menu
{ "item_title" : "Simulation Et Egalisation Adaptative Des Canaux de Transmission", "item_author" : [" Collectif "], "item_description" : "L' galisation adaptative des canaux radio-mobiles est r alis e par r seaux neuronaux RBFNN et RBFNN- DF. Une architecture pour l' galiseur RBFNN-DF est propos e, elle se caract rise par une r duction du nombre des neurones de la couche cach e. Un algorithme de classification non-supervisest propos , il se caract rise par sa convergence rapide et ses bonnes performances. L'apprentissage des param tres seuils et poids de connexions, est r alispar des algorithmes d'apprentissage bas s descente de gradient. Ces algorithmes utilisent deux crit res d'optimisation, l'EQM et le TEB, et deux modes d'apprentissage, le gradient stochastique, et le gradient total, ainsi qu'un troisi me mode on- line proposcombinant les avantages de deux modes (rapidit , stabilitde convergence, et faible occurrences des minimums locaux). Une analyse comparative des performances obtenues, dans le cas d'un canal non-lin aire et non stationnaire, des diff rentsgaliseurs est r alis e. Lesgaliseurs propos s, sont ensuite, test s sur un mod le TDL dont les param tres ontttotalement d termin s, conform ment aux donn es d crites par les standards de t l communications GSM et UMTS", "item_img_path" : "https://covers4.booksamillion.com/covers/bam/6/13/154/588/613154588X_b.jpg", "price_data" : { "retail_price" : "81.00", "online_price" : "81.00", "our_price" : "81.00", "club_price" : "81.00", "savings_pct" : "0", "savings_amt" : "0.00", "club_savings_pct" : "0", "club_savings_amt" : "0.00", "discount_pct" : "10", "store_price" : "" } }
Simulation Et Egalisation Adaptative Des Canaux de Transmission|Collectif

Simulation Et Egalisation Adaptative Des Canaux de Transmission

local_shippingShip to Me
In Stock.
FREE Shipping for Club Members help

Overview

L' galisation adaptative des canaux radio-mobiles est r alis e par r seaux neuronaux RBFNN et RBFNN- DF. Une architecture pour l' galiseur RBFNN-DF est propos e, elle se caract rise par une r duction du nombre des neurones de la couche cach e. Un algorithme de classification non-supervis est propos , il se caract rise par sa convergence rapide et ses bonnes performances. L'apprentissage des param tres seuils et poids de connexions, est r alis par des algorithmes d'apprentissage bas s descente de gradient. Ces algorithmes utilisent deux crit res d'optimisation, l'EQM et le TEB, et deux modes d'apprentissage, le gradient stochastique, et le gradient total, ainsi qu'un troisi me mode on- line propos combinant les avantages de deux modes (rapidit , stabilit de convergence, et faible occurrences des minimums locaux). Une analyse comparative des performances obtenues, dans le cas d'un canal non-lin aire et non stationnaire, des diff rents galiseurs est r alis e. Les galiseurs propos s, sont ensuite, test s sur un mod le TDL dont les param tres ont t totalement d termin s, conform ment aux donn es d crites par les standards de t l communications GSM et UMTS

This item is Non-Returnable

Details

  • ISBN-13: 9786131545887
  • ISBN-10: 613154588X
  • Publisher: Omniscriptum
  • Publish Date: February 2018
  • Dimensions: 9.02 x 5.98 x 0.4 inches
  • Shipping Weight: 0.57 pounds
  • Page Count: 172

Related Categories

You May Also Like...

    1

BAM Customer Reviews