ترغب بنشر مسار تعليمي؟ اضغط هنا

اختيار الإشارة ذات المطال الأفضل على خرج الهوائي الذكي باستخدام الشبكات العصبونية

Selecting the Best Signal Amplitude in the Smart Antenna Output by Using Neural Networks

1341   0   34   0 ( 0 )
 تاريخ النشر 2014
  مجال البحث هندسة اتصالات
والبحث باللغة العربية
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

طُبق مفهوم إعادة استخدام التردد بشكل ناجح في أنظمة الاتصالات الخليوية الحديثة، من أجل زيادة سعة النظام، من الممكن إحداث تحسُّن آخر في السعة بتطبيق المصفوفات المتكيفة في المحطة الأساسية، يستخدم من أجل ملاحقة المستخدمين المرغوبين خوارزميات إيجاد الاتجاه من أجل تحديد أماكنهم وفقاً لحركتهم ضمن الخلايا أو فيمابينها. اقترح مؤخراً خوارزميات إيجاد الاتجاه المعتمدة على الشبكات العصبونية وذلك لإيجاد اتجاه المنبع عن طريق تقييم أداء الشبكات العصبونية بمقارنة توقعاتها وانحرافها المعياري ومتوسط الخطأ التربيعي بين قيمها المتوقعة وبين ماتم قياسه، هذا البحث يعتمد هذا المنحى حيث يتم مقارنة خرج الهوائيات المصفوفية من حيث المطال، ثم اختيار الإشارة ذات المطال الأفضل وإظهارها على الخرج النهائي للنظام.


ملخص البحث
تتناول هذه الدراسة تطبيق الشبكات العصبونية الصنعية (ANN) في نظام الهوائي الذكي (SAS) لتحسين جودة الإشارة المستقبلة في أنظمة الاتصالات اللاسلكية. يهدف البحث إلى مقارنة أداء خوارزمية متوسط الخطأ التربيعي الأصغري (LMS) مع خوارزمية الانتشار الخلفي المستخدمة في تدريب الشبكات العصبونية. يتمثل الهدف الرئيسي في اختيار الإشارة ذات المطال الأفضل على خرج النظام. يتكون نظام الهوائي الذكي من مصفوفة هوائيات قادرة على تحديد اتجاه الإشارة الواردة وتغيير نموذج إشعاعها ديناميكيًا لتقليل الضجيج والتداخل. تم استخدام برنامج MATLAB لمحاكاة النظام، حيث أظهرت النتائج أن خوارزمية الانتشار الخلفي قادرة على إلغاء الإشارات غير المرغوبة بشكل كامل وتحسين الإشارة المرغوبة مقارنة بخوارزمية LMS، على الرغم من أن الأخيرة أسرع في التنفيذ.
قراءة نقدية
دراسة نقدية: يعتبر البحث خطوة مهمة في تحسين أداء أنظمة الهوائي الذكي باستخدام الشبكات العصبونية الصنعية. ومع ذلك، يمكن توجيه بعض النقد البناء لتحسين الدراسة. أولاً، لم يتم التطرق بشكل كافٍ إلى تأثير العوامل البيئية المختلفة على أداء النظام المقترح، مثل التداخلات الخارجية أو التغيرات المناخية. ثانياً، يمكن تحسين الدراسة من خلال إجراء تجارب ميدانية إضافية للتحقق من النتائج النظرية. ثالثاً، لم يتم مناقشة الجوانب الاقتصادية لتطبيق النظام المقترح، مما يجعل من الصعب تقييم جدواه التجارية. وأخيراً، يمكن توسيع الدراسة لتشمل أنواعًا أخرى من الشبكات العصبونية أو خوارزميات تعلم الآلة لتحسين الأداء بشكل أكبر.
أسئلة حول البحث
  1. ما هو الهدف الرئيسي من البحث؟

    الهدف الرئيسي هو تحسين جودة الإشارة المستقبلة في أنظمة الهوائي الذكي من خلال استخدام الشبكات العصبونية الصنعية واختيار الإشارة ذات المطال الأفضل على خرج النظام.

  2. ما هي الخوارزميات التي تم مقارنتها في الدراسة؟

    تمت مقارنة خوارزمية متوسط الخطأ التربيعي الأصغري (LMS) مع خوارزمية الانتشار الخلفي المستخدمة في تدريب الشبكات العصبونية الصنعية.

  3. ما هي النتائج الرئيسية التي توصلت إليها الدراسة؟

    أظهرت النتائج أن خوارزمية الانتشار الخلفي قادرة على إلغاء الإشارات غير المرغوبة بشكل كامل وتحسين الإشارة المرغوبة مقارنة بخوارزمية LMS، على الرغم من أن الأخيرة أسرع في التنفيذ.

  4. ما هي التوصيات المستقبلية التي قدمها الباحثون؟

    أوصى الباحثون بإجراء دراسات أعمق للحصول على إشارات خرج بأطوار مختلفة واستخدام مصفوفات بأبعاد مختلفة وزيادة عدد المداخل لتحسين أداء النظام بشكل أكبر.


المراجع المستخدمة
GODARA, L. C. Smart Antenna.CRC Press LLC, United States of America, 2004, 458P
JAIN, R. K. ; KATIYAR, S. ; AGRAWAL, N. Smart Antenna for Cellular Mobile Communications. International Journal of Electrical, Electronics & Communication engineering, VSRD, India,Vol.1(9), 2011, pp.530-541
SAREVSKA, M. ; ABDEL-BADEEH M. S. Antenna Array Beamforming Using Neural Network. World Academy & Science, Engineering And Technology, 2006
MATHUR, S. ; GONGUAR, R. S. A Decision Directed Smart Antenna System With Neural Estimation for M-Quadrature Amplitude Modulated Signal. Indian Journal of Radio & Space Physics, India, Vol.39, 2010, pp.45-52
RAO, p. A.; SARMA, N. V. Adaptive Beamforming Algorithm for Smart Antenna Systems. WSEAS transactions on communications, vol.13, India, 2014, pp.2224-2864
قيم البحث

اقرأ أيضاً

سنقدم في هذا البحث منهجية علمية للتنبؤ قصيرة جدا بالحمولات الكهربائية للمنظومة الكهربائية السورية أي التنبؤ بهذه الحمولات لعدة ساعات قادمة و قد أطلقنا على هذا النوع من التنبؤ التنبؤ العملياتي, تعتمد هذه المنهجية على استخدام الشبكات العصبية الصناعية.
نقدم في هذا البحث دراسة علمية متقدمة متطورة و تواكب الدراسات و التكنولوجيا الحديثة حول التنبؤ قصير الأمد جدا بالأحمال الكهربائية و تطبيق الدراسة من أجل التنبؤ بالحمل الكهربائي في المنظومة الكهربائية السورية الأساسية حيث تم دراسة التنبؤ بهذا الحمل لأر بع ساعات قادمة وفق المعيار الذي تتبعه وزارة الكهرباء في القطر لكن بفواصل زمنية قصيرة تبلغ عشرة دقائق بين التنبؤ و التنبؤ الذي يليه و قد أطلقنا عليه التنبؤ الآني.
يقدم هذا البحث تقنية جديدة لتحسين عامل الاستطاعة بالاعتماد على الشبكات العصبونية الاصطناعية. حيث يتم التحكم بمحرك متواقت عن طريق متحكم عصبوني للتعامل مع مشكلة تعويض الاستطاعة الردية للنظام، و ذلك بهدف تحسين عامل الاستطاعة. تم في هذا البحث نمذجة النظ ام الكهربائي و المتحكم العصبوني باستخدام برنامج ماتلاب، و قد بينت النتائج أن هذه الطريقة قد تغلبت على المشاكل التي تحدث عند استخدام الطرق التقليدية (استخدام المكثفات الساكنة)، كالتأخير الزمني و التغيرات الخطوية في تعويض الاستطاعة الردية، بالإضافة إلى السرعة بالمقارنة مع التعويض باستخدام المكثفات.
يقدم البحث طريقة مطورة لكشف مكان نموذج الوجه في الصورة, و ذلك بجمع أكثر من تقنية لتحقيق أفضل نسبة كشف. يبنى نموذج لون بشرة باستخدام الفضاء اللوني (RGB) Red, Green, Blue, لكشف مناطق البشرة و ينتج المناطق المرشحة لتكون الوجه في الصورة. و من خلال تقنية الشبكة العصبونية يتم تدريب مجموعة من صور الوجوه و صور لغير الوجوه (الخلفية) ، بعد إسقاطها على حيز جزئي بواسطة تقنية تحليل المعاملات الأولية بهدف تقليل أبعاد صور التدريب و تقليل الزمن الحسابي. يوجد تعديلين للاستخدام التقليدي للشبكة العصبونية و هما: أولاً, تختبر الشبكة العصبونية مناطق الصورة المرشحة لتكون وجوه فقط, بالنتيجة يتم تقليل حيز البحث. ثانياً, يتم تكييف نافذة مسح الشبكة العصبونية لصورة الدخل, بحيث تعتمد على حجم المنطقة المرشحة لتكون وجه مما يمكن نظام الكشف من كشف الوجوه بحجوم متعددة.
قمنا من خلال هذا البحث بتصميم برنامج يهدف إلى تحديد النقاط الحرجة التي يمكن أن تسبب إنهيار التوتر، و بناء شبكة عصبونية ضمن بيئة برمجيات ماتلاب مهمتها التنبؤ بقيمة الاستطاعة العظمى التي يمكن نقلها على نظام القدرة الكهربائية في ظروف انهيار التوتر دو ن أن ينهار نظام القدرة، و تدريبها على حالات واقعية تعرضت لها أنظمة القدرة الكهربائية، ثم قمنا بتطبيق هذه الشبكة العصبونية المدربة على شبكة مرجعية IEEE-14 Bus-bar لإختبار أدائها و مقارنة النتائج.

الأسئلة المقترحة

التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا