Show simple item record

Εξίσωση μη γραμμικών καναλιών με χρήση τεχνικών μηχανικής μάθησης

dc.contributor.advisorZervas, Evangelos
dc.contributor.authorΚαταβάτης, Ανδρέας
dc.date.accessioned2021-10-22T07:37:33Z
dc.date.available2021-10-22T07:37:33Z
dc.date.issued2021-10
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/1406
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-1257
dc.description.abstractΗ 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.extent97el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectΕξίσωση καναλιούel
dc.subjectΚανάλια επικοινωνίαςel
dc.subjectΕξισωτέςel
dc.subjectΔιασυμβολική παρεμβολήel
dc.subjectΤεχνητά νευρωνικά δίκτυαel
dc.subjectΑναδρομικά νευρωνικά δίκτυαel
dc.subjectArtificial neural networksel
dc.subjectChannel equalizationel
dc.subjectRecurrent neural networksel
dc.subjectCommunication channelsel
dc.subjectEqualizersel
dc.subjectIntersymbol interferenceel
dc.subjectFeedforward neural networkel
dc.subjectΜηχανική μάθησηel
dc.subjectΤεχνητά νευρωνικά δίκτυα πρόσθιας τροφοδότησηςel
dc.titleΕξίσωση μη γραμμικών καναλιών με χρήση τεχνικών μηχανικής μάθησηςel
dc.title.alternativeNon linear channel equalization using machine learning techniquesel
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeKalyvas, Dimitrios
dc.contributor.committeeKarabetsos, Sotiris
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικώνel
dc.description.abstracttranslatedChannel 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


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές