Εξίσωση μη γραμμικών καναλιών με χρήση τεχνικών μηχανικής μάθησης

Καταβάτης, Ανδρέας

dc.contributor.advisor	Zervas, Evangelos
dc.contributor.author	Καταβάτης, Ανδρέας
dc.date.accessioned	2021-10-22T07:37:33Z
dc.date.available	2021-10-22T07:37:33Z
dc.date.issued	2021-10
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/1406
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-1257
dc.description.abstract	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.	el
dc.format.extent	97	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Εξίσωση καναλιού	el
dc.subject	Κανάλια επικοινωνίας	el
dc.subject	Εξισωτές	el
dc.subject	Διασυμβολική παρεμβολή	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Αναδρομικά νευρωνικά δίκτυα	el
dc.subject	Artificial neural networks	el
dc.subject	Channel equalization	el
dc.subject	Recurrent neural networks	el
dc.subject	Communication channels	el
dc.subject	Equalizers	el
dc.subject	Intersymbol interference	el
dc.subject	Feedforward neural network	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Τεχνητά νευρωνικά δίκτυα πρόσθιας τροφοδότησης	el
dc.title	Εξίσωση μη γραμμικών καναλιών με χρήση τεχνικών μηχανικής μάθησης	el
dc.title.alternative	Non linear channel equalization using machine learning techniques	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Kalyvas, Dimitrios
dc.contributor.committee	Karabetsos, Sotiris
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών	el
dc.description.abstracttranslated	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.	el

Αρχεία σε αυτό το τεκμήριο

Όνομα:: Katavatis_50345310.pdf
Μέγεθος:: 2.474Mb
Τύπος:: PDF

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές

Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές