moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 497 ОЦЕНКА ПАРАМЕТРОВ ГЛАЗКОВОЙ ДИАГРАММЫ ПО ПЕРЕХОДНОЙ И АМПЛИТУДНО-ЧАСТОТНОЙ ХАРАКТЕРИСТИКАМ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННОЙ СЕТИ PREDICTION OF EYE-DIAGRAM PARAMETERS FROM TRANSIENT AND GAIN-FREQUENCY CHARACTERISTICS USING NEURAL NETWORK Смирнов Александр Витальевич Smirnov alexander vitalievich Smirnov alexander vitalievich Smirnov alexander vitalievich avs_ramb@rambler.ru aff-1 Российский технологический университет Russia technological university 01 01 2026 1 1 e497 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Исследована возможность оценки ширины и высоты глазка глазковой диаграммы (ГД) с применением искусственных нейронных сетей (ИНС). С этой целью выполнено моделирование более 750 примеров каналов связи с различными передаточными функциями. Для каждого примера сформирована ГД путем свертки случайной последовательности импульсов с импульсной характеристикой канала и измерены ее параметры. Полученные результаты использованы для обучения ИНС, входными переменными которых являются параметры переходной характеристики: длительность задержки, длительность фронта, величина выброса и длительность колебательного процесса, а также значение АЧХ на частоте, равной половине тактовой частоты. Для каждого оцениваемого параметра отобрано несколько ИНС для разных поддиапазонов входных переменных. Среднеквадратическая погрешность оценки искомых параметров ГД с помощью этих ИНС составляет 2 — 4%. Коэффициент корреляции оценок и известных значений более 0,98. При этом достигается значительный выигрыш в затратах времени на расчет по сравнению с получением значений ширины и высоты глазка путем моделирования ГД. Изложенный метод может использоваться в процессе оптимизации характеристик канала связи в случаях, когда параметры ГД входят в целевую функцию.

A capability of prediction of the eye-diagram width and height with using artificial neural network (ANN) was investigated. For this purpose, were simulated more than 750 examples of telecommunication channels with different transfer functions. Eye-diagrams were composed for all examples by means of convolution of random pulse sequence and pulse response and parameters of these eye-diagrams were measured. Some ANN was learned. Their input variables were transient characteristic delay time, raise time, magnitude of voltage peak and oscillation duration as well as a gain value at the half of clock rate. For each of predicted parameters distinct ANN was chosen for different ranges of input variables. Root mean square errors of eye-diagram parameters prediction using these ANN were in the range of 2 - 4%. Correlation coefficient of predicted and known values was more then 0,98. Sufficient decreasing of computational time is achieved compare with estimation of the eye width and height using eye-diagram modeling. This method can be used for optimization of communication channel characteristics when eye-diagram parameters are the components of the goal function.

 глазковая диаграмма переходная характеристика амплитудно-частотная характеристика, нейронная сеть, аппроксимация нейронная сеть аппроксимация eye-diagram transient characteristic gain-frequency characteristic neural network approximation Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Прокис Дж. Цифровая связь. Пер. с англ. / Под ред. Д.Д. Кловского. – М.: Радио и связь, 2000. – 800 с. Рекомендация ITU-T G.957. Оптические интерфейсы для оборудования и систем, относящихся к синхронной цифровой иерархии. 2006. OFSTP-4. Optical Eye Pattern Measurement Procedure, TIA/EIA-526-4, 1993. Дьяконов В.П. Современная аппаратура тестирования и контроля сверхскоростных систем и линий связи // Беспроводные технологии, 2010, №4, C.52-59. Leib H., Pasupathi S. Digital transmission performance of standard analog filters. // IEEE Transaction on Communications. Vol.40, Iss.1, Jan,1992. P. 42 – 50. Torres-Ferrera P., Ferrero V., Valvo M., Gaudino R. Impact of the overall electrical filter shaping in next-generation 25G and 50G PON. // URL: https://arxiv.org/ pdf/1801.08584, 25 Jan. 2018. Хайкин С. Нейронные сети: полный курс. 2-е изд., испр. : Пер. с англ. – М.: ООО «И.Д. Вильямс». 2006. - 1104 с. Ambasana N., Anand G, Mutnury B., Gope D. Application of artificial neural networks for eye-height/width prediction from S-parameters. // 2014 IEEE 23rd Conference on Electrical Performance of Electronic Packaging and Systems. 26-29 Oct. 2014. Ambasana N., Anand G, Mutnury B., Gope D. Eye height/width prediction from S-parameters using learning-based models. // IEEE Transactions on Components, Packaging and Manufacturing Technology. Vol.6, Iss.6, June 2016, P. 873-885. Ambasana N., Anand G, Mutnury B., Gope D. Eye height/width prediction from S-parameters using learning-based models. // IEEE Transactions on Components, Packaging and Manufacturing Technology. Vol.6, Iss.6, June 2016, P. 873-885. Lu T., Wu K., Yang Zh., Sun J. High-speed channel modeling with deep neural networks for signal integrity analysis. // URL: https://research.google.com/pubs/archive/46433.pdf. Смирнов А.В. Оптимальные по Парето аппроксимации передаточных функций электрических фильтров // Актуальные проблемы гуманитарных и естественных наук. 2015. №05 (76). Часть 1, С.74-78. Смирнов А.В. Метод поиска оптимальных дробно-чебышевских аппроксимаций АЧХ // Журнал радиоэлектроники [электронный журнал]. 2018. №3. URL: http://jre.cplire.ru /jre/mar18/7/text.pdf URL: http://www.mathwork.com.

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