محققان همیشه برای همه چیز از تلویزیون و تلفن های همراه گرفته تا ماهواره ها و وسایل پزشکی به دنبال ارتباطات مطمئن تر و کارآمدتری هستند.
یکی از تکنیک های ایجاد وزوز برای کیفیت بالای سیگنال آن ، ترکیبی از تکنیک های چند ورودی با ورودی چند برابر با تقسیم فرکانس متعامد است.
محققان ویرجینیا فناوری Lingjia Liu و Yang (Cindy) Yi از تکنیک های یادگیری ماشین با الهام از مغز برای افزایش بهره وری انرژی گیرنده های بی سیم استفاده می کنند.
یافته های منتشر شده آنها ، "تحقق نماد سبز شناسایی نماد از طریق محاسبات مخزن: یک چشم انداز کارآیی انرژی" ، بهترین جایزه مقاله را از کمیته فنی سیستم های انتقال ، دسترسی و سیستم های نوری IEEE دریافت کرد.
لیو و یی ، اساتید دانشیار و استادیار در گروه مهندسی برق و کامپیوتر بردلی ، به همراه دکتری لیو. دانش آموز Rubayet Shafin ، با محققان اداره اطلاعات آزمایشگاه تحقیقات نیروی هوایی ایالات متحده - Jonathan Ashdown ، John Matyjas ، Michael Medley و Bryant Wysocki همکاری می کند.
این ترکیبی از تکنیک ها به سیگنال ها اجازه می دهد تا از فرستنده به گیرنده با استفاده از چندین مسیر در همان زمان حرکت کنند. این روش حداقل تداخل ایجاد می کند و یک مزیت ذاتی نسبت به مسیرهای ساده تر برای جلوگیری از محو شدن چندوجهی فراهم می کند ، که به طور مثال آنچه را که می بینید هنگام تماشای تلویزیون خارج از هوا در یک روز طوفانی ، تحریف می کند.
لیو گفت: "ترکیبی از تکنیک ها و فرکانس مزایای بسیاری را به همراه دارد و اصلی ترین فناوری دسترسی رادیویی برای شبکه های 4G و 5G است." "با این وجود ، تشخیص صحیح سیگنال ها در گیرنده و تبدیل آنها به چیزی که دستگاه شما می فهمد ، می تواند به تلاش محاسباتی زیادی و در نتیجه انرژی نیاز داشته باشد."
لیو و یی برای به حداقل رساندن ناکارآمدی از شبکه های عصبی مصنوعی استفاده می کنند - سیستم های محاسباتی که از عملکرد داخلی مغزها الهام می گیرند. یی گفت: "به طور سنتی ، گیرنده تخمین کانال را قبل از شناسایی سیگنالهای منتقل شده انجام می دهد." "با استفاده از شبکه های عصبی مصنوعی ، می توانیم با شناسایی سیگنالهای منتقل شده به طور مستقیم در گیرنده ، یک چارچوب کاملاً جدید ایجاد کنیم."
Matyjas ، مشاور فنی بخش محاسبات و ارتباطات AFRL گفت: این رویکرد "می تواند عملکرد سیستم را بطور قابل ملاحظه ای بهبود ببخشد که الگوبرداری از کانال دشوار باشد ، یا هنگامی که ممکن است برقراری ارتباط مستقیم بین ورودی و خروجی امکان پذیر نباشد." همکار آزمایشگاه تحقیقات نیروی هوایی.
محاسبات مخزن
این تیم روشی را برای آموزش شبکه عصبی مصنوعی برای کارآمدتر روی یک جفت گیرنده گیرنده با استفاده از چارچوبی به نام محاسبه مخزن پیشنهاد کرده است. به ویژه معماری خاص به نام شبکه دولتی اکو (ESN). ESN نوعی شبکه عصبی مکرر است که عملکرد بالا را با انرژی کم ترکیب می کند.
ویسوکی ، مهندس ارشد هوا گفت: "این استراتژی به ما امکان می دهد تا یک الگوی ایجاد کنیم که نشان می دهد چگونه یک سیگنال خاص از فرستنده به گیرنده پخش می شود و این امکان را می دهد که رابطه مستقیمی بین ورودی و خروجی سیستم برقرار کنیم." اداره اطلاعات آزمایشگاه نیرو.
آزمایش راندمان
لیو ، یی و همکاران AFRL یافته های خود را با نتایج حاصل از رویکردهای آموزش یافته تثبیت شده مقایسه کردند و دریافتند که نتایج آنها به خصوص در سمت گیرنده کارآمدتر است.
لیو گفت: "شبیه سازی و نتایج عددی نشان داد که ESN می تواند از لحاظ پیچیدگی محاسباتی و همگرایی آموزشی عملکرد به مراتب بهتری داشته باشد." "در مقایسه با روش های دیگر ، این می تواند گزینه" سبز "در نظر گرفته شود."
http://socialnetworkadsinfo.com/story5719319/پمپ-وکیوم-آبی
محققان همیشه برای همه چیز از تلویزیون و تلفن های همراه گرفته تا ماهواره ها و وسایل پزشکی به دنبال ارتباطات مطمئن تر و کارآمدتری هستند.
