Научный руководитель:
Область исследования
Тип исследования
Аннотация (краткое описание)
нных сетей для обнаружения голосовой активности при низком уровне отношения сигнал/шум с целью повышения эффективности пропускной способности канала связи. Проблемы, на исследование которых направлен проект: Наиболее дорогостоящими элементами в системах мобильной связи являются каналы связи, которые связывают все элементы сети друг с другом. Поэтому эффективность мобильных систем связи оценивается в первую очередь эффективностью использования каналов связи, а они в свою очередь от радиочастотного спектра (РЧС). РЧС является ограниченным и важнейшим государственным природным ресурсом, которую необходимо использовать экономно, эффективно и рационально. С этой целью в системах мобильной связи используют различные методы уплотнения каналов и разные новейшие технологии. Также в системах мобильной связи используются различные методы сжатия, т.к в передаваемой речи содержатся множество информации, которые являются избыточными. Поэтому в современных телефонных аппаратах используются алгоритмы и методы сжатия, которые устраняют эти избыточности. Как показали многочисленные исследования, в передаваемой речи может содержаться пауз от 50 до 70%. Поэтому объем передаваемой речи можно сжимать без потери качества 2-3 раза, можно больше, все это зависит от методов и технологий сжатия. Именно по этому принципу работают детекторы активности речи (Voice activity detection, VAD). Особенность данного метода заключается в корректном отделении активной полезной речи от фонового шума и тишины, создавая возможность передавать только речевые данные, что в свою очередь значительно сократит объем передаваемой информации. Также в соответствии с Национальным проектом «Технологический рывок за счет цифровизации, науки и инноваций» на 2021 – 2025 г., утвержденной Постановлением Правительства Республики Казахстан от 12 октября 2021 г. № 727, одним из основных направлений развития является цифровая трансформация. Ключевым фактором цифровой трансформации является Интернет вещей (Internet of Things, IoT). Реализация концепта IoT предусматривает возможность поддержки различного рода датчиков, обеспечивающих сбор разнообразной информации. В настоящее время повсеместно внедряются операторами мобильная связь 5G, интенсивно разрабатываются технологические заделы для следующего поколения мобильной связи 6G. Развитие данных направлений потребует сбора, передачи и обработки очень большого объема информации, которые потребуют от операторов мобильных систем более высокую пропускную способность каналов связи. Мероприятия, к которым прибегают телекоммуникационные операторы на сегодняшний день, связанные с увеличением количества базовых станций, использование технологии MIMO (Multiple Input Multiple Output), множественные доступы с разными разделениями частотного ресурса с целью расширения каналов связи и т.д, все равно не покрывают потребность в росте скорости передачи информации, давая только кратковременный эффект. Поэтому данную проблему нужно решать с использованием возможностей технологий искусственного интеллекта. Таким образом, интенсивный рост разнородного трафика, а также передача большого объема данных представляет собой огромную проблему для работы существующих сетей операторов мобильной связи с ограниченной полосой пропускания и являются актуальной проблемой. Основные подходы к проведению исследований: Выявлено, что в системах мобильной связи голосовая связь обычно составляет 40% от общей продолжительности разговора. За счет уменьшения количества закодированных битов неголосовых сегментов значительные ресурсы беспроводной связи могут быть сэкономлены, увеличивая пропускную способность системы до 2 раз, а число абонентов до 60%. Для достижения таких результатов предлагается нейросетевой метод обнаружения голосовой активности, который очень эффективно может работать даже при отрицательном уровне отношения сигнал/шум. Рабочий процесс: Для успешного решения данной задачи предполагается использовать три разных типа нейронных сетей: многослойный персептрон (MLP), рекуррентная (RNN, LSTM) и сверточная (CNN) сеть. Обучение модели будет осуществляться с помощью алгебры глубокого обучения. Машинное обучение будет реализовываться в среде программирования Python, с использованием библиотек Python. Ожидаемые результаты: В рамках данного проекта планируется разработка и обучение высокоэффективной нейронной сети для реализации метода обнаружения голосовой активности с использованием машинного обучения с целью повышения пропускной способности каналов существующих сетей мобильных операторов. Также полученные результаты будут интересны НАО «Государственная корпорация» «Правительство для граждан» и некоторым уполномоченным органам для решения задач, связанных с биометрической голосовой идентификацией людей с целью повышения уровня безопасности информационных систем, тем самым ускоряя процесс обслуживания населения посредством речевых сервисов.Источник финансирования
МНВО РК
Тип: Программно-целовое финансирования
№ договора: -
Дата договора: 20.05.2026
Период финансирования с: 20.05.2026
Период финансирования по: 20.05.2026
Срок начала работ: 20.05.2026
Срок завершения работ: 20.05.2026
Заказчик финансирования
МНВО РК
Софинансирование
№ договора: -
Сведения о финансировании
ГосбюджетДанный документ располагается в коллекциях
Научные проекты
Жас Ғалым и КМУ
Файлы документа
Документ не загружен