Εξίσωση μη γραμμικών καναλιών με χρήση τεχνικών μηχανικής μάθησης
Non linear channel equalization using machine learning techniques
Λέξεις-κλειδιά
Εξίσωση καναλιού ; Κανάλια επικοινωνίας ; Εξισωτές ; Διασυμβολική παρεμβολή ; Τεχνητά νευρωνικά δίκτυα ; Αναδρομικά νευρωνικά δίκτυα ; Artificial neural networks ; Channel equalization ; Recurrent neural networks ; Communication channels ; Equalizers ; Intersymbol interference ; Feedforward neural network ; Μηχανική μάθηση ; Τεχνητά νευρωνικά δίκτυα πρόσθιας τροφοδότησηςΠερίληψη
Η έννοια της εξίσωσης καναλιού αναφέρεται σε οποιαδήποτε τεχνική επεξεργασίας σήματος που χρησιμοποιείται στον δέκτη για την αντιμετώπιση των παραμορφώσεων που εισάγονται από το κανάλι επικοινωνίας. Με την άνοδο των νευρωνικών δικτύων τα τελευταία χρόνια έχει δοκιμαστεί και η εφαρμογή τους στον τομέα των τηλεπικοινωνιών. Οι τεχνικές μηχανικής μάθησης έχουν δείξει σημαντικές βελτιώσεις όσον αφορά την εξίσωση καναλιού σε σύγκριση με τις κλασικές μεθόδους. Τα τεχνητά νευρωνικά δίκτυα χωρίζονται σε δίκτυα πρόσθιας τροφοδότησης και σε αναδρομικά νευρωνικά δίκτυα. Και οι δύο αυτές κατηγορίες παρουσιάζουν ομοιότητες στην αρχιτεκτονική τους με τους γραμμικούς εξισωτές αλλά και με τους εξισωτές ανατροφοδότησης απόφασης. Σε αυτή τη διπλωματική εργασία μελετάται η λύση για το πρόβλημα της εξίσωσης μη γραμμικού καναλιού χρησιμοποιώντας τεχνητά νευρωνικά δίκτυα αφού τα νευρωνικά δίκτυα από τη φύση τους λύνουν μη γραμμικά προβλήματα λόγω των συναρτήσεων ενεργοποίησης που χρησιμοποιούν. Αρχικά γίνεται μία επισκόπηση για την ανάγκη εξίσωσης καναλιού, και τις κλασικές τεχνικές που εφαρμόζονται για τη λύση του προβλήματος. Έπειτα αναλύονται τα τεχνητά νευρωνικά δίκτυα ενώ στη συνέχεια παρουσιάζονται και αναλύονται τα αποτελέσματα που έχουν οδηγήσει στους εξισωτές που βασίζονται σε τεχνητά νευρωνικά δίκτυα. Στη συνέχεια πραγματοποιήθηκε η υλοποίηση ενός εξισωτή βασισμένου σε δίκτυο πρόσθιας τροφοδότησης και εκτελέστηκαν τρείς προσομοιώσεις με τελικό στόχο την εξίσωση μη γραμμικού καναλιού.
Περίληψη
Channel equalization is a term that is used for any signal processing technique that is used on the receiver. With the recent rise of neural networks in the last couple of years, their application in the field of telecommunications has been tested. Machine learning techniques have shown significant improvements in channel equalization compared to traditional channel equalization techniques. Neural networks can be categorized in feed forward and recurrent. Both of these categories have a similar architecture with linear and decision-feedback equalizers. In this diploma thesis, an equalizer that is based on neural networks is being studied to solve the problem of channel equalization of a nonlinear channel since neural networks specialize in solving nonlinear problems. Firstly, the need for channel equalization, channel equalization, and the traditional techniques used to counter the problem are being overviewed. An overview of artificial neural networks comes after, followed by the review of the research that have led to the neural network-based equalizers. Lastly, a feed forward neural network-based equalizer was created and three simulations were performed with the ultimate goal being the equalization of a nonlinear channel.
Αριθμός σελίδων
97Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών ΜηχανικώνΓλώσσα
ΕλληνικάΣυλλογή
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές