hoboken: John Wiley &Sons. doi: 10.1002/9781394250141.ch13.
  19. Ma, Y., Yang, L., & Zheng, X. (2018). A geometry-based non-stationary MIMO channel model for vehicular communications. China Communications, 15(7), 30-38. doi: 10.1109/CC.2018.8424580.
  20. Pande, M., Kulkarni, A.J., & Shastri, A.S. (2025). Multiple input multiple output schemes in 3G, 4G, and 5G networks. In Optimization methods in mobile communication systems: A machine-generated literature overview (pp. 129-220). Singapore: Springer. doi: 10.1007/978-981-95-1810-4_3.
  21. Papazafeiropoulos, A., Tran, L.-N., Abdullah, Z., Kourtessis, P., & Chatzinotas, S. (2024). Achievable rate of a STAR-RIS assisted massive MIMO system under spatially-correlated channels. IEEE Transactions on Wireless Communications, 23(2), 1550-1564. doi: 10.1109/TWC.2023.3290325.
  22. Reddy, G.K., & Sheeba, G.M. (2024). Enhancing PAPR performance in MIMO-OFDM system using hybrid optimal MMSE-MLSE equalizers. Multimedia Tools and Applications, 83(10), 28993-29013. doi: 10.1007/s11042-023-16489-1.
  23. Riabukha, V.P., Semeniaka, A.V., Katiushyn, Ye.A., & Atamanskiy, D.V. (2022). Comparative experimental investigations of adaptive and non-adaptive MTI systems in pulse radars of various applications and wave ranges. Radioelectronics and Communications Systems, 65, 165-176. doi: 10.3103/S073527272204001X.
  24. Ribeiro, L., Leinonen, M., Al-Tous, H., Tirkkonen, O., & Juntti, M. (2022). Channel charting aided pilot reuse for massive MIMO systems with spatially correlated channels. IEEE Open Journal of the Communications Society, 3, 2390-2406. doi: 10.1109/OJCOMS.2022.3225054.
  25. Shankar, R. (2023). Bi‐directional LSTM based channel estimation in 5G massive MIMO OFDM systems over TDL‐C model with Rayleigh fading distribution. International Journal of Communication Systems, 36(16), article number e5585. doi: 10.1002/dac.5585.
  26. Shi, E., Zhang, J., He, R., Jiao, H., Wang, Z., Ai, B., & Ng, D.W.K. (2022). Spatially correlated reconfigurable intelligent surfaces-aided cell-free massive MIMO systems. IEEE Transactions on Vehicular Technology, 71(8), 9073-9077. doi: 10.1109/TVT.2022.3175459.
  27. Singh, A., & Saha, S. (2022). Machine/deep learning based estimation and detection in OFDM communication systems with various channel imperfections. Wireless Networks, 28(6), 2637-2650. doi: 10.1007/s11276-022-02994-y.
  28. Singh, Y. (2026). NI-USRP and ANN-based wireless real-time monitoring of liquid level using non-contact capacitive level sensor. IETE Technical Review, 43(1), 58-69. doi: 10.1080/02564602.2025.2589806.
  29. Sui, Z., Ngo, H.Q., Van Chien, T., Matthaiou, M., & Hanzo, L. (2025). RIS-assisted cell-free massive MIMO relying on reflection pattern modulation. IEEE Transactions on Communications, 73(2), 968-982. doi: 10.1109/TCOMM.2024.3446589.
  30. Xiao, J., Wang, J., Wang, Z., Wang, J., Xie, W., & Liu, Y. (2024). Multi-task learning for near/far field channel estimation in STAR-RIS networks. IEEE Transactions on Communications, 72(10), 6344-6359. doi: 10.1109/TCOMM.2024.3402619.
  31. Yang, M., Zhang, S., Shao, S., Guo, C., & Tang, W. (2017). Statistical modeling of the high altitude platform dual-polarized MIMO propagation channel. China Communications, 14(3), 43-54. doi: 10.1109/CC.2017.7897321.
  32. Ye, N., An, J., & Yu, J. (2021). Deep-learning-enhanced NOMA transceiver design for massive MTC: Challenges, state of the art, and future directions. IEEE Wireless Communications, 28(4), 66-73. doi: 10.1109/MWC.001.2000472.
  33. Zhao, L., Wang, H., Chen, J., & Meng, X. (2024). Multi-array visible-light optical generalized spatial multiplexing – multiple input multiple-output system with pearson coefficient-based antenna selection. Photonics, 11(1), article number 67. doi: 10.3390/photonics11010067.