Abstract
<jats:p>Разработан энергоэффективный алгоритм адаптивного выбора антенн для систем с оптимальным сложением (Maximal Ratio Combining, MRC) на основе нейросетевого классификатора. Для устранения высокой вычислительной сложности существующих методов применен подход имитационного обучения: сеть обучена на данных итерационного адаптивного алгоритма, определяющего минимально необходимое число активных антенн по заданному порогу коэффициента битовых ошибок. Результаты моделирования в различных условиях каналов с замираниями подтвердили, что нейросетевой алгоритм обеспечивает существенное снижение среднего числа задействованных антенн по сравнению с классическим MRC при сохранении требуемой помехоустойчивости, что делает предлагаемый алгоритм перспективным для систем связи с низкими задержками.</jats:p> <jats:p>The study develops an energy-efficient adaptive antenna selection algorithm for Maximal Ratio Combining (MRC) systems based on a neural network classifier. To overcome the high computational complexity of existing methods, an imitation learning approach is applied: the network is trained on data from an iterative adaptive algorithm that determines the minimum required number of active antennas based on a specified bit error rate (BER) threshold. Simulation results under various fading channel conditions confirmed that the neural network algorithm provides a significant reduction in the average number of active antennas compared to classical MRC while maintaining the required noise immunity, making the proposed algorithm promising for low-latency communication systems.</jats:p>