radioelectronicsИзвестия высших учебных заведений России. РадиоэлектроникаJournal of the Russian Universities. Radioelectronics1993-89852658-4794Saint Petersburg Electrotechnical University10.32603/1993-8985-2025-28-3-11-23radioelectronics-1013Research ArticleРАДИОТЕХНИЧЕСКИЕ СРЕДСТВА ПЕРЕДАЧИ, ПРИЕМА И ОБРАБОТКИ СИГНАЛОВRADIO ELECTRONIC FACILITIES FOR SIGNAL TRANSMISSION, RECEPTION AND PROCESSINGГибко конфигурируемый модульный нейросетевой OFDM-приемникFlexible Configurable Modular Neural Network-Based OFDM Receiverhttps://orcid.org/0000-0003-0968-9708СергиенкоА. Б.SergienkoA. B.

Сергиенко Александр Борисович – кандидат технических наук (1995), доцент (1998), профессор кафедры теоретических основ радиотехники

Автор более 140 научных работ. Сфера научных интересов – обработка сигналов в системах цифровой связи.

ул. Профессора Попова, д. 5 Ф, Санкт-Петербург, 197022

Alexander B. Sergienko, Cand. Sci. (Eng.) (1995), Associate Professor (1998), Professor of the Department of Theoretical Fundamentals of Radio Engineering

The author of more than 140 scientific publications. Area of expertise: signal processing in digital communications.

5 F, Professor Popov St., St Petersburg 197022

absergienko@etu.ruhttps://orcid.org/0000-0002-5636-8344АпалинаП. В.ApalinaP. V.

Апалина Полина Владимировна – магистр по направлению "Радиотехника", аспирантка кафедры теоретических основ радиотехники

Автор 11 научных работ. Сфера научных интересов – сигнально-кодовые конструкции для некогерентного приема.

ул. Профессора Попова, д. 5 Ф, Санкт-Петербург, 197022

Polina V. Apalina, Master's degree in Radio Engineering, Post-graduate student of the Department of Theoretical Fundamentals of Radio Engineering

The author of 11 scientific publications. Area of expertise: coded modulation for noncoherent reception.

5 F, Professor Popov St., St Petersburg 197022

https://orcid.org/0009-0004-3644-8306ЛебединскаяА. Д.LebedinskayaA. D.

Лебединская Анастасия Дмитриевна – магистр по направлению "Радиотехника", аспирантка кафедры теоретических основ радиотехники

Автор двух научных публикаций. Сфера научных интересов – рандомизированные алгоритмы декодирования помехоустойчивых кодов.

ул. Профессора Попова, д. 5 Ф, Санкт-Петербург, 197022

Anastasia D. Lebedinskaya, Master's degree in Radio Engineering, Postgraduate student of the Department of Theoretical Fundamentals of Radio Engineering

The author of 2 scientific publications. Area of expertise: randomized algo- rithms for decoding of error-correcting codes.

5 F, Professor Popov St., St Petersburg 197022

Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В. И. Ульянова (Ленина)РоссияSaint Petersburg Electrotechnical UniversityRussian Federation2025050720252831123Copyright © Сергиенко А.Б., Апалина П.В., Лебединская А.Д., 20252025Сергиенко А.Б., Апалина П.В., Лебединская А.Д.Sergienko A.B., Apalina P.V., Lebedinskaya A.D.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://re.eltech.ru/jour/article/view/1013

Введение. Ортогональное частотное мультиплексирование (OFDM) является доминирующей схемой модуляции в мобильной связи. OFDM-системы должны быть работоспособны в широком диапазоне свойств многолучевого канала связи с замираниями. В последнее время активно развиваются подходы к построению OFDM-приемников на основе методов машинного обучения, в том числе искусственных нейронных сетей. Как правило, нейросети в таких приемниках обучаются для одной конкретной конфигурации системы связи. Это затрудняет использование нейросетевых приемников в реальных системах и делает актуальной задачу разработки более гибких схем.Цель работы. Получить и оптимизировать структуру OFDM-приемника, основанного на искусственной нейросети и состоящего из отдельных модулей, комбинируемых в зависимости от конфигурации пилот-сигналов и используемого вида модуляции.Материалы и методы. Приведенные результаты получены с помощью компьютерного моделирования в среде MATLAB.Результаты. Предложенная архитектура нейросетевого OFDM-приемника основана на комбинации двух многослойных персептронов, первый из которых в неявной форме реализует оценку состояния канала связи и компенсацию искажений, а второй осуществляет демодуляцию. При этом первый персептрон формирует промежуточные представления символов данных, для которых при обучении сети не было конкретных образцов, а экземпляры второго персептрона работают с этими представлениями для отдельных символов данных. Варианты второго персептрона были обучены для трех видов квадратурной амплитудной модуляции (КАМ): КАМ-4, КАМ-16 и КАМ-64.Заключение. Разработанный OFDM-приемник для всех рассмотренных видов модуляции обеспечил частоту ошибок, сравнимую с результатами базовых алгоритмов при благоприятных условиях канала (умеренный разброс задержек при низком доплеровском разбросе), и превзошел базовые показатели в тяжелых условиях (канал с большим разбросом задержек и высоким доплеровским разбросом). Возможные направления дальнейшего развития предлагаемого подхода – нейросетевое формирование мягких решений демодулятора и разработка специализированных слоев нейросети, облегчающих аппроксимацию необходимых операций. 

