ФОРМУВАННЯ АНСАМБЛІВ СИГНАЛІВ З ЧАСОВИМ РОЗДІЛЕННЯМ З ВИКОРИСТАННЯМ НЕЙРОННОЇ МЕРЕЖІ
DOI:
https://doi.org/10.18372/2310-5461.59.17947Ключові слова:
телекомунікації, ансамблі сигналів, часове розділення, нейронні мережіАнотація
У телекомунікаціях сигнали з часовим розділенням, відіграють надзвичайно важливу в процесі передачі та обробки інформації. Ці сигнали, які представляються як електромагнітні хвилі, служать основними транспортним засобом для передачі даних від одного комунікаційного пристрою до іншого, фактично становлячи кровоносну систему сучасних комунікаційних мереж. Визначальною особливістю, яка відрізняє ці сигнали, є їхня часова природа, або, точніше, зміни, які вони зазнають з часом в процесі передач по мережі. Ці сигнали містять багатий спектр параметрів, охоплюючи не лише атрибути амплітуди, частоти та фази, але й багато інших параметрів. В статті науково обґрунтовується доцільність та актуальність дослідження процесу формування ансамблів сигналів з часовим розділенням за допомогою нейронних мереж. Досліджено, що однією з ключових задач при формуванні ансамблів складних сигналів з часовим розділенням з застосуванням робити нейромережі є вибір оптимальної архітектури нейромережі. Це передбачає визначення типу нейромережі, що най ефективніше відповідає конкретному науковому завданню. Розроблено алгоритм формування ансамблів сигналів з часовим розділенням з використанням рекурентної нейронної мережі (RNN). Особлива увага приділяється методам оцінки загальної помилки ансамблів сигналів з часовим розділенням з використанням PNN. Ці методи аналізу включають застосування відповідних метрик, оцінка яких залежить від конкретного типу завдання (регресія або класифікація). Результати цього дослідження сприятимуть подальшому розвитку методів формування ансамблів сигналів з часовим розділенням за допомогою нейронних мереж та покращенню їх застосування в сучасних телекомунікаційних системах.
Посилання
H. Ismail Fawaz, G. Forestier, J. Weber, L. Idoumghar, and P.-A. Muller, «Evaluating surgical skills from kinematic data using convolutional neural networks,» in International Conference On Medical Image Computing and Computer Assisted Intervention, 2018, pp. 214–221.
L. Anghinoni, L. Zhao, Q. Zheng, and J. Zhang, «Time series trend detection and forecasting using complex network topology analysis,» in International Joint Conference on Neural Networks, 2018, pp. 1–7.
N. Xu, G. Chen, and W. Mao, «MNRD: A merged neural model for rumor detection in social media,» in International Joint Conference on Neural Networks, 2018, pp. 1–7.
S. Gharghabi, S. Imani, A. Bagnall, A. Darvishzadeh, and E. Keogh, «An ultra-fast time series distance measure to allow data mining in morе complex real-world deployments,» in IEEE International Conference on Data Mining, 2018, pp. 17–20.
B. Shevitski, Y. Watkins, Nicole Man, M. Girard Digital «Signal Processing Using Deep Neural Networks», Cornell University Submitted, 2021, https://arxiv.org/abs/2109.10404
Lysechko, V. P., Kulagin, D. O., Indyk, S. V., Zhuchenko О. S., & Kovtun І. V. (2022). The study of the cross-correlation properties of complex signals ensembles obtained by filtered frequency elements permutations. Radio Electronics, Computer Science, Control, (2), 15. https://doi.org/10.15588/1607-3274-2022-2-2
Indyk, S. V., Lysechko, V. P., Zhuchenko, O. S., & Kitov, V. S. (2020). The formation method of complex signals ensembles by frequency filtration of pseudo-random sequences with low interaction in the time domain. Radio Electronics, Computer Science, Control, (4), 7–14. https://doi.org/10.15588/1607-3274-2020-4-1.
