ПОРІВНЯЛЬНИЙ АНАЛІЗ ПРОЦЕСІВ ПРОГНОЗНОЇ СИНХРОНІЗАЦІЇ  ТА ВИБОРУ ВУЗЛІВ РОЗПОДІЛЕНОЇ АНТЕННОЇ СИСТЕМИ  НА ОСНОВІ ВИМІРЯНИХ ХАРАКТЕРИСТИК РАДІОКАНАЛІВ

Р.О. Бєляков

doi:10.34185/1562-9945-5-166-2026-25

Автор(и)

Р.О. Бєляков

DOI:

https://doi.org/10.34185/1562-9945-5-166-2026-25

Ключові слова:

розподілена антенна система, когерентна передача даних, прогнозна синхронізація, адаптивний вибір вузлів, порівняльний аналіз, фільтр Калмана, консенсусне узгодження, БпЛА, DICHASUS, DeepSense 6G

Анотація

У статті проведено порівняльний аналіз процесів прогнозної часової, частотної та фазової синхронізації і адаптивного вибору вузлів розподіленої антенної системи з одноранговою координацією. Розглядається система з 32 радіовузлів, які формують когерентний інформаційний сигнал для рухомого приймача в умовах втрати актуальності оцінок синхронізації через рух радіовузлів і приймача, нестабільність опорних генераторів радіовузлів і затримки службового обміну. Для проведення дослідження використано виміряні характеристики радіоканалів DICHASUS для 32 антенних елементів на частоті 1,272 ГГц, траєкторії руху БпЛА із набору DeepSense 6G та модель частотно-фазової нестабільності опорних генераторів радіовузлів, параметри якої визначаються на основі девіації Аллана.

Для порівняння методів сформовано математичну модель, яка дозволяє прогнозувати фазовий стан кожного радіовузла, визначати ймовірність виконання фазового допуску та розраховувати очікувану прийняту потужність з урахуванням знака інтерференційного внеску кожної пари радіовузлів. Отримані значення використовуються для вибору складу кластера, застосованого для когерентного формування інформаційного сигналу в точці приймання. За результатами проведеної оцінки ефективності встановлено, що застосування прогнозної синхронізації дозволяє збільшити прийняту потужність інформаційного сигналу на 0,88–9,43 дБ порівняно з реактивною синхронізацією. Вибір складу радіовузлів на основі очікуваної прийнятої потужності дозволяє зберегти рівень потужності, отриманий для повного складу системи, при зменшенні кількості активних радіовузлів на 17,5–30,4 %. На основі проведеного аналізу встановлено, що ентропійний показник не забезпечує окремого приросту прийнятої потужності, а умова надійності на основі межі об’єднання подій у динамічних сценаріях надмірно скорочує склад кластера.

Посилання

1. Mudumbai, R., Brown, D. R., Madhow, U., & Poor, H. V. (2009). Distributed transmit beamforming: Challenges and recent progress. IEEE Communications Magazine, 47(2), 102–110. https://doi.org/10.1109/MCOM.2009.4785387

2. Nanzer, J. A., Mghabghab, S. R., Ellison, S. M., & Schlegel, A. (2021). Distributed phased arrays: Challenges and recent advances. IEEE Transactions on Microwave Theory and Tech-niques, 69(11), 4893–4907. https://doi.org/10.1109/TMTT.2021.3092401

3. Shandi, N., Merlo, J. M., & Nanzer, J. A. (2025). Distributed beamforming using decen-tralized time synchronization in a six-element array [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2505.13248

4. Dula, M. J., Shandi, N., & Nanzer, J. A. (2025). Decentralized localization of distributed antenna array elements using an evolutionary algorithm. IEEE Transactions on Microwave Theory and Techniques, 73(10), 8013–8023. https://doi.org/10.1109/TMTT.2025.3564522

5. Nguyen, K. D., Lechner, G., & Ahmad, I. (2025). Zero-feedback open-loop distributed transmit beamforming. Digital Signal Processing, 156, Article 104875. https://doi.org/10.1016/j.dsp.2024.104875

6. Ventura, G., Rossi, M., & Pegoraro, J. (2026). AsyMov: Integrated sensing and communi-cations with asynchronous moving devices. IEEE Transactions on Wireless Communications, 25, 11480–11496. https://doi.org/10.1109/TWC.2026.3653567

