This paper presents a new method for noise-immune demodulation of BPSK signals. It is based on the use of an artificial neural network and signal randomization. Signal randomization increases self-synchronization properties and simplifies timing techniques. The demodulator model was designed and implemented in software. The demodulation bit error rate and standard deviation of normalized timing error were studied as a function of the signal-to-noise ratio. It was found out that the use of randomization reduces the normalized timing error by 7.5% at the normalized signal-to-noise ratio value of −15 dB. The method can be used to digital exchange data under strong interference conditions, in particular, in computer telecommunication systems, medical equipment, industrial networks, smart sensor networks and satellite communications.
29 April 2022 in Information Technologies and Learning Tools
У статті виконано теоретичний аналіз нейро-нечітких систем, узагальнено та систематизовано їх основні характеристики, деталізовано особливості відомих алгоритмів розробки та обґрунтовано актуальність їх використання для побудови комп’ютеризованих навчальних програм. Представлено структурну модель адаптивної навчальної системи та описано систему вхідних навчальних правил, змодельованих за результатами проведеного експерименту. З метою визначення оцінки поточного рівня навченості студента введено ряд якісних показників (глибина навчання, ступінь та якість засвоєння), використання яких дозволило забезпечити повноту бази вхідних правил для здійснення нечіткого логічного виведення. Запропоновано метод на базі нечіткої нейронної мережі для побудови адаптивного модуля дистанційної системи передачі знань, застосування якого дає можливість підвищити швидкість та точність виконання обрахунків на етапі визначення навчального режиму відповідно до поточного рівня знань студента. Реалізовано адаптивний механізм побудови індивідуальної траєкторії навчання у системі дистанційної освіти на основі нечіткої нейронної мережі Мамдані. Розроблено гібридний алгоритм навчання нейро-нечіткої мережі та наведені етапи його функціонування. Досліджено особливості застосування гібридного алгоритму для визначення навчального режиму та встановлено переваги його використання шляхом паралельного й одночасного уточнення параметрів мережі. Запропоновано блок-схему гібридного алгоритму адаптивного навчального модуля, яка дозволяє мережі під час навчання модифікувати правила виведення відповідно до заданої точності навчання. Проведено експериментальне дослідження застосування гібридного алгоритму з використанням нечіткої нейронної мережі ANFIS в програмі MATLAB, що дозволило підтвердити ефективність запропонованої технології. Визначено перспективи використання математичного апарату нейромережевих технологій у дослідженні адаптивних характеристик автоматизованих навчальних систем.
A fuzzy neural network method for constructing an adaptive module of a distance knowledge transfer system has been suggested. Experimental modeling with the use of fuzzy ANFIS neural network in MATLAB program based on a hybrid algorithm, which allowed to make it easier to train the network and improve the quality of distance education.
30 June 2022 in COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION
Виконано теоретичний аналіз сучасного стану нейромережевих технологій, що дало можливість виділити відомі алгоритми роботи з нейронними мережами та з’ясувати переваги та недоліки їх застосування для вирішення різного роду завдань науки й техніки. Обґрунтовано актуальність застосування нейромереж для дослідження адаптивних траєкторій навчання на основі аналізу поточних характеристик засвоєння інформаційних квантів студентом, що забезпечує успішне проведення дистанційного навчання з використанням відкритих комунікаційних платформ. Представлено адаптивний процес засвоєння студентом нових знань архітектурою багатошарового персептрона, в якій кожен нейрон розглядається як певний урок, а навчальний процес представлено як рух студента по окремих уроках. Реалізовано застосування для навчання мережі алгоритму зворотного поширення помилки та методу найменших квадратів. Це дало можливість шляхом паралельного й одночасного уточнення параметрів мережі ітераційно коректувати вагові коефіцієнти синаптичних зв’язків кожного з нейронів на основі мінімізації середньоквадратичного відхилення між правильною та реальною відповіддю мережі. Побудовано загальний алгоритм адаптивного навчання з використанням нейромережі та описано етапи його функціонування. Визначено перспективи подальших досліджень, направлених на застосування модифікацій алгоритму зворотного поширення помилки та вдосконалення підбору правил корекції вагових коефіцієнтів.