در طراحی سیستمهای مراقبت طیفی برای سیستمهای طیف گسترده دنباله مستقیم چندکاربره، تخمین کور تعداد کاربرهای فعال و همزمانسازی نقش مهمی در تشخیص پارامترهای سیستم دارد. برای تشخیص تعداد کاربرهای فعال، مقادیر ویژه ماتریس کوواریانس مربوط به سیگنال با استفاده از یک سطح آستا چکیده کامل
در طراحی سیستمهای مراقبت طیفی برای سیستمهای طیف گسترده دنباله مستقیم چندکاربره، تخمین کور تعداد کاربرهای فعال و همزمانسازی نقش مهمی در تشخیص پارامترهای سیستم دارد. برای تشخیص تعداد کاربرهای فعال، مقادیر ویژه ماتریس کوواریانس مربوط به سیگنال با استفاده از یک سطح آستانه وفقی از نویز جدا میگردند. نتایج تحلیلی و شبیهسازیهای کامپیوتری نشان میدهد سیگنال کاربرهای با اختلاف توانی اندک (کمتر از dB 5/1) با حداکثرسازی مربع نرم فروبنیوس ماتریس کوواریانس سیگنال دریافتی همزمان میگردند، این روش در مقابل آفست فرکانس حامل بین کاربرها که در اثر پدیره داپلر به وجود ميآید، نيز مقاوم است. با افزایش اختلاف بین توان سیگنالهای دریافتی، این روش کارایی خود را از دست میدهد. بنابراین بهمنظور همزمانی کور کاربرهای با توان کمتر و در نتیجه تشخیص تعداد آنها، یک روش تکراری برای حذف تداخل کاربرهای با توان بیشتر، پیشنهاد شده است. از مزایای این روش کاهش پیچیدگی محاسباتی نسبت به روشهای متداول تخمین تعداد کاربرها با حفظ دقت قابل قبول است. ارزیابی تحلیلی کارایی الگوریتم همزمانی کور ارائهشده در کانال محوشدگی تخت نشان میدهد که احتمال همزمانسازی درست در کانال محوشدگی تخت کاهش مییابد. لذا بهمنظور بهبود کارایی، یک گیرنده چندآنتنی برای بهبود احتمال همزمانسازی درست، پیشنهاد میگردد.
پرونده مقاله
یادگیری ماشین در طی دهههای گذشته به دلیل طیف گسترده کاربردهای آن مورد استفاده زیادی قرار گرفته است. در اکثر کاربردهای یادگیری ماشین مانند خوشهبندی و طبقهبندی، ابعاد دادهها زیاد میباشد و استفاده از روشهای کاهش ابعاد داده ضروری است. تجزیه ماتریس غیر منفی با استفاده چکیده کامل
یادگیری ماشین در طی دهههای گذشته به دلیل طیف گسترده کاربردهای آن مورد استفاده زیادی قرار گرفته است. در اکثر کاربردهای یادگیری ماشین مانند خوشهبندی و طبقهبندی، ابعاد دادهها زیاد میباشد و استفاده از روشهای کاهش ابعاد داده ضروری است. تجزیه ماتریس غیر منفی با استفاده از استخراج ویژگیها معنایی از دادههای با ابعاد زیاد کاهش ابعاد را انجام میدهد و در تجزیه ماتریس غیر منفی فقط نحوه مدلسازی هر بردار ویژگی در ماتریسهای تجزیهشده را در نظر میگیرد و روابط بین بردارهای ویژگی را نادیده میگیرد. ارتباطات میان بردارهای ویژگی، تجزیه بهتری را برای کاربردهای یادگیری ماشین فراهم میکنند. در این مقاله، یک روش بر مبنای تجزیه ماتریس غیر منفی برای کاهش ابعاد دادهها ارائه شده که محدودیتهایی را بر روی هر جفتبردارهای ویژگی با استفاده از معیارهای مبتنی بر فاصله ایجاد میکند. روش پیشنهادی از نرم فروبنیوس به عنوان تابع هزینه برای ایجاد قوانین به روز رسانی استفاده میکند. نتایج آزمایشها روی مجموعه دادهها نشان میدهد که قوانین به روز رسانی ضربی ارائهشده، سریع همگرا میشوند و در مقایسه با الگوریتمهای دیگر نتایج بهتری را ارائه میکنند.
پرونده مقاله
رایمگ
سامانه رایمگ تمامی فرآیندهای دریافت، ارزیابی و داوری، ویراستاری، صفحهآرایی و انتشار الکترونیکی نشریات علمی را به انجام میرساند