7. Jiang, Q., Jin, J., Wang, Q., Tang, Y., Cao, Y., Kuang, B., Dong, J., Lv, S., Wang, D., Huang, Y., Wang, J., & You, X. (2026). Experimental performance of bidirectional phase coherent transmission and sensing for mmWave cell-free massive MIMO systems with recip-rocity calibration [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2601.14648

8. Ganesan, U. K., Sarvendranath, R., & Larsson, E. G. (2023). BeamSync: Over-the-air syn-chronization for distributed massive MIMO systems [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2311.11070

9. Rashid, M., & Nanzer, J. A. (2023). High accuracy distributed Kalman filtering for syn-chronizing frequency and phase in distributed phased arrays. IEEE Signal Processing Letters, 30, 688–692. https://doi.org/10.1109/LSP.2023.3283333

10. Saiko, V. H., Zinchenko, M. O., Komarov, V. O., Solodovnyk, V. I., Kryvolapov, Ya. V., & Kryvolapov, H. Ya. (2025). Model intehrovanoho merezhevoho kompleksu zviazku z vy-korystanniam BPLA dlia pidvyshchennia efektyvnosti vyrishennia tsilovykh zavdan spetsial-noho pryznachennia [Model of an integrated network communication complex using UAVs to increase the efficiency of solving special-purpose tasks]. Vcheni zapysky TNU imeni V. I. Vernadskoho. Seriia: Tekhnichni nauky, 36(75)(2), 130–138. https://doi.org/10.32782/2663-5941/2025.2.1/20

11. Ngo, H. Q., Ashikhmin, A., Yang, H., Larsson, E. G., & Marzetta, T. L. (2017). Cell-free massive MIMO versus small cells. IEEE Transactions on Wireless Communications, 16(3), 1834–1850. https://doi.org/10.1109/TWC.2017.2655515

12. Olfati-Saber, R., Fax, J. A., & Murray, R. M. (2007). Consensus and cooperation in net-worked multi-agent systems. Proceedings of the IEEE, 95(1), 215–233. https://doi.org/10.1109/JPROC.2006.887293

13. Xiao, L., & Boyd, S. (2004). Fast linear iterations for distributed averaging. Systems & Control Letters, 53(1), 65–78. https://doi.org/10.1016/j.sysconle.2004.02.022

14. Allan, D. W. (1966). Statistics of atomic frequency standards. Proceedings of the IEEE, 54(2), 221–230. https://doi.org/10.1109/PROC.1966.4634

15. Björnson, E., Demir, Ö. T., & Sanguinetti, L. (2021). A primer on near-field beamform-ing for arrays and reconfigurable intelligent surfaces [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2110.06661

16. Euchner, F., Gauger, M., Dörner, S., & ten Brink, S. (2021). A distributed massive MIMO channel sounder for “Big CSI Data”-driven machine learning. In WSA 2021: 25th In-ternational ITG Workshop on Smart Antennas. https://doi.org/10.48550/arXiv.2206.15302

17. Euchner, F., & Gauger, M. (2022). CSI dataset DICHASUS-CF0x: Distributed antenna setup in industrial environment, day 1 [Data set]. DaRUS. https://doi.org/10.18419/darus-2854

18. Alkhateeb, A., Charan, G., Osman, T., Hredzak, A., Morais, J., Demirhan, U., & Srinivas, N. (2023). DeepSense 6G: A large-scale real-world multi-modal sensing and communication dataset. IEEE Communications Magazine, 61(9), 122–128. https://doi.org/10.1109/MCOM.006.2200730

19. Charan, G., Hredzak, A., Stoddard, C., Berrey, B., Seth, M., Nunez, H., & Alkhateeb, A. (2022). Towards real-world 6G drone communication: Position and camera aided beam pre-diction. In 2022 IEEE Global Communications Conference (GLOBECOM) (pp. 2951–2956). IEEE. https://doi.org/10.1109/GLOBECOM48099.2022.10000718

20. Bar-Shalom, Y., Li, X.-R., & Kirubarajan, T. (2001). Estimation with applications to tracking and navigation. Wiley.

21. Künsch, H. R. (1989). The jackknife and the bootstrap for general stationary observa-tions. The Annals of Statistics, 17(3), 1217–1241. https://doi.org/10.1214/aos/1176347265

22. Gneiting, T., & Raftery, A. E. (2007). Strictly proper scoring rules, prediction, and esti-mation. Journal of the American Statistical Association, 102(477), 359–378. https://doi.org/10.1198/016214506000001437