Introduction. Orthogonal frequency division multiplexing (OFDM) is the dominant modulation scheme in mobile communications. OFDM systems should be capable of operating across a wide range of multipath fading channel conditions. The recent research focus in this field has been on the design of OFDM receivers based on machine learning, including artificial neural networks. Neural networks in such receivers are typically trained for one specific communication system configuration. This complicates the use of neural network-based receivers in real-world systems, thus rendering development of more flexible schemes highly relevant.Aim. To obtain and optimize the structure of an OFDM receiver based on an artificial neural network and consisting of separate modules that can be combined depending on the configuration of the pilot signals and the modulation used.Materials and methods. Computer simulation in the MATLAB environment.Results. The proposed architecture of a neural network-based OFDM receiver uses a combination of two multilayer perceptrons, one of which implicitly implements channel state information estimation and equalization, and the other performs demodulation. The first perceptron forms intermediate representations of data symbols, for which there were no specific references during network training, while the instances of the second perceptron work with these representations for individual data symbols. Variants of the second perceptron were trained for three quadrature modulation (QAM) constellations: 4QAM, 16QAM, and 64QAM.Conclusion. The proposed OFDM receiver for all considered modulation types provided error rates comparable to those of the baseline algorithms under favorable channel conditions (moderate delay spread with low Doppler spread) and outperformed baseline algorithms in severe conditions (channel with a large delay spread and high Doppler spread). Further research directions involve neural network-based generation of soft decisions of the demodulator and development of specialized layers of the neural network that would facilitate approximation of the necessary operations.

