Kết quả mô phỏng

Trang 1

Bayesian Regularization Mạng Baye

Scale Conjugate Gradient Mạng SCG

Resilient Backpropagation Mạng Rprop Adaptive Learning Rate Mạng Adapt Gradient Descent Momentum Mạng GDM

Trang 2

Thông số Giá trị Đơn vị

Phương pháp điều chế QPSK Mạng 1 lớp

5 ngõ vào Lớp 1: 1 neuron hàm truyền tansig

Trang 4

15 ngõ vào Lớp 1:1 neuron hàm truyền tansig

Trang 6

Trang 8

Trang 9

Nhận xét : Mạng một lớp hàm truyền tansig 15 ngõ vào triệt nhiễu Gauss và Fading tốt Khi số ngõ vào ít hoặc nhiều quá không có khả năng triệt nhiễu Mạng Bayesian là tốt nhất.

Trang 10

5 ngõ vào Lớp 1 :1 neuron hàm truyền tansig

Trang 12

15 ngõ vào Lớp 1 :1 neuron hàm truyền tansig

Trang 14

5 ngõ vào Lớp 1 : 1 neuron hàm truyền purelin

Trang 16

Trang 18

5 ngõ vào Lớp 1: 7 neuron hàm truyền tansig Lớp 2 : 1 neuron hàm truyền tansig

Trang 19

10 ngõ vào Lớp 2 : 1 neuron hàm truyền tansig

Trang 20

Trang 22

Trang 24

Chuỗi bit 10.000.000 Bit

Trang 26

Trang 28

Trang 30

5 ngõ vào Lớp 1 : 7 neuron hàm truyền tansig Lớp 2 : 1 neuron hàm truyền purelin

Trang 32

Trang 34

5 ngõ vào Lớp 1 : 7 neuron hàm truyền tansig Lớp 2 : 10 neuron hàm truyền logsig

Lớp 3 : 1 neuron hàm truyền purelin

Trang 35

Trang 36

Trang 37

Trang 38

Trang 40

Trang 42

Trang 44

Trang 46

Trang 48

15 ngõ vào Lớp 1 : 7 neuron hàm truyền tansig Lớp 2: 10 neuron hàm truyền logsig

Trang 49

Trang 50

Trang 52

Trang 54

Phương pháp điều chế BPSK Mạng 1 lớp

Trang 56

Trang 58

Trang 59

Trang 60

Trang 61

Trang 62

Trang 64

Trang 66

Tần số sóng mang 10,7 MHz

5 ngõ vào Lớp 1 : 7 neuron hàm truyền tansig Lớp 2:10 neuron hàm truyền logsig

Trang 68

Tần số sóng mang 35 MHz

Trang 70

Tần số sóng mang 10,7 MHz

20 ngõ vào Lớp 1 : 18 neuron hàm truyền tansig Lớp 2: 1 neuron hàm truyền purelin

Trang 72

Tốc độ bit 270 Kbps Phương pháp điều chế BPSK

Trang 74

• Trích dẫn đồ thị các phương pháp sử dụng bộ cân bằng khác để triệt nhiễu đã đăng trên tạp chí IEEE

Trích đồ thị bài “Cân bằng kênh truyền fading chọn lựa tần số tuyến tính”,

tác giả Wing Seng Leon.

LE fdm =10Hz

Bộ cân bằng hồi tiếp quyết định kết hợp phân tập tối ưu, tác giả Tugay Eyceoz và Alexandra Duel-Hallen.

Trang 76

LE fdm = 100Hz

Bộ cân bằng hồi tiếp quyết định cho kênh truyền fading Doppler và phân tập,

tác giả Tugay Eyceoz và Alexandra Duel-Hallen.

Trang 77

• Mạng hai lớp : Khi thiết kế phải chú trọng số neuron và kiểu huấn luyện Huấn luyện Levenberg-Marquardt và Bayesian ổn định hơn cả, với lớp một 15 neuron hàm truyền tansig, lớp hai 1 neuron hàm truyền purelin.

• Mạng ba lớp : Mạng này hoạt động tốt nhất khi số neuron của mỗi lớp được thiết kế hợp lý Nếu số neuron ít quá, mạng không thể nhận dạng tín hiệu vào Tuy nhiên khi số neuron nhiều, mạng học quá mức không thể tổng quát hóa các trường hợp mới vào mạng Mạng Levenberg-Marquardt, Bayesian và Polak-Ribiére hoạt động ổn định nhất.

• Mạng từ bốn lớp trở lên : Mạng loại này học quá mức, chính xác theo mẫu huấn luyện, không thể tổng quát các trường hợp mới vào mạng Do đó thực tế rất ít khi sử dụng loại mạng này để triệt nhiễu, tuy nhiên để nhận dạng thì rất tốt.

Mạng có số ngõ vào vừa đủ (khoảng 10 ngõ vào) sẽ có khả năng triệt tốt các loại nhiễu, và số ngõ vào mà quá nhiều hay quá ít làm cho mạng hoạt động không tốt và chậm, làm tăng thêm nhiễu.

So sánh với các phương pháp đã được phổ biến, mạng Neural Networks có tính năng vượt trội hơn

Tiêu đề	Kết Quả Mô Phỏng
Tác giả	Lê Thanh Nhật, Trương Ánh Thu
Người hướng dẫn	Ths. Hoàng Đình Chiến
Trường học	Trường Đại Học
Chuyên ngành	Kỹ Thuật Thông Tin
Thể loại	luận văn
Năm xuất bản	2023
Thành phố	Hà Nội

Định dạng
Số trang	77
Dung lượng	2,09 MB