یکی از تکنیک های ایجاد وزوز برای کیفیت بالای سیگنال آن ، ترکیبی از تکنیک های چند ورودی با ورودی چند برابر با تقسیم فرکانس متعامد است.
محققان ویرجینیا فناوری Lingjia Liu و Yang (Cindy) Yi از تکنیک های یادگیری ماشین با الهام از مغز برای افزایش بهره وری انرژی گیرنده های بی سیم استفاده می کنند.
یافته های منتشر شده آنها ، "تحقق نماد سبز شناسایی نماد از طریق محاسبات مخزن: یک چشم انداز کارآیی انرژی" ، بهترین جایزه مقاله را از کمیته فنی سیستم های انتقال ، دسترسی و سیستم های نوری IEEE دریافت کرد.
لیو و یی ، اساتید دانشیار و استادیار در گروه مهندسی برق و کامپیوتر بردلی ، به همراه دکتری لیو. دانش آموز Rubayet Shafin ، با محققان اداره اطلاعات آزمایشگاه تحقیقات نیروی هوایی ایالات متحده - Jonathan Ashdown ، John Matyjas ، Michael Medley و Bryant Wysocki همکاری می کند.
این ترکیبی از تکنیک ها به سیگنال ها اجازه می دهد تا از فرستنده به گیرنده با استفاده از چندین مسیر در همان زمان حرکت کنند. این روش حداقل تداخل ایجاد می کند و یک مزیت ذاتی نسبت به مسیرهای ساده تر برای جلوگیری از محو شدن چندوجهی فراهم می کند ، که به طور مثال آنچه را که می بینید هنگام تماشای تلویزیون خارج از هوا در یک روز طوفانی ، تحریف می کند.
لیو گفت: "ترکیبی از تکنیک ها و فرکانس مزایای بسیاری را به همراه دارد و اصلی ترین فناوری دسترسی رادیویی برای شبکه های 4G و 5G است." "با این وجود ، تشخیص صحیح سیگنال ها در گیرنده و تبدیل آنها به چیزی که دستگاه شما می فهمد ، می تواند به تلاش محاسباتی زیادی و در نتیجه انرژی نیاز داشته باشد."
لیو و یی برای به حداقل رساندن ناکارآمدی از شبکه های عصبی مصنوعی استفاده می کنند - سیستم های محاسباتی که از عملکرد داخلی مغزها الهام می گیرند. یی گفت: "به طور سنتی ، گیرنده تخمین کانال را قبل از شناسایی سیگنالهای منتقل شده انجام می دهد." "با استفاده از شبکه های عصبی مصنوعی ، می توانیم با شناسایی سیگنالهای منتقل شده به طور مستقیم در گیرنده ، یک چارچوب کاملاً جدید ایجاد کنیم."
Matyjas ، مشاور فنی بخش محاسبات و ارتباطات AFRL گفت: این رویکرد "می تواند عملکرد سیستم را بطور قابل ملاحظه ای بهبود ببخشد که الگوبرداری از کانال دشوار باشد ، یا هنگامی که ممکن است برقراری ارتباط مستقیم بین ورودی و خروجی امکان پذیر نباشد." همکار آزمایشگاه تحقیقات نیروی هوایی.
محاسبات مخزن
این تیم روشی را برای آموزش شبکه عصبی مصنوعی برای کارآمدتر روی یک جفت گیرنده گیرنده با استفاده از چارچوبی به نام محاسبه مخزن پیشنهاد کرده است. به ویژه معماری خاص به نام شبکه دولتی اکو (ESN). ESN نوعی شبکه عصبی مکرر است که عملکرد بالا را با انرژی کم ترکیب می کند.
ویسوکی ، مهندس ارشد هوا گفت: "این استراتژی به ما امکان می دهد تا یک الگوی ایجاد کنیم که نشان می دهد چگونه یک سیگنال خاص از فرستنده به گیرنده پخش می شود و این امکان را می دهد که رابطه مستقیمی بین ورودی و خروجی سیستم برقرار کنیم." اداره اطلاعات آزمایشگاه نیرو.
آزمایش راندمان
لیو ، یی و همکاران AFRL یافته های خود را با نتایج حاصل از رویکردهای آموزش یافته تثبیت شده مقایسه کردند و دریافتند که نتایج آنها به خصوص در سمت گیرنده کارآمدتر است.
لیو گفت: "شبیه سازی و نتایج عددی نشان داد که ESN می تواند از لحاظ پیچیدگی محاسباتی و همگرایی آموزشی عملکرد به مراتب بهتری داشته باشد." "در مقایسه با روش های دیگر ، این می تواند گزینه" سبز "در نظر گرفته شود."
http://socialnetworkadsinfo.com/story5719319/پمپ-وکیوم-آبی
تشخیص تصاویر صورت جعلی ایجاد شده توسط انسان و ماشین