ортогональное частотное мультиплексированиеоценка каналасовместная оценка канала и демодуляция данныхквадратурная амплитудная модуляцияглубокое обучениемногослойный персептронorthogonal frequency division multiplexingchannel estimationjoint channel estimation and data demodulationquadrature amplitude modulationdeep learningmultilayer perceptronИсследование выполнено в СПбГЭТУ "ЛЭТИ" за счет гранта Российского научного фонда № 24-29-00560, https://rscf.ru/project/24-29-00560/This research was carried out at Saint Petersburg Electrotechnical University and supported by the Russian Science Foundation under grant No. 24-29-00560, https://rscf.ru/en/project/24-29-00560/.ReferencesLTE; Evolved Universal Terrestrial Radio Access (E-UTRA); Physical channels and modulation (3GPP TS 36.211 version 18.0.1 Release 18). ETSI, 2024. URL: https://www.etsi.org/deliver/etsi_ts/136200_136299/136211/18.00.01_60/ts_136211v180001p.pdf (дата обращения 09.06.2025).LTE; Evolved Universal Terrestrial Radio Access (E-UTRA); Physical channels and modulation (3GPP TS 36.211 version 18.0.1 Release 18). ETSI, 2024. Available at: https://www.etsi.org/deliver/etsi_ts/136200_136299/136211/18.00.01_60/ts_136211v180001p.pdf (accessed 09.06.2025).G; NR; Physical channels and modulation (3GPP TS 38.211 version 18.2.0 Release 18). ETSI, 2024. URL: https://www.etsi.org/deliver/etsi_ts/138200_138299/138211/18.02.00_60/ts_138211v180200p.pdf (дата обращения 09.06.2025).G; NR; Physical channels and modulation (3GPP TS 38.211 version 18.2.0 Release 18). ETSI, 2024. Available at: https://www.etsi.org/deliver/etsi_ts/138200_138299/138211/18.02.00_60/ts_138211v180200p.pdf (accessed 09.06.2025).G RAN – key building blocks for new 6G radio access networks. URL: https://www.ericsson.com/en/blog/2024/5/future-6g-radio-access-network-designchoices (дата обращения 04.12.2024).G RAN – key building blocks for new 6G radio access networks. Available at: https://www.ericsson.com/ en/blog/2024/5/future-6g-radio-access-network-designchoices (accessed 04.12.2024).Deep learning-based channel estimation / M. Soltani, V. Pourahmadi, A. Mirzaei, H. Sheikhzadeh // IEEE Communications Let. 2019. Vol. 23, № 4. P. 652–655. doi: 10.1109/LCOMM.2019.2898944Soltani M., Pourahmadi V., Mirzaei A., Sheikhzadeh H. Deep Learning-Based Channel Estimation. IEEE Communications Let. 2019, vol. 23, no. 4, pp. 652–655. doi: 10.1109/LCOMM.2019.2898944Luan D., Thompson J. Low complexity channel estimation with neural network solutions // 25th Intern. ITG Workshop on Smart Antennas, French Riviera, France, 10– 12 Nov. 2021. IEEE, 2021. P. 1–6.Luan D., Thompson J. Low Complexity Channel Estimation with Neural Network Solutions. 25th Intern. ITG Workshop on Smart Antennas, French Riviera, France, 10– 12 Nov. 2021. IEEE, 2021, pp. 1–6.Zhao S., Fang Y., Qiu L. Deep learning-based channel estimation with SRGAN in OFDM systems // IEEE Wireless Communications and Networking Conf. (WCNC), Nanjing, China, 29 March–01 Apr. 2021. IEEE, 2021. P. 1–6. doi: 10.1109/WCNC49053.2021.9417242Zhao S., Fang Y., Qiu L. Deep Learning-Based Channel Estimation with SRGAN in OFDM Systems. IEEE Wireless Communications and Networking Conf. (WCNC), Nanjing, China, 29 March–01 Apr. 2021. IEEE, 2021, pp. 1–6. doi: 10.1109/WCNC49053.2021.9417242Deep learning channel estimation for OFDM 5G systems with different channel models / A. S. M. Mohammed, A. I. A. Taman, A. M. Hassan, A. Zekry // Wireless Personal Communications. 2023. Vol. 128, № 4. P. 2891–2912. doi: 10.1007/s11277-022-10077-6Mohammed A. S. M., Taman A. I. A., Hassan A. M., Zekry A. Deep Learning Channel Estimation for OFDM 5G Systems with Different Channel Models. Wireless Personal Communications. 2023, vol. 128, no. 4, pp. 2891–2912. doi: 10.1007/s11277-022-10077-6Peng Q., Li J., Shi H. Deep learning based channel estimation for OFDM systems with doubly selective channel // IEEE Communications Let. 2022. Vol. 26, № 9. P. 2067–2071. doi: 10.1109/LCOMM.2022.3187161Peng Q., Li J., Shi H. Deep Learning Based Channel Estimation for OFDM Systems with Doubly Selective Channel. IEEE Communications Let. 2022, vol. 26, no. 9, pp. 2067–2071. doi: 10.1109/LCOMM.2022.3187161Neural network-based OFDM receiver for resource constrained IoT devices / N. Soltani, H. Cheng, M. Belgiovine, Y. Li, H. Li, B. Azari, S. D'Oro, T. Imbiriba, T. Melodia, P. Closas, Y. Wang, D. Erdogmus, K. Chowdhury // IEEE Internet of Things Magazine. 2022. Vol. 5, № 3. P. 158–164. doi: 10.1109/IOTM.001.2200051Soltani N., Cheng H., Belgiovine M., Li Y., Li H., Azari B., D'Oro S., Imbiriba T., Melodia T., Closas P., Wang Y., Erdogmus D., Chowdhury K. Neural Network-Based OFDM Receiver for Resource Constrained IoT Devices. IEEE Internet of Things Magazine. 2022, vol. 5, no. 3, pp. 158–164. doi: 10.1109/IOTM.001.2200051Ye H., Li G. Y., Juang B.-H. Power of deep learning for channel estimation and signal detection in OFDM systems // IEEE Wireless Communications Let. 2018. Vol. 7, № 1. P. 114–117. doi: 10.1109/LWC.2017.2757490Ye H., Li G. Y., Juang B.-H. Power of Deep Learning for Channel Estimation and Signal Detection in OFDM Systems. IEEE Wireless Communications Let. 2018, vol. 7, no. 1, pp. 114–117. doi: 10.1109/LWC.2017.2757490Adaptive neural network-based OFDM receivers / M. B. Fischer, S. Dörner, S. Cammerer, T. Shimizu, H. Lu, S. T. Brink // IEEE 23rd Intern. Workshop on Signal Processing Advances in Wireless Communication (SPAWC). 2022. P. 1–5. doi: 10.1109/SPAWC51304.2022.9833970Fischer M. B., Dörner S., Cammerer S., Shimizu T., Lu H., Brink S. T. Adaptive Neural NetworkBased OFDM Receivers. IEEE 23rd Intern. Workshop on Signal Processing Advances in Wireless Communication (SPAWC). 2022, pp. 1–5. doi: 10.1109/SPAWC51304.2022.9833970A signal processing method of OFDM communication receiver based on CNN / B. Wang, H. Dai, K. Xu, Y. Sun, Y. Zhang, P. Li // Physical Communication. 2023. Vol. 59. Art. № 102055. doi: 10.1016/j.phycom.2023.102055Wang B., Dai H., Xu K., Sun Y., Zhang Y., Li P. A Signal Processing Method of OFDM Communication Receiver Based on CNN. Physical Communication. 2023, vol. 59, art. no. 102055. doi: 10.1016/j.phycom.2023.102055Sergienko A. B., Apalina P. V., Lebedinskaya A. D. Reception of OFDM signals in narrow subbands by a neural network-based receiver with batch reshape // IEEE 3rd Intern. Conf. on Problems of Informatics, Electronics and Radio Engineering (PIERE), Novosibirsk, 15–17 Nov. 2024. IEEE, 2024. P. 70–75. doi: 10.1109/PIERE62470.2024.10804946Sergienko A. B., Apalina P. V., Lebedinskaya A. D. Reception of OFDM Signals in Narrow Subbands by a Neural Network-Based Receiver with Batch Reshape. IEEE 3rd Intern. Conf. on Problems of Informatics, Electronics and Radio Engineering (PIERE), Novosibirsk, 15–17 Nov. 2024. IEEE, 2024, pp. 70–75. doi: 10.1109/PIERE62470.2024.10804946G; Study on channel model for frequencies from 0.5 to 100 GHz (3GPP TR 38.901 version 16.1.0 Release 16). ETSI, 2020. URL: https://www.etsi.org/deliver/etsi_tr/138900_138999/138901/16.01.00_60/tr_138901v160100p.pdf (дата обращения 09.06.2025).G; Study on channel model for frequencies from to 100 GHz (3GPP TR 38.901 version 16.1.0 Release 16). ETSI, 2020. Available at: https://www.etsi.org/ deliver/etsi_tr/138900_138999/138901/16.01.00_60/ tr_138901v160100p.pdf (accessed 09.06.2025).LTE; Evolved Universal Terrestrial Radio Access (E-UTRA); User Equipment (UE) radio transmission and reception (3GPP TS 36.101 version 17.12.0 Release 17). ETSI, 2024. URL: https://www.etsi.org/deliver/etsi_ts/136100_136199/136101/17.12.00_60/ts_136101v171200p.pdf (дата обращения 09.06.2025).LTE; Evolved Universal Terrestrial Radio Access (E-UTRA); User Equipment (UE) radio transmission and reception (3GPP TS 36.101 version 17.12.0 Release 17). ETSI, 2024. Available at: https://www.etsi.org/ deliver/etsi_ts/136100_136199/136101/17.12.00_60/ ts_136101v171200p.pdf (accessed 09.06.2025).Kingma D. P., Ba J. Adam: A method for stochastic optimization // Intern. Conf. on Learning Representations (ICLR). 2015. P. 1–15. doi: 10.48550/arXiv.1412.6980Kingma D. P., Ba J. Adam: A Method for Stochastic Optimization. Intern. Conf. on Learning Representations (ICLR). 2015, pp. 1–15. doi: 10.48550/arXiv.1412.6980MATLAB 5G Toolbox, Documentation for nrChannelEstimate function. URL: https://www.mathworks.com/help/5g/ref/nrchannelestimate.html (дата обращения 04.12.2024).MATLAB 5G Toolbox, Documentation for nrChannelEstimate function. Available at: https://www.mathworks.com/help/5g/ref/nrchannelesti mate.html (accessed 04.12.2024).

The authors declare that there are no conflicts of interest present.