A hybrid digital signal processing-neural network CDMA multiuser detection scheme

1996 ◽  
Vol 43 (2) ◽  
pp. 96-104 ◽  
Author(s):  
G. Kechriotis ◽  
E.S. Manolakos
Keyword(s):  
Neural Network ◽  
Signal Processing ◽  
Digital Signal Processing ◽  
Multiuser Detection ◽  
Digital Signal ◽  
Detection Scheme

scholarly journals THE USE OF DIGITAL SIGNAL PROCESSING AND A NEURAL NETWORK WHEN GENERATING A FORECAST OF TIME SERIES OF DATA FOR THE PURPOSE OF DETECTING ANOMALIES IN THE IN THE AUTOMATED CONTROL OF TECHNOLOGICAL PROCESSES

2020 ◽  
Vol 20 (1) ◽  
pp. 24-34
Author(s):  
A. N. Ragozin ◽  
Keyword(s):  
Neural Network ◽  
Signal Processing ◽  
Digital Signal Processing ◽  
Input Signal ◽  
Forecast Error ◽  
Digital Signal ◽  
Processing Unit ◽  
Automated Control ◽  
Prediction Result ◽  
Low Pass

n order to detect anomalies and improve the quality of forecasting dynamic data flows observed from sensors in Industrial Control System (ACS)., it is proposed to use a predictive mod-ule consisting of a series-connected digital signal processing unit (DSP) and a predictive unit using a neural network (predictive autoencoder ( Auto Encoder), predictive Autoencoder (PAE)). The study showed that the preliminary DSP block of the predicted input signal, consisting of a parallel set (comb) of digital low-pass filters with finite impulse responses (FIR-LPF), leads to a non-equilibrium account of the correlation relationships of the time samples of the input signal and to increase the accuracy of the final prediction result. The predicted autoencoder (PAE) pro-posed and considered in the work, in addition to restoring the input signal or part of the input signal at the PAE output, also generates the predicted samples of the input signal for the speci-fied number of «forward» time steps at the output, which increases the accuracy of the predic-tion result. The reduction of the forecast error occurs due to the imposition of restrictions in the formation of the forecast, that is, an additional requirement to restore the input samples of the samples – «stabilizers» at the NS output. The introduction of «stabilizers» increases the accuracy of the prediction result.

scholarly journals Generation and coherent detection of QPSK signal using a novel method of digital signal processing

2018 ◽  
Vol 32 (04) ◽  
pp. 1850103
Author(s):  
Yuan Zhao ◽  
Bingliang Hu ◽  
Zhen-An He ◽  
Wenjia Xie ◽  
Xiaohui Gao
Keyword(s):  
Signal Processing ◽  
Digital Signal Processing ◽  
Digital Signal ◽  
Local Oscillator ◽  
Coherent Detection ◽  
Detection Methods ◽  
Homodyne Detection ◽  
Modulation Formats ◽  
Detection Scheme ◽  
Labview Software

We demonstrate an optical quadrature phase-shift keying (QPSK) signal transmitter and an optical receiver for demodulating optical QPSK signal with homodyne detection and digital signal processing (DSP). DSP on the homodyne detection scheme is employed without locking the phase of the local oscillator (LO). In this paper, we present an extracting one-dimensional array of down-sampling method for reducing unwanted samples of constellation diagram measurement. Such a novel scheme embodies the following major advantages over the other conventional optical QPSK signal detection methods. First, this homodyne detection scheme does not need strict requirement on LO in comparison with linear optical sampling, such as having a flat spectral density and phase over the spectral support of the source under test. Second, the LabVIEW software is directly used for recovering the QPSK signal constellation without employing complex DSP circuit. Third, this scheme is applicable to multilevel modulation formats such as M-ary PSK and quadrature amplitude modulation (QAM) or higher speed signals by making minor changes.

scholarly journals FAST NEURAL NETWORK FOR GENERALIZED TRIGONOMETRIC TRANSFORMATIONS SYNTHESIS

2014 ◽  
pp. 6-10
Author(s):  
Oleh Liskevych ◽  
Mykhaylo Yatsymirskyy
Keyword(s):  
Neural Network ◽  
Signal Processing ◽  
Digital Signal Processing ◽  
Processing System ◽  
Digital Signal ◽  
Signal Processing System ◽  
Digital Signal Processing System ◽  
Hardware Neural Network

The structure of the fast hardware neural network, based on generalized trigonometric transformations algorithm is developed. The network is appointed for optimal by some given criteria transformation selection and synthesis in adaptive digital signal processing system.

scholarly journals Filtering Input Data of Neural Network Using Digital Signal Processing Technology

2017 ◽  
Vol 20 (4) ◽  
pp. 104 ◽  
Author(s):  
A P Shuravin ◽  
S V Vologdin
Keyword(s):  
Neural Network ◽  
Signal Processing ◽  
Digital Signal Processing ◽  
Input Data ◽  
Digital Signal ◽  
Processing Technology

Одним из важных направлений исследования в области искусственного интеллекта можно назвать методы оптимизации, в том числе стохастические алгоритмы. Данная технология используется для решения различных задач во многих областях деятельности. Целью приведенного в статье исследования является улучшение обучения нейронной сети методом генетического алгоритма путем фильтрации входных данных с использованием технологии цифровой обработки сигналов. В качестве входных данных взяты биржевые котировки. Нейронная сеть представляет собой совокупность слоев нейронов, где каждый нейрон является функцией от суммы входных сигналов, умноженных на коэффициенты. В данной статье используется сигмовидная передаточная функция. Для улучшения качества обучения входные данные подвергаются фильтрации. В обзорной части рассмотрен технический анализ, метод автоматической регрессии и применение нейронных сетей. Выдвинута и проверена гипотеза возможности улучшения качества обучения нейронной сети за счет подавления шума в исходных данных с использованием методов ЦОС. Проверена гипотеза зависимости качества обучения нейронной сети от статистических характеристик выборки. Рассмотрен метод фильтрации биржевых котировок с использованием скользящей средней и медианной фильтрации. Приведены результаты эксперимента и численная оценка качества обучения, а также статистических характеристик выборки, тем самым подтверждена зависимость между статистическими характеристиками выборки и качеством обучения нейронной сети. Подтверждено положительное влияние предварительной фильтрации данных на качество обучения нейронной сети.

Sign in / Sign up

Export Citation Format

Share Document