Abstract
The analysis of the efficiency of parametric algorithm optimal signal reception, which was built on the Wald criteria; nonparametric algorithm, built on the mathematical formalism of neural networks; nonparametric algorithm, built on the mathematical apparatus of fuzzy logic; nonparametric algorithm, built on the signs, the Wilcoxon rank test. Analysis of the effectiveness of the proposed algorithms performed in Matlab environment using simulation. As a criterion of the effectiveness of selected probability of error. Obtain plots of the probability of error of the ratio of signal power to noise power ratio (SNR). The analysis showed that at low SNR values from –10 dB to –7dB best indicators has an algorithm built on the mathematical apparatus of the Kohonen neural network. With the increase in SNR (above –7 dB) the smallest probability of error is noted when using the algorithm Wald. But, although the Wald algorithm has better efficiency, it requires a priori information about signal parameters. When the SNR is above 0 dB lower probability of error among nonparametric algorithms has an algorithm built on the mathematical apparatus of fuzzy logic. This is slightly higher probability of errors observed in the algorithm, built on the Kohonen network. The most likely error has detection algorithm based on the characters, the Wilcoxon rank test.
Highlights
Проведен анализ эффективности параметрического алгоритма оптимального приема сигналов, построенном на критерии Вальда; непараметрического алгоритма, построенном на математическом аппарате нейронных сетей; непараметрического алгоритма, построенном на математическом аппарате нечеткой логики; непараметрического алгоритма, построенном на знако-ранговом критерии Вилкоксона
Необходимо отметить, что данные задачи должны быть решены в режиме реального времени
The analysis showed that at low signal power to noise power ratio (SNR) values from –10 dB to –7dB best indicators has an algorithm built on the mathematical apparatus of the Kohonen neural network
Summary
Результатом суммирования нормальных независимых случайных величин x(t1) и x(t2 ) является случайная величина x(t1t2 ) x(t1) x(t2 ) , распределенная по гауссовскому закону с математическим ожиданием 2ms или 2m и дисперсией 2 2. Задачу обнаружения сигнала будем решать как задачу кластеризации с помощью нейронной сети Кохонена [9,10,11,12]. Что при низких значения ОСШ от –10 до –7 дБ лучшими показателями обладает непараметрический алгоритм, построенный на нейронной сети Кохонена. При ОСШ выше 0 дБ наименьшей вероятностью ошибки среди непараметрических алгоритмов обладает алгоритм, построенный на нечеткой логике. При этом немного выше вероятность ошибки наблюдается у алгоритма, построенном на сети Кохонена. 4. Анализ показал, что при низких значения ОСШ от –10 до –7 дБ лучшими показателями обладает алгоритм, построенный на математическом аппарате нейронной сети Кохонена. При ОСШ выше 0 дБ наименьшей вероятностью ошибки среди непараметрических алгоритмов обладает алгоритм, построенный на математическом аппарате нечеткой логики. При этом немного выше вероятность ошибки наблюдается у алгоритма, построенного на сети Кохонена.
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callMore From: Bulletin of the South Ural State University. Ser. Computer Technologies, Automatic Control & Radioelectronics
Disclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
