بهینه سازی سیگنال سینوسی با شبکه عصبی ESN در متلب

پروژه بهینه سازی سیگنال سینوسی با شبکه عصبی ESN در MATLAB

در این پست پروژه بهینه سازی سیگنال سینوسی با شبکه عصبی ESN را آماده کرده ایم در ادامه به توضیحاتی در رابطه با سیگنال سینوسی و شبکه عصبی ESN پرداخته و فیلم خروجی آن قرار داده شده است.

شبکه عصبی ESN :

شبکه عصبی ESN یک نوع شبکه عصبی می باشد که لایه های پنهان شده متصل به نرون با تعداد کم را داراست. وزن نرون های پنهان شده و اتصال ها به طور ثابت هست و تخصیص آن نیز تصادفی می باشد. به دلیل اینکه وزن نرون های خروجی قابل آموزش هستند، شبکه نیز قادر است تا الگوی زمانی خاصی را تولید کنید شبکه عصبی ESN یا شبکه حالت اکو به طور غیرخطی است و پارامتر های اصلی، وزن لایه های نهان شده می باشد. با توجه به پارامتر های بردار، تابع خطا به صورت درجه دوم است. در پروژه حاضر، با شبکه عصبی ESN سیگنال سینوسی بهینه سازی کرده ایم. در مورد سیگنال سینوسی توضیحاتی که بتواند شما را با این سیگنال بهتر آشنا کند، در زمینه تخمین پارامتر های سیگنال سینوسی میرا می باشد که در ادامه به این توضیحات می پردازیم.

توضیحات بیشتر و فیلم خروجی پروژه بهینه سازی سیگنال سینوسی با شبکه عصبی ESN در ادامه مطلب.

تخمین پارامتر های سیگنال سینوسی میرا ، از قدیمی ترین مسائل می باشد که در زمینه های مختلف علوم کاربردی به صورت های گوناگون مورد استفاده قرار می گیرد که از آنها می توان به پردازش سیگنال ، مدل سازی سیگنال های صوتی و گفتار و غیره شاره نمود. از دیگر کاربرد ها، به سیستم های قدرت می تواند اشاره نمود که در آنها ژنراتور ها که در فرکانس های 50 یا 60 هرتز در حال فعالیت هستند، به هم متصل می باشند. بعد از پیدایش اغتشاش در این سیستم ها، چندین سیگنال سینوسی میرا ارائه شده اند.

توضیحات ارائه شده از مقاله “تخمین پارامتر های سیگنال سینوسی میرا با استفاده از شناساننده تطبیقی” می باشد که از لینک نیز می توانید آن را به صورت رایگان دانلود و مطالعه نمائید.

دانلود مقاله

تصویر خروجی 2: